Naré Vardanyan, Co-Fondatore e Amministratore Delegato di Ntropy – Serie di Interviste

Naré Vardanyan, Co-Fondatore e Amministratore Delegato di Ntropy, una piattaforma che consente agli sviluppatori di analizzare transazioni finanziarie in meno di 100ms con un’accuratezza sovrumana, sbloccando la strada a una nuova generazione di finanza autonoma, alimentando prodotti e servizi che non erano mai stati possibili prima. Converte flussi grezzi di transazioni in informazioni strutturate e contestualizzate combinando dati da molte fonti, tra cui modelli di linguaggio naturale, motori di ricerca, database interni, API esterne e dati di transazioni esistenti da tutta la nostra rete.

Siete cresciuto in Armenia, senza elettricità durante una guerra. Potreste condividere alcuni dettagli riguardanti questi primi giorni e come questo vi ha portato a lavorare per le Nazioni Unite?

Quell’esperienza è stata condivisa da un’intera generazione in Armenia. Ha sviluppato in me un senso di immaginazione e la capacità di trovare soluzioni anche con pochi mezzi. Come gli altri che sono cresciuti in una zona di conflitto, questo periodo della mia vita ha avuto un impatto profondo su come vedo il mondo. Queste circostanze difficili hanno nutrito un senso di responsabilità condivisa all’interno della comunità e una determinazione a portare un cambiamento positivo. Rendersi conto che le nostre sfide andavano oltre le lotte individuali, ho sentito un richiamo a pensare su una scala più ampia e a canalizzare i miei sforzi. Ciò, a sua volta, mi ha guidato verso le Nazioni Unite.

Le Nazioni Unite sono emerse come la piattaforma ideale per contribuire in modo significativo. Data la posizione geopolitica precaria dell’Armenia e la mia aspirazione a influenzare questioni globali, ho creduto che collaborare con le Nazioni Unite avrebbe offerto l’opportunità di fare una vera differenza. Facendo parte di discussioni e decisioni importanti, ho mirato ad avere un impatto significativo sulle questioni del mondo.

Presto siete diventato disilluso dalle Nazioni Unite, come siete passato a voler lavorare nel settore tecnologico?

La disillusione dalle Nazioni Unite era radicata nella sua natura lenta e burocratica, che alla fine ha portato a un cambio di carriera. Sebbene le Nazioni Unite avessero i loro vantaggi, ho capito che spesso mancavano di azione efficace e della capacità di guidare un cambiamento autentico. Questa consapevolezza mi ha guidato a ridirigere la mia attenzione verso il mondo della tecnologia – uno spazio dinamico e senza restrizioni.

Nel mondo della tecnologia, strumenti innovativi sono facilmente disponibili e in costante evoluzione, concedendo agli individui la capacità di innescare trasformazioni senza ostacoli inutili. Questo ambiente favorisce la trasformazione di idee in realtà, senza essere ostacolati da autorizzazioni inutili – un aspetto che mi ha realmente affascinato. La possibilità di avere un impatto sostanziale e diffuso attraverso la tecnologia è diventata un richiamo irresistibile, spingendomi a immergermi in questo campo vibrante.

Quali sono stati alcuni dei primi progetti di dati su cui avete lavorato?

Uno dei miei primi progetti è stato la creazione di un’applicazione focalizzata sulla salute mentale degli adolescenti. L’applicazione utilizzava dati diaptici passivi e intelligenza conversazionale per identificare i primi segni di disturbo bipolare. All’epoca, il campo dell’elaborazione del linguaggio naturale non era così avanzato come lo è oggi, il che è piuttosto notevole considerando che questo progetto è stato avviato circa sei anni fa. Il nostro lavoro è stato una delle prime iniziative di ricerca e sviluppo in questo spazio, e in seguito abbiamo venduto la nostra proprietà intellettuale alle compagnie di assicurazioni per l’analisi e la valutazione interna.

