Naré Vardanyan, Mitgründer & CEO von Ntropy – Interview-Serie

Naré Vardanyan, Mitgründer und CEO von Ntropy, einer Plattform, die es Entwicklern ermöglicht, Finanztransaktionen in unter 100ms mit übermenschlicher Genauigkeit zu parsen und so den Weg zu einer neuen Generation autonomer Finanzen ebnet, die Produkte und Dienstleistungen ermöglicht, die bisher nicht möglich waren. Sie wandelt rohe Transaktionsströme in kontextualisierte, strukturierte Informationen um, indem sie Daten aus mehreren Quellen kombiniert, einschließlich natürlicher Sprachmodelle, Suchmaschinen, interner Datenbanken, externer APIs und bestehender Transaktionsdaten aus unserem Netzwerk.

Sie sind in Armenien aufgewachsen, ohne Strom während eines Krieges. Können Sie einige Details über diese frühen Tage teilen und wie dies dazu führte, dass Sie für die Vereinten Nationen arbeiteten?

Diese Erfahrung wurde von einer ganzen Generation in Armenien geteilt. Sie förderte in mir eine Vorstellungskraft und die Fähigkeit, Lösungen zu finden, auch mit wenig Mitteln. Wie andere, die in einem Konfliktgebiet aufgewachsen sind, hatte diese Periode in meinem Leben einen tiefgreifenden Einfluss auf meine Weltsicht. Diese anspruchsvollen Umstände förderten ein Gefühl der gemeinsamen Verantwortung innerhalb der Gemeinschaft und einen entschlossenen Antrieb, positive Veränderungen herbeizuführen. Als ich erkannte, dass unsere Herausforderungen über individuelle Kämpfe hinausgingen, fühlte ich mich zu einem breiteren Denken und zu einem Kanal für meine Bemühungen gerufen. Dies führte mich zu den Vereinten Nationen.

Die Vereinten Nationen erschienen als ideale Plattform, um sinnvoll beizutragen. Angesichts der prekären geopolitischen Lage Armeniens und meines Wunsches, globale Angelegenheiten zu beeinflussen, glaubte ich, dass die Zusammenarbeit mit den Vereinten Nationen eine Chance bieten würde, wirklich einen Unterschied zu machen. Durch die Teilnahme an bedeutungsvollen Diskussionen und Entscheidungen wollte ich einen bedeutungsvollen Einfluss auf die Probleme der Welt haben.

Sie wurden bald von den Vereinten Nationen enttäuscht. Wie kamen Sie dann auf die Idee, in der Technologiebranche zu arbeiten?

Die Enttäuschung mit den Vereinten Nationen hatte ihre Wurzeln in ihrer langsamen und bürokratischen Natur, was letztendlich zu einer Änderung meiner Karriereaspirationen führte. Während die Vereinten Nationen ihre Vorteile hatten, erkannte ich, dass sie oft an effektiven Maßnahmen und der Fähigkeit, authentische Veränderungen herbeizuführen, mangelten. Diese Erkenntnis führte mich dazu, meine Aufmerksamkeit auf den Bereich der Technologie zu richten – ein dynamischer und unbeschränkter Raum.

In der Welt der Technologie sind innovative Werkzeuge leicht zugänglich und entwickeln sich ständig weiter, was Einzelpersonen die Möglichkeit gibt, Veränderungen herbeizuführen, ohne unnötige Hürden. Diese Umgebung ermöglicht die Umsetzung von Ideen in die Realität, unbehindert durch unnötige Genehmigungen – ein Aspekt, der mich wirklich faszinierte. Das Potenzial, durch Technologie einen wesentlichen, weitreichenden Einfluss zu haben, wurde zu einem unwiderstehlichen Ruf, der mich dazu bewog, mich in diesem lebendigen Bereich zu engagieren.

Was waren einige der ersten Datenprojekte, an denen Sie gearbeitet haben?

Eines meiner frühen Projekte war die Erstellung einer App, die sich auf die psychische Gesundheit von Teenagern konzentrierte. Die App verwendete passive Haptik-Daten und konversationelle Intelligenz, um frühe Anzeichen von bipolarer Störung zu erkennen. Zu dieser Zeit war das Feld der natürlichen Sprachverarbeitung nicht so fortgeschritten wie heute, was erstaunlich ist, wenn man bedenkt, dass dies nur etwa sechs Jahre ago war, als dieses Projekt initiiert wurde. Unsere Arbeit war eines der ersten Forschungs- und Entwicklungsinitiativen in diesem Bereich, und wir verkauften später unsere geistigen Eigentumsrechte an Versicherer für interne Analysen und Underwriting.

