Naré Vardanyan, Co-Fundadora y CEO de Ntropy – Serie de Entrevistas
Naré Vardanyan, Co-Fundadora y CEO de Ntropy - Entrevistas
Naré Vardanyan, Co-Fundadora y CEO de Ntropy, una plataforma que permite a los desarrolladores analizar transacciones financieras en menos de 100 ms con una precisión sobrehumana, desbloqueando el camino hacia una nueva generación de finanzas autónomas, impulsando productos y servicios que nunca antes habían sido posibles. Convierte flujos de transacciones en bruto en información contextualizada y estructurada mediante la combinación de datos de múltiples fuentes, incluyendo modelos de lenguaje natural, motores de búsqueda, bases de datos internas, APIs externas y datos de transacciones existentes de toda nuestra red.
Creciste en Armenia, sin electricidad durante una guerra. ¿Podrías compartir algunos detalles sobre estos primeros días y cómo te llevaron a trabajar para las Naciones Unidas?
Esa experiencia fue compartida por toda una generación en Armenia. En mí, fomentó 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 para lograr un cambio positivo. Al darme cuenta de que nuestros desafíos iban más allá de las luchas individuales, sentí un llamado a pensar a una escala más amplia 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 marcar realmente la diferencia. Al formar parte de discusiones y decisiones trascendentales, mi objetivo era tener un impacto significativo en los problemas del mundo.
Pronto te desilusionaste con las Naciones Unidas, ¿cómo pasaste entonces a querer trabajar en tecnología?
- Canción de Drake generada por IA presentada para los Grammy Un mome...
- Transformación digital en Finanzas Cómo el Aprendizaje Automático e...
- Hoja de trucos de flujo de control en Python
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 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 e inrestrictivo.
En el mundo de la tecnología, herramientas innovadoras están disponibles y avanzan constantemente, otorgando a las personas la capacidad de generar transformaciones sin obstáculos innecesarios. Este entorno fomenta la transformación de ideas en realidad, sin restricciones por permisos innecesarios, 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 primeros proyectos 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 del procesamiento del lenguaje natural no estaba tan avanzado como lo está hoy, lo cual es bastante notable considerando que fue hace apenas unos seis años cuando se inició este proyecto. Nuestro trabajo fue una de las primeras iniciativas de investigación y desarrollo en este espacio, y posteriormente vendimos nuestra propiedad intelectual a aseguradoras para análisis internos y suscripción.
Anteriormente invertiste en compañías 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 exitosas de IA?
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 compañías de IA aplicada, el énfasis va más allá de simplemente construir modelos; se desplaza hacia 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 la IA/ML. Por ejemplo, Predina utiliza IA para predecir el riesgo de un accidente de vehículo en una ubicación y momento dados, mientras que Observe Technologies utiliza algoritmos propietarios para apoyar la producción sostenible de alimentos en 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 las transacciones financieras. Hasta ahora, estos datos han estado en silos, lo cual es desordenado y difícil de manejar. Creamos Ntropy para ser el primer motor de datos financieros verdaderamente global, intersectorial, intergeográfico y multilingüe que puede proporcionar una precisión a nivel humano. Al crear un lenguaje y sistema comunes para comprender los datos financieros, estamos igualando la confianza y el acceso al dinero para empresas e individuos en cualquier lugar. Al tener la capacidad de comprender e interpretar estas transacciones, se pueden redefinir las dinámicas del dinero y su accesibilidad.
Tenemos una historia de inicio bastante arquetípica. Al principio, mi co-fundador Ilia y yo operábamos desde un sótano abandonado y polvoriento de una escuela. Comenzamos con 20 mil transacciones y un modelo BERT destilado entrenado en ellas. Los datos se obtuvieron de una aplicación para consumidores en Typeform con una conexión Plaid, y contamos con el apoyo de amigos y familiares. Trabajábamos largas horas y teníamos escasez de dinero al principio, pero impulsados por la determinación y dedicación a este negocio.
Avancemos rápidamente 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 sin precedentes. Esta capacidad tiene el potencial de revolucionar el panorama financiero.
¿Por qué los datos financieros son uno de los grandes igualadores?
Los datos financieros se convierten en un igualador poderoso debido a su capacidad para nivelar el campo de juego, reducir la incertidumbre y fomentar la confianza. Cuando los datos son abundantes y refinados, 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 nivelará el campo de juego. Por ejemplo, si tenemos un mayor acceso a los datos y ya no tomamos decisiones basadas en un conjunto de parámetros muy limitado, un nuevo inmigrante tiene el mismo potencial que alguien de un linaje bien establecido para obtener condiciones favorables en un préstamo automotriz o una hipoteca. Esencialmente, el obstáculo presentado por los desequilibrios financieros comienza a disolverse, introduciendo una era en la que una gama más amplia de personas puede acceder a oportunidades financieras ventajosas.
¿Cuáles son algunos de los desafíos para construir una inteligencia artificial que pueda leer y comprender transacciones financieras como lo haría un humano?
Desarrollar una IA capaz de comprender transacciones financieras como lo hacen los humanos es un desafío debido a su naturaleza probabilística, lo que puede llevar a errores. A diferencia de los humanos, los sistemas de IA aún carecen de estructuras de responsabilidad. El principal desafío 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 mitigar 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, cultivando finalmente un entorno más tolerante a errores y acelerando la adopción generalizada de estos sistemas.
¿Puede hablar sobre cómo Ntropy ofrece datos financieros estandarizados?
Ntropy funciona como una plataforma integral que reúne un espectro de modelos de lenguaje, desde los más extensos hasta los más compactos, junto con heurísticas. Estos modelos se entrenan utilizando datos financieros sin procesar, conocimientos de expertos y muestras etiquetadas por máquina. Nuestro objetivo es extraer ideas significativas de una variedad de cadenas de transacciones y presentarlas de manera cohesiva de forma 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 toda la operación financiera. Empoderan funciones diversas que incluyen pagos, suscripciones, contabilidad, inversión 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, registros meticulosos o optimización de la utilización de capital.
Consideremos las transacciones bancarias o una aplicación de presupuesto. Una mirada rápida 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 quedan cortas en términos de escalabilidad, mantenimiento y generalización. Un modelo personalizado generalmente tiene una precisión del 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 en más de seis idiomas diferentes. Estamos habilitando el uso de modelos de lenguaje grandes a gran escala en finanzas para respaldar todas las funciones de oficina.
¿Cuál es su visión para el futuro de Ntropy?
Nuestra visión para Ntropy es clara: queremos convertirnos en la compañía de IA vertical de referencia para servicios financieros. Nuestra sólida base de datos y nuestra intuición, respaldadas por un equipo dedicado, nos han 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 reduciendo gastos, sino que también fomentamos una competencia saludable, mejoramos la economía del sistema y, en última instancia, hacemos 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 gran entrevista, los lectores que deseen obtener más información deben visitar Ntropy.