Avete precedentemente investito in aziende di intelligenza artificiale e apprendimento automatico attraverso AI Seed con sede a Londra, quali sono stati alcuni dei tratti comuni che avete osservato nelle startup di intelligenza artificiale di successo?

Un filo conduttore costante è stato l’accesso esclusivo ai dati, insieme alla capacità di sfruttare questi dati per affrontare problemi del mondo reale. Inoltre, è cruciale riconoscere che all’interno del settore delle aziende di intelligenza artificiale applicata, l’accento va oltre la costruzione di modelli; si sposta verso la creazione di prodotti di valore e impattanti. Le squadre che comprendono ed accettano questo punto di vista sono quelle che veramente prosperano nel panorama dell’intelligenza artificiale e dell’apprendimento automatico. Ad esempio, Predina utilizza l’intelligenza artificiale per prevedere il rischio di incidenti stradali per una determinata località e orario, mentre Observe Technologies utilizza algoritmi proprietari per sostenere le aziende di allevamento ittico a coltivare cibo in modo sostenibile.

Potreste condividere la storia di genesi di Ntropy?

Ntropy è nata dall’idea che alcune delle informazioni più importanti del mondo sono nascoste nelle transazioni finanziarie. Fino a oggi, questi dati hanno vissuto in silos, il che è disordinato e difficile da lavorare. Abbiamo creato Ntropy per essere il primo vero motore di dati finanziari globale, cross-industriale, cross-geografico e multilingue che possa fornire un’accuratezza di livello umano. Creando un linguaggio comune e un sistema per comprendere i dati finanziari, stiamo equalizzando la fiducia e l’accesso al denaro per le aziende e gli individui ovunque. Avendo la capacità di comprendere e interpretare queste transazioni, la dinamica del denaro può essere ridefinita, insieme all’accessibilità ad esso.

Abbiamo avuto una storia da startup piuttosto classica. All’inizio, il mio co-fondatore Ilia e io operavamo da un edificio scolastico abbandonato e polveroso nel seminterrato. Siamo partiti con 20k transazioni e un modello BERT distillato addestrato su di esse. I dati sono stati avviati da un’applicazione consumer su Typeform con una connessione Plaid, supportata da amici e familiari. Lavoravamo a lungo e eravamo a corto di denaro all’inizio, ma alimentati dalla determinazione e dalla dedizione a questo business.

Proiettandoci nel presente, il nostro viaggio ci ha portato ad analizzare e etichettare miliardi di transazioni. Di conseguenza, ora abbiamo uno dei database di merchant più completi al mondo con quasi 100M+ merchant arricchiti con nomi, indirizzi, tag di settore e altro. Abbiamo costantemente ampliato il nostro repository di transazioni – sfruttando il potere dei modelli di linguaggio grande su questi dati finanziari ha fornito un’efficienza e una velocità senza precedenti. Questa capacità ha il potenziale per rivoluzionare il paesaggio finanziario.

Perché i dati finanziari sono uno dei grandi equalizzatori?

I dati finanziari emergono come un potente equalizzatore a causa della loro capacità di livellare il campo, ridurre l’incertezza e favorire la fiducia. Quando i dati sono abbondanti e raffinati, si traducono in rischi diminuiti legati alla presa di decisioni finanziarie. Mentre il rischio diventa più gestibile, si verifica uno spostamento. Il costo dell’incertezza diminuisce, consentendo agli individui di prendere decisioni più informate e più eque, il che a sua volta livella il campo. Ad esempio, se abbiamo un accesso maggiore ai dati e non prendiamo più decisioni basate su un insieme molto ristretto di parametri, un nuovo immigrato ha lo stesso potenziale di qualcuno di una stirpe ben stabilita per ottenere condizioni favorevoli su un prestito auto o ipotecario. Essenzialmente, l’ostacolo presentato dagli squilibri finanziari inizia a dissolversi, introducendo un’era in cui un’ampia gamma di persone può accedere a opportunità finanziarie vantaggiose.