Sie haben zuvor in AI- und ML-Unternehmen durch die Londoner AI Seed investiert. Was waren einige der gemeinsamen Merkmale, die Sie bei erfolgreichen AI-Startups beobachtet haben?

Ein konstanter Faden war der exklusive Zugang zu Daten sowie die Fähigkeit, diese Daten zu nutzen, um reale Probleme zu lösen. Darüber hinaus ist es wichtig zu erkennen, dass sich der Schwerpunkt innerhalb der angewandten AI-Unternehmen von der bloßen Konstruktion von Modellen auf die Schaffung von einflussreichen, wertvollen Produkten verlagert. Teams, die diese Perspektive verstehen und annehmen, sind diejenigen, die wirklich in der AI/ML-Landschaft gedeihen. Zum Beispiel verwendet Predina AI, um das Risiko eines Fahrzeugunfalls an einem bestimmten Ort und zu einer bestimmten Zeit vorherzusagen, während Observe Technologies proprietäre Algorithmen verwendet, um Fischfarmen zu unterstützen, um Nahrung nachhaltig zu produzieren.

Können Sie die Entstehungsgeschichte hinter Ntropy teilen?

Ntropy entstand aus der Idee, dass einige der wichtigsten Informationen der Welt in Finanztransaktionen verborgen sind. Bisher lebten diese Daten in Silos, was chaotisch und schwierig zu bearbeiten ist. Wir haben Ntropy geschaffen, um die erste wirklich globale, branchenübergreifende, geoübergreifende und mehrsprachige Finanzdaten-Engine zu sein, die menschliche Genauigkeit bieten kann. Durch die Schaffung einer gemeinsamen Sprache und eines Systems, um Finanzdaten zu verstehen, gleichen wir Vertrauen und Zugang zu Geld für Unternehmen und Einzelpersonen auf der ganzen Welt aus. Durch die Fähigkeit, diese Transaktionen zu verstehen und zu interpretieren, können die Dynamiken des Geldes neu definiert und der Zugang dazu verbessert werden.

Wir haben eine typische Startup-Geschichte. Am Anfang arbeiteten mein Mitgründer Ilia und ich in einem verlassenen, staubigen Schulgebäudekeller. Wir begannen mit 20.000 Transaktionen und einem destillierten BERT-Modell, das auf ihnen trainiert wurde. Die Daten wurden aus einer Consumer-App auf Typeform mit einer Plaid-Verbindung bootstrapped und von Freunden und Familie unterstützt. Wir arbeiteten lange Stunden und waren am Anfang knapp bei Kasse, aber von Entschlossenheit und Hingabe an dieses Geschäft getrieben.

Wenn wir heute voranschreiten, hat uns unsere Reise dazu geführt, Milliarden von Transaktionen zu analysieren und zu kennzeichnen. Als Ergebnis haben wir jetzt eine der umfassendsten Händlerdatenbanken der Welt mit fast 100 Millionen Händlern, die mit Namen, Adressen, Branchentags und mehr angereichert sind. Wir haben unsere Transaktionsrepository kontinuierlich erweitert – die Nutzung von LLMs auf diese Finanzdaten hat uns eine unvergleichliche Kosteneffizienz und Geschwindigkeit gebracht. Diese Fähigkeit hat das Potenzial, die Finanzlandschaft zu revolutionieren.

Warum sind Finanzdaten einer der großen Gleichmacher?

Finanzdaten erweisen sich als mächtige Gleichmacher aufgrund ihrer Fähigkeit, das Spielfeld zu nivellieren, Unsicherheit zu reduzieren und Vertrauen zu fördern. Wenn Daten reichlich und raffiniert sind, übersetzen sie sich in verringerte Risiken im Zusammenhang mit finanziellen Entscheidungen. Wenn das Risiko handhabbarer wird, geschieht ein Wandel. Die Kosten der Unsicherheit verringern sich, was es Einzelpersonen ermöglicht, informiertere und gerechtere Entscheidungen zu treffen, was wiederum das Spielfeld nivelliert. Zum Beispiel hat, wenn wir besseren Zugang zu Daten haben und nicht mehr auf der Grundlage eines sehr engen Satzes von Parametern entscheiden, ein neuer Einwanderer das gleiche Potenzial wie jemand aus einer etablierten Linie, um günstige Konditionen für einen Autokredit oder Hypothek zu sichern. Im Wesentlichen beginnt die Hürde, die durch finanzielle Ungleichgewichte dargestellt wird, zu verschwinden, und eine Ära, in der eine breitere Palette von Menschen Zugang zu vorteilhaften Finanzmöglichkeiten hat, beginnt.

Was sind einige der Herausforderungen beim Aufbau eines KI-Systems, das Finanztransaktionen wie ein Mensch lesen und verstehen kann?

