Naré Vardanyan, Co-Founder & CEO of Ntropy – Interview Series

Naré Vardanyan, Co-Founder & CEO of Ntropy, einer Plattform, die es Entwicklern ermöglicht, Finanztransaktionen in unter 100ms mit übermenschlicher Genauigkeit zu parsen, und damit den Weg für eine neue Generation autonomer Finanzen ebnet, und Produkte und Dienstleistungen ermöglicht, die bisher noch nie 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 arbeiten?

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 einer Konfliktzone aufgewachsen sind, hatte diese Periode in meinem Leben einen tiefgreifenden Einfluss darauf, wie ich die Welt sehe. Diese anspruchsvollen Umstände nährten 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 den Ruf, auf einer breiteren Ebene zu denken und meine Bemühungen zu kanalisieren. Dies führte mich letztendlich zu den Vereinten Nationen.

Die Vereinten Nationen erschienen als ideale Plattform, um sinnvoll beizutragen. Angesichts der prekären geopolitischen Position Armeniens und meiner Aspiration, globale Angelegenheiten zu beeinflussen, glaubte ich, dass die Zusammenarbeit mit den Vereinten Nationen eine Gelegenheit bieten würde, einen echten Unterschied zu machen. Durch die Teilnahme an bedeutungsvollen Diskussionen und Entscheidungen zielte ich darauf ab, einen sinnvollen Einfluss auf die Probleme der Welt zu haben.

Sie wurden bald von den Vereinten Nationen enttäuscht, wie wechselten Sie dann zu dem Wunsch, in der Technologiebranche zu arbeiten?

Die Enttäuschung mit den Vereinten Nationen hatte ihre Wurzeln in ihrer langsamen und bürokratischen Natur, was letztendlich zu einem Wechsel in meinen Karriereaspirationen führte. Während die Vereinten Nationen ihre Vorteile hatten, erkannte ich, dass sie oft an effektivem Handeln und der Fähigkeit, echte Veränderungen herbeizuführen, mangelten. Diese Erkenntnis leitete mich dazu, meine Aufmerksamkeit auf den Bereich der Technologie zu richten – einen dynamischen und unbeschränkten Raum.

In der Welt der Technologie stehen innovative Werkzeuge bereit und entwickeln sich ständig weiter, was Einzelpersonen die Fähigkeit gibt, Veränderungen herbeizuführen, ohne unnötige Hürden. Diese Umgebung ermöglicht die Umsetzung von Ideen in die Realität, unbehindert von unnötigen Genehmigungen – ein Aspekt, der mich wirklich faszinierte. Das Potenzial, durch Technologie einen erheblichen, weitreichenden Einfluss auszuüben, wurde zu einem unwiderstehlichen Ruf, der mich dazu zwang, mich in dieses lebendige Feld zu vertiefen.

Was waren einige der ersten Datenprojekte, an denen Sie arbeiteten?

Eines meiner frühen Projekte war die Erstellung einer App, die sich auf die psychische Gesundheit von Teenagern konzentrierte. Die App nutzte passive Haptik-Daten und konversationelle Intelligenz, um frühe Anzeichen von bipolaren Störungen zu erkennen. Zu dieser Zeit war das Feld der natürlichen Sprachverarbeitung nicht so fortgeschritten wie heute, was bemerkenswert 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, welche gemeinsamen Merkmale haben Sie bei erfolgreichen AI-Startups beobachtet?

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 im Bereich der angewandten AI-Unternehmen der Schwerpunkt über die bloße Konstruktion von Modellen hinausgeht; er verlagert sich auf die Schaffung von wirksamen, wertvollen Produkten. Teams, die diese Perspektive erfassen und akzeptieren, sind diejenigen, die tatsächlich in der AI/ML-Landschaft gedeihen. Zum Beispiel verwendet Predina AI, um das Risiko eines Fahrzeugunfalls für einen bestimmten Ort und Zeitpunkt vorherzusagen, während Observe Technologies proprietäre Algorithmen verwendet, um Fischfarmen zu unterstützen, um Nahrungsmittel nachhaltig anzubauen.

Können Sie die Entstehungsgeschichte hinter Ntropy teilen?

Ntropy wurde aus der Idee geboren, dass einige der wichtigsten Informationen der Welt in Finanztransaktionen versteckt 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 klassische Startup-Geschichte. Am Anfang operierten mein Co-Founder Ilia und ich aus 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 unsere Entschlossenheit und Hingabe an dieses Geschäft trieben uns voran.

