Naré Vardanyan, Co-Fondateur et PDG de Ntropy – Série d’entretiens

Naré Vardanyan, Co-Fondateur et PDG de Ntropy, une plateforme qui permet aux développeurs de parser des transactions financières en moins de 100 ms avec une précision supérieure à celle de l’homme, ouvrant la voie à une nouvelle génération de finance autonome, alimentant des produits et des services qui n’ont jamais été possibles auparavant. Elle convertit les flux bruts de transactions en informations structurées et contextualisées en combinant des données provenant de multiples sources, notamment des modèles de langage naturel, des moteurs de recherche, des bases de données internes, des API externes et des données de transactions existantes à travers notre réseau.

Vous avez grandi en Arménie, sans électricité pendant la guerre. Pouvez-vous partager certains détails concernant ces premiers jours et comment cela vous a conduit à travailler pour les Nations Unies ?

Cette expérience a été partagée par une génération entière en Arménie. Elle m’a donné un sens de l’imagination et la capacité de trouver des solutions même avec peu de moyens. Comme les autres qui ont grandi dans une zone de conflit, cette période de ma vie a eu un impact profond sur la façon dont je vois le monde. Ces circonstances difficiles ont cultivé un sens de responsabilité partagée au sein de la communauté et une détermination à apporter un changement positif. En réalisant que nos défis dépassaient les luttes individuelles, j’ai ressenti un appel à réfléchir à une échelle plus large et à canaliser mes efforts. Cela m’a conduit vers les Nations Unies.

Les Nations Unies sont apparues comme la plateforme idéale pour contribuer de manière significative. Étant donné la position géopolitique précaire de l’Arménie et mon aspiration à influencer les affaires mondiales, j’ai cru que collaborer avec les Nations Unies offrirait l’opportunité de faire une véritable différence. En faisant partie de discussions et de décisions importantes, j’ai visé à avoir un impact significatif sur les problèmes mondiaux.

Vous vous êtes rapidement déçus des Nations Unies, comment êtes-vous passé de cela à vouloir travailler dans la technologie ?

La déception envers les Nations Unies était enracinée dans sa nature lente et bureaucratique, ce qui a finalement conduit à un changement dans mes aspirations professionnelles. Même si les Nations Unies avaient leurs avantages, j’ai réalisé qu’elles manquaient souvent d’action efficace et de capacité à conduire un changement authentique. Cette prise de conscience m’a guidé pour rediriger mon attention vers le domaine de la technologie – un espace dynamique et sans restrictions.

Dans le monde de la technologie, des outils innovants sont facilement disponibles et constamment améliorés, offrant aux individus la capacité de provoquer une transformation sans obstacles inutiles. Cet environnement favorise la transformation des idées en réalité, sans être entravé par des autorisations inutiles – un aspect qui m’a vraiment fasciné. Le potentiel de provoquer un impact significatif et large à travers la technologie est devenu un appel irrésistible, me poussant à m’immerger dans ce domaine vibrant.

Quels étaient certains de vos premiers projets de données sur lesquels vous avez travaillé ?

L’un de mes premiers projets était la création d’une application axée sur la santé mentale des adolescents. L’application utilisait des données de haptique passive et d’intelligence conversationnelle pour identifier les premiers signes de trouble bipolaire. À l’époque, le domaine du traitement automatique des langues naturelles n’était pas aussi avancé qu’aujourd’hui, ce qui est remarquable étant donné que ce projet a été initié il y a environ six ans. Notre travail a été l’un des premiers initiatives de recherche et de développement dans cet espace, et nous avons plus tard vendu notre propriété intellectuelle aux assureurs pour l’analyse et la souscription internes.

Auparavant, vous avez investi dans des entreprises d’IA et de ML via AI Seed basé à Londres, quels étaient certains traits communs que vous avez observés chez les startups d’IA réussies ?

Un fil conducteur constant était d’avoir un accès exclusif aux données, ainsi que la capacité de exploiter ces données pour résoudre des problèmes du monde réel. De plus, il est crucial de reconnaître que dans le domaine des entreprises d’IA appliquées, l’accent est mis non seulement sur la construction de modèles, mais également sur la création de produits ayant un impact et une valeur. Les équipes qui comprennent et adoptent ce point de vue sont celles qui prospèrent véritablement dans le paysage de l’IA/ML. Par exemple, Predina utilise l’IA pour prédire le risque d’accident de véhicule pour un emplacement et un moment donnés, tandis qu’Observe Technologies utilise des algorithmes propriétaires pour soutenir les fermes de poissons à cultiver de la nourriture de manière durable.

Pouvez-vous partager l’histoire de la genèse de Ntropy ?

Ntropy est née de l’idée que certaines des informations les plus importantes du monde sont cachées dans les transactions financières. Jusqu’à présent, ces données vivaient dans des silos, ce qui est désorganisé et difficile à travailler. Nous avons créé Ntropy pour être le premier véritable moteur de données financières mondial, transindustriel, transgéographique et multilingue capable de fournir une précision de niveau humain. En créant un langage et un système communs pour comprendre les données financières, nous égalisons la confiance et l’accès à l’argent pour les entreprises et les individus partout. En ayant la capacité de comprendre et d’interpréter ces transactions, la dynamique de l’argent peut être redéfinie, ainsi que l’accès à celui-ci.

Nous avons eu une histoire de startup assez archétypale. Au début, mon co-fondateur Ilia et moi travaillions à partir d’un sous-sol d’une école abandonnée et poussiéreuse. Nous avons commencé avec 20 000 transactions et un modèle BERT distillé formé à partir de celles-ci. Les données ont été amorcées à partir d’une application de consommation sur Typeform avec une connexion Plaid, et soutenues par des amis et de la famille. Nous travaillions de longues heures et étions à court d’argent au début, mais nous étions animés par la détermination et la dévotion à cette entreprise.

