Sorina Vlăsceanu, Veridion: Îmblânzitorii de Big Data

Sorina Vlăsceanu, Veridion: Îmblânzitorii de Big Data

Reading Time: 7 minute

Veridion transformă miliarde de date globale în cunoaștere structurată pentru marile companii. Am stat de vorbă cu Sorina Vlăsceanu, cofondatoarea startup-ului, despre viziunea din spatele algoritmilor și ce înseamnă să scalezi din România direct pe scena internațională, precum și despre noile provocări pentru un absolvent în data science.

Care a fost cea mai importantă lecție de leadership pe care ai învățat-o de când coordonezi echipe în mediul tech din România?

Venind dintr-un background tehnic, mi-a fost natural la început să mă concentrez pe probleme, soluții, livrare și calitatea execuției. Dar când începi să coordonezi oameni, îți dai seama că nu poți scala doar prin execuție bună. În tech-ul din România am întâlnit mulți oameni buni tehnic, iar una dintre provocările reale este să creezi mediul în care oamenii pot trece de la execuție la ownership.

Pentru mine, asta începe cu obiective clare, mai ales pentru oamenii aflați la început de drum. Nu ca exercițiu formal, ci ca instrument real de progres: să știe în ce direcție cresc, ce înseamnă să devină mai buni și cum își pot măsura evoluția. Dar ca lider nu este suficient să setezi așteptări și apoi să lași omul să se descurce. Nu pot crește în locul cuiva și fiecare are ritmul lui, dar pot construi cadrul în care creșterea devine posibilă. Încerc să creez activ contexte în care oamenii pot reuși: proiecte potrivite, expunere, feedback și ocazii în care pot lua ownership real. Iar ownershipul nu apare atunci când îi dai cuiva un task mai mare, ci atunci când îi dai și problema din spate, contextul de business, constrângerile reale și spațiul de a lua decizii.

Apoi rămâi suficient de aproape încât să poți da feedback și direcție, dar nu atât de aproape încât să iei ownershipul înapoi. Cred că o echipă scalează sănătos atunci când nu mai trebuie să fiu implicată în fiecare decizie. Asta înseamnă că am format oameni în care am încredere să îmi țină locul atunci când nu sunt acolo: oameni care duc mai departe aceleași standarde, același nivel de responsabilitate și care, la rândul lor, devin repere pentru alții. Atunci leadershipul devine parte din cultura echipei, nu doar responsabilitatea unei singure persoane.

Când recrutezi oameni pentru echipele tale, ce cântărește mai mult: abilitățile tehnice pure (hard skills) sau flexibilitatea și potrivirea culturală (soft skills)?

Startup-ul schimbă mult ecuația. Într-un startup, mai ales într-unul care construiește tehnologie complexă, ai nevoie de oameni care pot lucra cu ambiguitate, pot schimba direcția când apar informații noi și pot înțelege rapid de ce se schimbă prioritățile. Hard skillurile sunt necesare, dar le văd mai degrabă ca pe pragul de intrare. Ce face diferența pe termen lung este felul în care omul gândește. Am întâlnit oameni foarte buni tehnic, dar blocați într-un singur mod de a face lucrurile, iar într-un mediu de startup asta devine rapid o limitare.

În echipa mea, construim API-uri și integrări client-facing peste volume foarte mari de date. Un inginer trebuie să poată interacționa cu echipe de data, machine learning, presales, inclusiv customer success și să înțeleagă suficient de bine contextul produsului și al clientului încât să ia decizii tehnice bune. De aceea, în interviuri ne uităm mult la modul de gândire. Avem un proiect pentru acasă și apoi un exercițiu live de problem solving în care ne interesează mai ales raționamentul, nu doar dacă ajunge la o soluție perfectă din punct de vedere tehnic. Căutăm oameni cu spirit de maverick: curioși, adaptați la realitate și suficient de pragmatici încât să construiască soluții neconvenționale, care funcționează, nu doar soluții care arată bine pe hârtie.