Im Laufe der Zeit hat uns unsere Reise dazu geführt, Milliarden von Transaktionen zu analysieren und zu beschriften. 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 unser Transaktionsrepository kontinuierlich erweitert – die Nutzung von LLMs auf diesen Finanzdaten hat uns eine unvergleichliche Kosteneffizienz und Geschwindigkeit beschert. Diese Fähigkeit hat das Potenzial, die Finanzlandschaft zu revolutionieren.

Warum sind Finanzdaten einer der großen Gleichmacher?

Finanzdaten treten als mächtiger 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 handhabbar wird, geschieht ein Wandel. Die Kosten der Unsicherheit sinken, was Einzelpersonen ermöglicht, informiertere und gerechtere Entscheidungen zu treffen, was wiederum das Spielfeld nivelliert. Zum Beispiel, wenn wir besseren Zugang zu Daten haben und nicht mehr auf der Grundlage eines sehr engen Satzes von Parametern entscheiden, hat ein neuer Einwanderer das gleiche Potenzial wie jemand aus einer etablierten Linie, um günstige Konditionen für einen Autokredit oder eine Hypothek zu erhalten. Im Wesentlichen beginnt das Hindernis, das durch finanzielle Ungleichgewichte dargestellt wird, zu verschwinden, und eine Ära, in der eine breitere Palette von Menschen Zugang zu vorteilhaften Finanzmöglichkeiten haben kann, 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 probabilistischen Natur, die zu Fehlern führen kann. Im Gegensatz zu Menschen fehlen KI-Systemen noch Rechenschaftspflichtsstrukturen. Die Hauptherausforderung besteht darin, KI-Systeme zu verfeinern, um Fehler und ihre Auswirkungen zu reduzieren, während sie gleichzeitig Skalierbarkeit gewährleisten. Interessanterweise können größere Modelle diese Herausforderung lindern, indem sie allmählich die Genauigkeit über die Zeit verbessern. 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 hin zu den kompaktesten, in Kombination mit Heuristiken. Diese Modelle werden mithilfe von rohen Finanzdaten, Expertenwissen und maschinell beschrifteten Proben trainiert. Unser Ziel ist es, bedeutungsvolle Erkenntnisse aus einer Vielzahl von Transaktionszeichenfolgen zu extrahieren und sie kohärent in einer leicht verständlichen Weise darzustellen. Unser Angebot umfasst APIs und ein benutzerfreundliches 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 umspannen 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 beim Verstehen von Käufen aufgrund nicht standardisierter Händlernamen und -beschreibungen. Während viele Unternehmen versucht haben, dieses Problem durch interne Lösungen anzugehen, fallen sie oft in Bezug auf Skalierbarkeit, Wartung und Verallgemeinerung short. Ein benutzerdefiniertes Modell ist normalerweise nur 60-70% genau und kann Monate dauern, um es zu erstellen.

Ntropys Technologie kombiniert Milliarden von Datenpunkten aus globalen Händlerdatenbanken, Suchmaschinen und Sprachmodellen, die auf einer kondensierten Version des Web trainiert wurden, um Bankdaten über vier verschiedene Kontinente und sechs oder mehr Sprachen hinweg zu verarbeiten. Wir ermöglichen die Nutzung großer Sprachmodelle im Maßstab in der Finanzwirtschaft, um alle Backoffice-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. Unser solider Grundstein an Daten und Intuition, unterstützt von einem engagierten Team, hat uns einzigartig positioniert, um echte Veränderungen herbeizuführen. Was bedeutet das also in der Praxis? Es geht darum, die neuesten Fortschritte zu nutzen, um die Finanzen zu transformieren und neue Produktivitätsniveaus zu erschließen, die bisher außer Reichweite lagen.

Wir alle wissen, dass Banking teuer sein kann. Aber stellen Sie sich vor, wir könnten das ändern. Durch die Senkung der Kosten schneiden wir nicht nur Ausgaben, sondern fördern auch gesunden Wettbewerb, verbessern die Ökonomie des Systems und machen Finanzdienstleistungen letztendlich für jeden zugänglicher und effizienter. Das ist die Zukunft, an die wir arbeiten – eine Finanzlandschaft, die fairer und benutzerfreundlicher ist.

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