Naré Vandanyan, Cofundador y CEO de Ntropy – Serie de Entrevistas
Naré Vandanyan, Cofundador y CEO de Ntropy - Entrevista.
Naré Vandanyan, Cofundadora y CEO de Ntropy, una plataforma que permite a los desarrolladores analizar transacciones financieras en menos de 100ms con una precisión sobrehumana, desbloqueando el camino hacia una nueva generación de finanzas autónomas, impulsando productos y servicios que antes no eran posibles. Convierte flujos de transacciones en bruto en información contextualizada y estructurada al combinar datos de múltiples fuentes, incluyendo modelos de lenguaje natural, motores de búsqueda, bases de datos internas, APIs externas y datos de transacciones existentes en toda nuestra red.
Creciste en Armenia, sin electricidad durante una guerra. ¿Podrías compartir algunos detalles sobre estos primeros días y cómo te llevó a trabajar para las Naciones Unidas?
Esa experiencia fue compartida por toda una generación en Armenia. Fomentó en mí un sentido de imaginación y la capacidad de encontrar soluciones incluso con pocos recursos. Al igual que otros que crecieron en una zona de conflicto, este período de mi vida tuvo un impacto profundo en cómo veo el mundo. Estas circunstancias exigentes alimentaron un sentido de responsabilidad compartida dentro de la comunidad y un firme impulso de generar un cambio positivo. Al darme cuenta de que nuestros desafíos iban más allá de las luchas individuales, sentí un llamado a pensar a gran escala y canalizar mis esfuerzos. Esto, a su vez, me llevó hacia las Naciones Unidas.
Las Naciones Unidas surgieron como la plataforma ideal para contribuir de manera significativa. Dada la precaria posición geopolítica de Armenia y mi aspiración de influir en asuntos globales, creí que colaborar con las Naciones Unidas ofrecería una oportunidad para realmente marcar la diferencia. Al ser parte de discusiones y decisiones de consecuencia, mi objetivo era tener un impacto significativo en los problemas del mundo.
Pronto te desilusionaste con las Naciones Unidas, ¿cómo fue que luego decidiste trabajar en tecnología?
- La Guía Definitiva para Entrenar BERT desde Cero El Tokenizador
- Meta AI lanza BELEBELE el primer punto de referencia de evaluación ...
- Wild Wild RAG… (Parte 1)
La desilusión con las Naciones Unidas estaba arraigada en su naturaleza lenta y burocrática, lo que eventualmente provocó un cambio en mis aspiraciones profesionales. Si bien las Naciones Unidas tenían sus ventajas, me di cuenta de que a menudo carecía de una acción efectiva y la capacidad de impulsar un cambio auténtico. Esta realización me llevó a redirigir mi enfoque hacia el ámbito de la tecnología, un espacio dinámico y sin restricciones.
En el mundo de la tecnología, las herramientas innovadoras están disponibles y en constante avance, otorgando a las personas la capacidad de generar transformación sin obstáculos innecesarios. Este entorno fomenta la transformación de ideas en realidad, sin obstáculos innecesarios de permisos, un aspecto que realmente me fascinó. El potencial de tener un impacto sustancial y generalizado a través de la tecnología se convirtió en un llamado irresistible, que me impulsó a sumergirme en este vibrante campo.
¿Cuáles fueron algunos de los primeros proyectos de datos en los que trabajaste?
Uno de mis proyectos anteriores fue crear una aplicación enfocada en la salud mental de los adolescentes. La aplicación utilizaba datos hápticos pasivos e inteligencia conversacional para identificar signos tempranos de trastorno bipolar. En ese momento, el campo de procesamiento de lenguaje natural no estaba tan avanzado como lo está hoy, lo cual es bastante notable considerando que fue hace solo unos seis años cuando se inició este proyecto. Nuestro trabajo fue una de las primeras iniciativas de investigación y desarrollo en este espacio, y luego vendimos nuestra propiedad intelectual a aseguradoras para análisis y suscripción internos.
Anteriormente invertiste en empresas de IA y ML a través de AI Seed con sede en Londres, ¿cuáles fueron algunas de las características comunes que observaste en las startups de IA exitosas?
Un hilo constante fue tener acceso exclusivo a datos, junto con la capacidad de aprovechar estos datos para abordar problemas del mundo real. Además, es crucial reconocer que dentro del ámbito de las empresas de IA aplicada, el énfasis va más allá de solo construir modelos; se centra en la creación de productos impactantes y valiosos. Los equipos que comprenden y adoptan este punto de vista son los que realmente prosperan en el panorama de IA/ML. Por ejemplo, Predina utiliza IA para predecir el riesgo de un accidente de vehículo en un lugar y momento determinado, mientras que Observe Technologies utiliza algoritmos propietarios para apoyar el crecimiento sostenible de granjas de peces.
¿Podrías compartir la historia de origen detrás de Ntropy?
Ntropy nació de la idea de que parte de la información más importante del mundo se encuentra oculta en transacciones financieras. Hasta ahora, estos datos han estado en silos, lo que dificulta su manejo. Creamos Ntropy para ser el primer motor de datos financieros verdaderamente global, transversal a industrias, geografías y multilingüe, que pueda ofrecer precisión a nivel humano. Al crear un lenguaje común y un sistema para comprender los datos financieros, estamos igualando la confianza y el acceso al dinero para empresas y personas en cualquier lugar. Al tener la capacidad de comprender e interpretar estas transacciones, se puede redefinir la dinámica del dinero, junto con su accesibilidad.