Cum a influențat boom-ul inteligenței artificiale din ultimii ani algoritmii voștri de potrivire (matching) și clasificare a datelor?

Noi am început Veridion exact când apăreau primele transformere, iar la momentul acela chiar părea un pas mare. Era impresionant cât de bine putea un model de machine learning să extragă informație din text, cu foarte puțin ajutor uman, comparativ cu alternativele de atunci. Pentru noi, a fost un semnal că suntem pe direcția bună și că tehnologia din zona de AI o să țină pasul cu ce încercam să construim.

Datele valoroase despre companii nu vin structurate. Vin din websiteuri, job postings, comunicate, registre, știri, în limbi diferite, adesea incomplete, uneori contradictorii. Munca reală nu e doar să le colectezi, ci să înțelegi ce e relevant, să conectezi semnalele și să construiești o imagine coerentă. De aceea AI-ul este backbone-ul tehnologiei noastre. Nu un model pus peste o bază de date, ci un sistem care extrage, normalizează, conectează și validează semnale din surse foarte diferite, la scară globală. Boomul AI ne-a scalat enorm capacitatea. Dar sunt pragmatică: AI-ul fără surse verificabile, provenance, scoring și quality checks nu produce intelligence. Produce mai mult zgomot, mai repede.

Multe companii promit „baze de date curate”. Prin ce se diferențiază tehnologia Veridion de metodele tradiționale de web scraping sau de marii competitori globali?

Cred că expresia „bază de date curată” poate fi ușor înșelătoare, pare cumva că problema principală este să cureți niște câmpuri într-o tabelă. În realitate, în business data, problema grea este alta: companiile se schimbă constant, informația este fragmentată, sursele se contrazic, iar datele devin depășite foarte repede. Diferența față de web scraping-ul tradițional este că noi nu tratăm webul ca pe o colecție de pagini de extras, ci ca pe un flux continuu de semnale care trebuie înțelese, conectate și validate.

AI-ul ne ajută să extragem informația, dar un Knowledge Graph dezvoltat de noi este cel care o leagă de entitatea corectă, de alte surse, de istoricul ei și de contextul mai larg al companiei. Aici cred că se vede diferența reală: nu livrăm doar o bază de date „curățată”, ci un sistem de business intelligence care se actualizează, se verifică și devine mai bun pe măsură ce primește semnale noi. Fiecare datapoint trebuie să aibă sursă, provenance, scoring și mecanisme de quality check. Fără un sistem de genul acesta, nu ai intelligence. Ai doar date care par curate, dar care nu pot fi explicate, verificate sau actualizate în ritmul în care se schimbă realitatea.

Piața globală de business information crește accelerat. Cum s-a schimbat profilul investitorilor? Sunt mai prudente fondurile de investiții?

Nu aș spune că fondurile sunt mai prudente, ci mai degrabă mai selective. AI-ul atrage foarte mult capital, dar nu mai este suficient să spui că ai AI în produs. Asta devine rapid un hygiene factor, un minim necesar, nu un diferențiator în sine. Întrebarea reală este ce faci cu AI-ul și dacă poți demonstra valoare economică reală. Într-o piață în care AI poate produce foarte ușor output care pare credibil la prima vedere, valoarea reală vine din capacitatea de a separa semnalul de zgomot.

Pentru clienții enterprise nu este suficient ca informația să sune bine sau să fie livrată într-un format elegant. Trebuie să fie relevantă, verificabilă, explicabilă și suficient de bine legată de un use case real. În zona noastră, asta schimbă discuția. Nu mai este despre „avem multe companii în baza de date”, ci despre cât de bine poți explica ce știi despre ele, cât de repede vezi că s-a schimbat ceva și cât de clar poți lega informația de o decizie economică. Cred că investitorii buni înțeleg din ce în ce mai bine diferența dintre output generat și intelligence pe care un client îl poate folosi cu încredere.

Veridion a ridicat în trecut o rundă importantă de tip late-seed pentru extinderea în SUA și dezvoltarea AI-ului propriu. Dacă ați viza o nouă rundă acum, care ar fi principalul argument: accelerarea expansiunii comerciale globale sau un salt tehnologic major?