En avançant dans le temps, notre parcours nous a menés à analyser et à étiqueter des milliards de transactions. En conséquence, nous possédons maintenant l’une des bases de données de marchands les plus complètes au monde, avec près de 100 millions de marchands enrichis de noms, d’adresses, d’étiquettes d’industrie et plus. Nous avons constamment élargi notre référentiel de transactions – en exploitant le pouvoir des LLM sur ces données financières, nous avons livré une efficacité et une rapidité sans précédent. Cette capacité a le potentiel de révolutionner le paysage financier.

Pourquoi les données financières sont-elles l’un des grands égalisateurs ?

Les données financières émergent comme un puissant égalisateur en raison de leur capacité à nivellement le champ de jeu, à réduire l’incertitude et à favoriser la confiance. Lorsque les données sont abondantes et raffinées, cela se traduit par une diminution des risques liés à la prise de décision financière. À mesure que le risque devient plus gérable, un changement se produit. Le coût de l’incertitude diminue, permettant aux individus de prendre des décisions plus éclairées et plus équitables, ce qui à son tour nivele le champ de jeu. Par exemple, si nous avons un accès plus important aux données et que nous ne prenons plus de décisions en fonction d’un ensemble étroit de paramètres, un nouvel immigrant a le même potentiel qu’une personne issue d’une lignée établie pour obtenir des conditions favorables pour un prêt auto ou une hypothèque. Essentiellement, l’obstacle présenté par les déséquilibres financiers commence à disparaître, introduisant une ère où un plus large éventail de personnes peut accéder à des opportunités financières avantageuses.

Quels sont certains des défis derrière la construction d’un IA capable de lire et de comprendre des transactions financières comme le ferait un humain ?

Développer un IA capable de comprendre des transactions financières comme les humains peut l’être est difficile en raison de sa nature probabiliste, qui peut conduire à des erreurs. Contrairement aux humains, les systèmes IA manquent encore de structures de responsabilité. Le principal défi est d’affiner les systèmes IA pour réduire les erreurs et leur impact tout en assurant la scalabilité. Intéressant, les modèles plus grands peuvent alléger ce défi en améliorant progressivement la précision au fil du temps. Les capacités accrues et la richesse des données peuvent améliorer l’exactitude interprétative de l’IA, cultivant finalement un environnement plus tolérant aux erreurs et accélérant l’adoption généralisée de ces systèmes.

Pouvez-vous discuter de la façon dont Ntropy offre des données financières standardisées ?

Ntropy fonctionne comme une plateforme globale, rassemblant un spectre de modèles de langage, allant des plus étendus aux plus compacts, en association avec des heuristiques. Ces modèles sont formés en utilisant des données financières brutes, des connaissances d’experts et des échantillons étiquetés par machine. Notre objectif est d’extraire des informations significatives à partir de diverses chaînes de transactions et de les présenter de manière cohérente et facile à comprendre. Notre suite comprend des API et un tableau de bord intuitif, permettant la conversion rapide des données financières en quelques millisecondes. Cette fonctionnalité s’intègre sans effort dans les produits et services des utilisateurs.

Quels sont certains des cas d’utilisation derrière ces données ?

Les applications pour ces données sont étendues, couvrant l’ensemble des opérations financières. Elle permet diverses fonctions, notamment les paiements, la souscription, la comptabilité, les investissements et plus encore. L’adaptabilité des données devient claire dans sa capacité à avoir un impact sur divers aspects des activités financières, qu’il s’agisse de transferts de fonds, de tenue de dossiers méticuleux ou d’optimisation de l’utilisation du capital.

Considérez les transactions bancaires ou une application de budget. Un coup d’œil rapide révèle les difficultés à comprendre les achats en raison de noms et de descriptions de marchands non standardisés. Alors que de nombreuses entreprises ont tenté de résoudre ce problème par des solutions internes, elles sont souvent limitées en termes de scalabilité, de maintenance et de généralisation. Un modèle personnalisé est généralement seulement 60-70 % précis et peut prendre des mois à construire.

La technologie de Ntropy combine des milliards de points de données provenant de bases de données de marchands mondiales, de moteurs de recherche et de modèles de langage formés sur une version condensée du web pour traiter les données bancaires à travers quatre continents différents et six langues différentes. Nous permettons l’utilisation de grands modèles de langage à l’échelle dans la finance pour soutenir toutes les fonctions de back-office.

Quelle est votre vision pour l’avenir de Ntropy ?

Notre vision pour Ntropy est claire : nous visons à devenir l’entreprise de pointe en IA verticale pour les services financiers. Notre fondation solide de données et d’intuition, soutenue par une équipe dédiée, nous a positionnés de manière unique pour conduire un changement réel. Alors, qu’est-ce que cela signifie en pratique ? C’est à propos de l’exploitation des dernières avancées pour transformer la finance et débloquer de nouveaux niveaux de productivité qui étaient auparavant hors de portée.

Nous savons tous que la banque peut être coûteuse. Mais imaginez si nous pouvions changer cela. En réduisant les coûts, nous ne réduisons pas seulement les dépenses, nous encourageons une saine concurrence, améliorons l’économie du système et rendons finalement les services financiers plus accessibles et efficaces pour tous. C’est l’avenir que nous travaillons à atteindre – un paysage financier plus équitable et plus convivial.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Ntropy.