Tuvimos una historia de inicio bastante arquetípica. Al principio, mi cofundador Ilia y yo trabajábamos en el sótano abandonado y polvoriento de un edificio escolar. Comenzamos con 20.000 transacciones y un modelo BERT destilado entrenado en ellas. Los datos se obtuvieron de una aplicación de consumo en Typeform con una conexión a Plaid, y contamos con el apoyo de amigos y familiares. Trabajábamos largas horas y teníamos dificultades económicas al principio, pero estábamos impulsados por la determinación y la dedicación a este negocio.
Avancemos hasta hoy, nuestro viaje nos ha llevado a analizar y etiquetar miles de millones de transacciones. Como resultado, ahora tenemos una de las bases de datos de comerciantes más completas del mundo, con cerca de 100M+ comerciantes enriquecidos con nombres, direcciones, etiquetas de la industria y más. Hemos ampliado constantemente nuestro repositorio de transacciones: aprovechar el poder de los LLMs en estos datos financieros ha brindado una eficiencia y velocidad incomparables. Esta capacidad tiene el potencial de revolucionar el panorama financiero.
¿Por qué los datos financieros son uno de los grandes igualadores?
Los datos financieros emergen como un poderoso igualador debido a su capacidad para nivelar el campo de juego, reducir la incertidumbre y fomentar la confianza. Cuando los datos son abundantes y refinados, esto se traduce en una disminución de los riesgos asociados con la toma de decisiones financieras. A medida que el riesgo se vuelve más manejable, se produce un cambio. El costo de la incertidumbre disminuye, lo que permite a las personas tomar decisiones más informadas y equitativas, lo que a su vez nivelar el campo de juego. Por ejemplo, si tenemos un mayor acceso a datos y ya no tomamos decisiones basadas en un conjunto muy limitado de parámetros, un inmigrante nuevo tiene el mismo potencial que alguien de una línea familiar muy establecida para obtener condiciones favorables en un préstamo para un automóvil o una hipoteca. Básicamente, el obstáculo presentado por los desequilibrios financieros comienza a disolverse, lo que introduce una era en la que un rango más amplio de personas puede acceder a oportunidades financieras ventajosas.
¿Cuáles son algunos de los desafíos detrás de la construcción de una IA que pueda leer y comprender transacciones financieras como lo haría un ser humano?
Desarrollar una IA capaz de comprender transacciones financieras como los seres humanos es un desafío debido a su naturaleza probabilística, lo que puede llevar a errores. A diferencia de los seres humanos, los sistemas de IA aún carecen de estructuras de responsabilidad. El desafío principal es refinar los sistemas de IA para reducir los errores y su impacto al tiempo que se garantiza la escalabilidad. Curiosamente, los modelos más grandes pueden aliviar este desafío al mejorar gradualmente la precisión con el tiempo. Las capacidades amplificadas y una gran cantidad de datos pueden mejorar la precisión interpretativa de la IA, lo que finalmente cultiva un entorno más indulgente y tolerante a errores y acelera la adopción generalizada de estos sistemas.
¿Puede hablar sobre cómo Ntropy ofrece datos financieros estandarizados?
Ntropy funciona como una plataforma integral que combina una variedad de modelos de lenguaje, desde los más extensos hasta los más compactos, en conjunto con heurísticas. Estos modelos se entrenan utilizando datos financieros sin procesar, conocimientos expertos y muestras etiquetadas por máquinas. Nuestro objetivo es extraer información significativa de una variedad de cadenas de transacciones y presentarla de manera cohesiva y fácilmente comprensible. Nuestra suite incluye APIs y un panel intuitivo que permite la conversión rápida de datos financieros en milisegundos. Esta funcionalidad se integra sin problemas en los productos y servicios de los usuarios.
¿Cuáles son algunos de los casos de uso de estos datos?
Las aplicaciones de estos datos son extensas y abarcan la totalidad de las operaciones financieras. Empodera diversas funciones, incluyendo pagos, suscripciones, contabilidad, inversiones y más. La adaptabilidad de los datos se hace evidente en su capacidad para impactar varios aspectos de las actividades financieras, ya sea en transferencias de fondos, mantenimiento de registros meticuloso o optimización de la utilización de capital.
Consideremos transacciones bancarias o una aplicación de presupuesto. Una breve mirada revela las dificultades para comprender las compras debido a nombres y descripciones de comerciantes no estándar. Si bien muchas empresas han intentado abordar este problema a través de soluciones internas, a menudo no logran escalabilidad, mantenimiento y generalización. Un modelo personalizado generalmente tiene una precisión de solo el 60-70% y puede tardar meses en construirse.
La tecnología de Ntropy combina miles de millones de puntos de datos de bases de datos de comerciantes globales, motores de búsqueda y modelos de lenguaje entrenados en una versión condensada de la web para procesar datos bancarios en cuatro continentes diferentes y más de seis idiomas diferentes. Estamos permitiendo el uso de grandes modelos de lenguaje a escala en finanzas para respaldar todas las funciones de back-office.
¿Cuál es su visión para el futuro de Ntropy?
Nuestra visión para Ntropy es clara: aspiramos a convertirnos en la compañía Vertical de IA líder en servicios financieros. Nuestra sólida base de datos e intuición, respaldada por un equipo dedicado, nos ha posicionado de manera única para impulsar un cambio real. Entonces, ¿qué significa esto en la práctica? Se trata de aprovechar los últimos avances para transformar las finanzas y desbloquear nuevos niveles de productividad que antes estaban fuera de alcance.
Todos sabemos que la banca puede ser costosa. Pero imagina si pudiéramos cambiar eso. Al reducir los costos, no solo estamos recortando gastos, sino que estamos fomentando una competencia saludable, mejorando la economía del sistema y, en última instancia, haciendo que los servicios financieros sean más accesibles y eficientes para todos. Ese es el futuro hacia el que estamos trabajando: un panorama financiero más justo y fácil de usar.
Gracias por la excelente entrevista, los lectores que deseen obtener más información deben visitar Ntropy.