Die Entwicklung eines KI-Systems, das Finanztransaktionen wie ein Mensch verstehen kann, ist herausfordernd aufgrund seiner wahrscheinlichen Natur, die zu Fehlern führen kann. Im Gegensatz zu Menschen fehlt es KI-Systemen noch an Rechenschaftspflichtsstrukturen. Die Hauptherausforderung besteht darin, KI-Systeme zu verfeinern, um Fehler und ihre Auswirkungen zu reduzieren, während sie gleichzeitig Skalierbarkeit sicherstellen. Interessanterweise können größere Modelle diese Herausforderung durch die allmähliche Verbesserung der Genauigkeit über die Zeit hinweg lindern. Erhöhte Fähigkeiten und eine Fülle von Daten können die interpretative Genauigkeit von KI verbessern und letztendlich eine tolerantere Fehlerumgebung schaffen und die weitverbreitete Akzeptanz dieser Systeme beschleunigen.

Können Sie erläutern, wie Ntropy standardisierte Finanzdaten anbietet?

Ntropy fungiert als umfassende Plattform, die ein Spektrum von Sprachmodellen umfasst, von den umfassendsten bis zu den kompaktesten, in Kombination mit Heuristiken. Diese Modelle werden mit rohen Finanzdaten, Expertenmeinungen und maschinell gekennzeichneten Proben trainiert. Unser Ziel ist es, bedeutungsvolle Erkenntnisse aus einer Vielzahl von Transaktionszeichen zu extrahieren und sie kohärent in einer leicht verständlichen Weise darzustellen. Unser Angebot umfasst APIs und ein intuitives Dashboard, das die schnelle Umwandlung von Finanzdaten innerhalb von Millisekunden ermöglicht. Diese Funktionalität integriert sich nahtlos in die Produkte und Dienstleistungen der Benutzer.

Was sind einige der Anwendungsfälle hinter diesen Daten?

Die Anwendungen für diese Daten sind umfassend und umfassen den gesamten Finanzbetrieb. Sie ermöglichen diverse Funktionen, einschließlich Zahlungen, Underwriting, Buchhaltung, Investitionen und mehr. Die Anpassungsfähigkeit der Daten wird in ihrer Fähigkeit deutlich, verschiedene Aspekte von Finanzaktivitäten zu beeinflussen, sei es bei der Überweisung von Geld, der sorgfältigen Aufzeichnung oder der Optimierung der Kapitalnutzung.

Betrachten Sie beispielsweise Banktransaktionen oder eine Budget-App. Ein kurzer Blick offenbart die Schwierigkeiten, Einkäufe aufgrund nicht standardisierter Händlernamen und -beschreibungen zu verstehen. Während viele Unternehmen versucht haben, dieses Problem durch interne Lösungen anzugehen, fallen sie oft in Bezug auf Skalierbarkeit, Wartung und Allgemeingültigkeit kurz. Ein benutzerdefinierter Modell ist normalerweise nur 60-70% genau und kann Monate dauern, um aufgebaut zu werden.

Ntropys Technologie kombiniert Milliarden von Datenpunkten aus globalen Händlerdatenbanken, Suchmaschinen und Sprachmodellen, die auf einer kondensierten Version des Internets trainiert wurden, um Bankdaten über vier verschiedene Kontinente und sechs verschiedene Sprachen hinweg zu verarbeiten. Wir ermöglichen die Nutzung großer Sprachmodelle im Finanzwesen, um alle Back-Office-Funktionen zu unterstützen.

Was ist Ihre Vision für die Zukunft von Ntropy?

Unsere Vision für Ntropy ist klar: Wir streben danach, das führende Vertikal-AI-Unternehmen für Finanzdienstleistungen zu werden. Unsere solide Grundlage an Daten und Intuition, unterstützt durch ein engagiertes Team, hat uns einzigartig positioniert, um echte Veränderungen herbeizuführen. Was bedeutet dies in der Praxis? Es geht darum, die neuesten Fortschritte zu nutzen, um die Finanzen zu transformieren und neue Produktivitätsniveaus freizuschalten, die bisher unerreichbar waren.

Wir alle wissen, dass das Bankwesen teuer sein kann. Aber stellen Sie sich vor, wir könnten dies ändern. Durch die Reduzierung der Kosten fördern wir nicht nur gesunde Konkurrenz, sondern verbessern auch die Ökonomie des Systems und machen letztendlich Finanzdienstleistungen für jeden zugänglicher und effizienter. Das ist die Zukunft, auf die wir hinarbeiten – eine finanzielle Landschaft, die fairer und benutzerfreundlicher ist.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Ntropy besuchen.