Quali sono alcune delle sfide dietro la costruzione di un’intelligenza artificiale in grado di leggere e comprendere le transazioni finanziarie come farebbe un essere umano?

Sviluppare un’intelligenza artificiale capace di comprendere le transazioni finanziarie come gli esseri umani può essere difficile a causa della sua natura probabilistica, che può portare a errori. A differenza degli esseri umani, i sistemi di intelligenza artificiale mancano ancora di strutture di responsabilità. La principale sfida è raffinare i sistemi di intelligenza artificiale per ridurre gli errori e il loro impatto, garantendo al contempo la scalabilità. Interessantemente, modelli più grandi possono alleviare questa sfida migliorando gradualmente l’accuratezza nel tempo. Capacità amplificate e una grande quantità di dati possono migliorare l’accuratezza interpretativa dell’intelligenza artificiale, coltivando un ambiente più tollerante agli errori e accelerando l’adozione diffusa di questi sistemi.

Potreste discutere come Ntropy offre dati finanziari standardizzati?

Ntropy funziona come una piattaforma onnicomprensiva, riunendo una gamma di modelli di linguaggio, che vanno dal più esteso al più compatto, insieme a euristici. Questi modelli sono stati addestrati utilizzando dati finanziari grezzi, insight di esperti e campioni etichettati dalla macchina. Il nostro obiettivo è estrarre informazioni significative da una varietà di stringhe di transazioni e presentarle in modo coerente e facilmente comprensibile. La nostra suite comprende API e un dashboard intuitivo, che consente la rapida conversione dei dati finanziari in millisecondi. Questa funzionalità si integra perfettamente nei prodotti e servizi degli utenti.

Quali sono alcune delle applicazioni dietro questi dati?

Le applicazioni per questi dati sono estese, coprendo l’intera gamma di operazioni finanziarie. Abilita funzioni diverse, tra cui pagamenti, valutazione, contabilità, investimenti e altro. La flessibilità dei dati diventa chiara nella loro capacità di impattare vari aspetti delle attività finanziarie, sia che si tratti di trasferimenti di fondi, tenuta meticolosa dei registri o ottimizzazione dell’utilizzo del capitale.

Considerate le transazioni bancarie o un’app di budget. Un’occhiata veloce rivela le difficoltà nel comprendere gli acquisti a causa di nomi e descrizioni di merchant non standardizzati. Mentre molte aziende hanno tentato di affrontare questo problema attraverso soluzioni interne, spesso si sono rivelate carenti in termini di scalabilità, manutenzione e generalizzazione. Un modello personalizzato è generalmente solo al 60-70% accurato e può richiedere mesi per essere costruito.

La tecnologia di Ntropy combina miliardi di punti di dati da database di merchant globali, motori di ricerca e modelli di linguaggio addestrati su una versione condensata del web per elaborare i dati bancari su quattro continenti diversi e sei lingue diverse. Stiamo abilitando l’uso di grandi modelli di linguaggio nella finanza per supportare tutte le funzioni back-office.

Qual è la vostra visione per il futuro di Ntropy?

La nostra visione per Ntropy è chiara: miriamo a diventare l’azienda di intelligenza artificiale verticale di riferimento per i servizi finanziari. La nostra solida base di dati e intuizione, supportata da un team dedicato, ci ha posizionati in modo unico per guidare un cambiamento reale. Quindi, cosa significa questo in pratica? Si tratta di sfruttare gli ultimi progressi per trasformare la finanza e sbloccare nuovi livelli di produttività che erano precedentemente fuori portata.

Tutti sappiamo che la banca può essere costosa. Ma immaginate se potessimo cambiare questo. Riducendo i costi, non stiamo solo tagliando le spese, stiamo incoraggiando una sana concorrenza, migliorando l’economia del sistema e rendendo i servizi finanziari più accessibili ed efficienti per tutti. Questo è il futuro verso cui stiamo lavorando – un panorama finanziario più equo e più user-friendly.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Ntropy.