Pentru Veridion, cele două sunt foarte legate. Aș vedea o etapă următoare de finanțare mai ales ca pe o investiție în capacitatea noastră de a produce intelligence mai profund. Asta înseamnă tehnologie proprie, dar și achiziția sau integrarea unor seturi de date complementare, pe care nu are sens să le producem noi de la zero, dar care potențează foarte mult ce putem infera prin sistemul nostru.

Un exemplu este zona de trade data, cum sunt datele de tip bill of lading. Ele pot arăta ce produse se mișcă prin porturi, cine importă, cine exportă și în ce volume. Corelate cu datele noastre despre producători, produse, locații și activități comerciale, pot duce la inferențe mult mai puternice: ce industrii depind de anumite materii prime, unde apar blocaje în supply chain, ce categorii cresc sau scad într-o piață și ce furnizori sau capacități industriale devin critice pentru reziliența unei economii. Pentru noi, argumentul puternic nu ar fi „sales versus tech”. Ar fi capacitatea de a adăuga straturi noi de intelligence peste economia reală. Expansiunea comercială globală devine mult mai puternică atunci când este construită pe o tehnologie care poate răspunde la probleme tot mai complexe.

Care sunt obiectivele de business pentru 2026?

Până acum, Veridion a crescut constant, practic dublându-se de la an la an. Pentru 2026, vrem să ducem mai departe creșterea în zonele unde vedem deja tracțiune clară: clienți enterprise, piețe globale și industrii în care datele despre companii devin infrastructură critică pentru decizie.

Ca echipă, suntem acum aproximativ 65 de oameni. Core development team-ul și funcțiile principale sunt în București, iar echipa comercială este distribuită în piețe-cheie precum SUA, Canada și UK. Vrem să continuăm să angajăm selectiv, de aceea avem roluri permanent deschise, dar căutăm oameni foarte buni, nu volum. Când întâlnim oamenii aceia rari, cu spirit de maverick, vrem să îi aducem în echipă, pentru că nu adaugă doar capacitate, ci multiplică valoarea echipei.

Pe zona de business, obiectivele pentru 2026 sunt legate de extinderea în industrii noi și consolidarea use case-urilor de risk intelligence. Vedem oportunități tot mai interesante în zone precum insurance, banking, private markets și private credit, unde înțelegerea corectă a unei companii devine esențială pentru decizii de risc, expunere și investiție.

Un focus important este și zona de Third-Party Risk Management, supply chain risk și ESG. Companiile mari nu mai vor doar să știe cine sunt furnizorii lor direcți. Vor să înțeleagă dependențe, expuneri, riscuri operaționale, riscuri ESG și vulnerabilități în lanțul de aprovizionare. 

Asta se leagă direct de direcția noastră mai largă: Veridion as a go-to source pentru decizii complexe de business, unde ai nevoie să înțelegi cum se mișcă piețele, companiile și economia reală.

Ce sfat i-ai da unui tânăr aflat la început de drum în programare sau data science care își dorește să ajungă într-o poziție de impact similară cu a ta?

I-aș spune să își aleagă foarte atent contextul: să fie într-un loc în care vede zilnic oameni mai buni decât el, pentru că dacă e mereu cel mai inteligent om din cameră, probabil nu crește suficient de repede.

Apoi, i-aș spune să aibă răbdare și grit. Nu există shortcut real către impact. Trebuie să fii dispus să lucrezi la probleme grele, să încerci lucruri care nu au încă o cale bătută și să dovedești, pas cu pas, că pot funcționa.

Mi-ar plăcea ca Veridion să fie genul acesta de loc: o companie în care oamenii cresc suficient de mult încât, la un moment dat, unii dintre ei să plece și să construiască ceva al lor. Să ducă mai departe standardul, curajul și apetitul pentru probleme grele. 

Articolul a fost inițial publicat în Biz nr. 409 (15 august – 15 septembrie 2026). Dacă dorești să primești Revista Biz prin curier, abonează-te aici.