Qbeast, una innovadora startup del Barcelona Supercomputing Center, ha cerrado una ronda de financiación semilla por 7,6 millones de dólares, liderada por Peak XV y con la participación de HWK Tech Investment y Elaia Partners. Esta inversión permitirá a Qbeast expandir su equipo y mejorar su plataforma de optimización de datos, diseñada para hacer más eficientes las plataformas de datos abiertas. Con un enfoque en maximizar el rendimiento mediante indexación multidimensional, Qbeast busca resolver problemas estructurales en el manejo de datos y facilitar el acceso a información relevante sin complicaciones ni altos costos. La compañía está liderada por Srikanth Satya, quien tiene una vasta experiencia en arquitecturas cloud-native.
La startup Qbeast, originaria del Barcelona Supercomputing Center, ha conseguido captar una ronda de financiación semilla de 7,6 millones de dólares. Esta inversión, liderada por Peak XV’s Surge, anteriormente conocida como Sequoia Capital India & SEA, cuenta con la participación de HWK Tech Investment y Elaia Partners.
En un contexto donde los volúmenes de datos empresariales se disparan y las infraestructuras tradicionales no logran satisfacer las demandas impuestas por la inteligencia artificial, Qbeast busca optimizar el manejo de datos. La inyección de capital permitirá a la empresa expandir su equipo y abordar nuevos casos de uso, con el objetivo de hacer que las plataformas de datos abiertas sean más rápidas, sencillas y rentables.
A pesar de que tecnologías como Delta Lake, Apache Iceberg y Apache Hudi han transformado las arquitecturas Lakehouse, su eficiencia es motivo de debate. Según Databricks, hasta el 90 % de los recursos computacionales pueden desperdiciarse al escanear datos irrelevantes. En este sentido, Qbeast propone una solución que maximiza el rendimiento sin requerir cambios en la infraestructura existente.
Desarrollada a partir de investigaciones en el BSC-CNS, la plataforma Qbeast se integra directamente con tablas existentes y prioriza únicamente los datos necesarios durante las cargas de trabajo. Su innovador sistema de indexación multidimensional permite aplicar filtros simultáneos en columnas como tiempo, región o segmento de cliente, optimizando así tanto consultas en tiempo real como históricas desde una única tabla.
A diferencia de las particiones convencionales que operan en una sola dimensión, Qbeast facilita un filtrado eficiente en múltiples dimensiones simultáneamente. Además, es compatible con motores como Spark, Databricks, Snowflake, DuckDB y Polars, lo que elimina la necesidad de reescribir canalizaciones o adoptar nuevas capas de almacenamiento.
Para liderar esta nueva etapa, Qbeast ha nombrado a Srikanth Satya, exejecutivo de AWS y Microsoft Azure, como nuevo CEO. Satya destaca: "Creemos que todas las organizaciones deberían poder extraer valor de sus datos sin incurrir en costes masivos ni complejidad innecesaria".
Juan Santamaría, CEO de HWK Tech Investment: "Qbeast está resolviendo un reto estructural del stack de datos moderno. Su tecnología será crítica para empresas con modelos Lakehouse".
Sébastien Lefebvre, Partner en Elaia: "Qbeast permite extraer más valor con menos complejidad y menor coste. Tiene potencial para ser el estándar de indexación en el futuro".
Peak XV, uno de los fondos más activos en India y el Sudeste Asiático, también apuesta por Europa con esta operación.
Qbeast es una empresa dedicada a la infraestructura de datos que transforma el rendimiento analítico para la era Lakehouse. Fundada a partir del trabajo investigativo realizado por Cesare Cugnasco y Paola Pardo en el Barcelona Supercomputing Center (BSC-CNS), ofrece soluciones avanzadas como la indexación multidimensional para plataformas tales como Delta Lake, Apache Iceberg y Apache Hudi. El equipo directivo está encabezado por Srikanth Satya (CEO) y Flavio Junqueira (CTO), cocreador de proyectos destacados como Apache ZooKeeper y Apache BookKeeper.
Pueden encontrar más información en su sitio web: qbeast.io.
| Descripción | Cifra |
|---|---|
| Financiación obtenida | 7,6 millones de dólares |
| Porcentaje de recursos computacionales desperdiciados al escanear datos irrelevantes | 90% |