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

Naré Vardanyan, Co-Founder & CEO van Ntropy, een platform dat ontwikkelaars in staat stelt om financiële transacties te parseren in minder dan 100ms met super-menselijke nauwkeurigheid, waardoor een nieuwe generatie autonome financiën ontgrendeld wordt, en producten en diensten mogelijk maakt die nog nooit eerder mogelijk waren. Het converteert ruwe stromen van transacties naar contextualiseerde, gestructureerde informatie door gegevens te combineren uit meerdere bronnen, waaronder natuurlijke taalmodellen, zoekmachines, interne databases, externe API’s en bestaande transactiegegevens uit ons netwerk.

U bent opgegroeid in Armenië, zonder elektriciteit tijdens een oorlog. Kunt u enkele details delen over deze vroege dagen en hoe dit u heeft geleid naar het werken voor de Verenigde Naties?

Die ervaring werd gedeeld door een hele generatie in Armenië. Het heeft bij mij een gevoel van verbeelding en de mogelijkheid om oplossingen te vinden, zelfs met weinig middelen, gekweekt. Net als anderen die zijn opgegroeid in een conflictzone, had deze periode in mijn leven een diepgaande invloed op hoe ik de wereld zie. Deze veeleisende omstandigheden hebben een gevoel van gedeelde verantwoordelijkheid binnen de gemeenschap en een resolute drive om positieve verandering te brengen, bij mij gekweekt. Toen ik besefte dat onze uitdagingen verder gingen dan individuele strijd, voelde ik een roeping om op een bredere schaal na te denken en mijn inspanningen te kanaliseren. Dit leidde me naar de Verenigde Naties.

De VN kwamen naar voren als het ideale platform om op een betekenisvolle manier bij te dragen. Gezien de precaire geopolitieke positie van Armenië en mijn aspiratie om globale kwesties te beïnvloeden, geloofde ik dat samenwerken met de VN me de kans zou geven om echt een verschil te maken. Door deel te nemen aan belangrijke discussies en beslissingen, streefde ik ernaar om een betekenisvolle impact te hebben op de problemen van de wereld.

U raakte al snel teleurgesteld in de Verenigde Naties, hoe bent u toen overgestapt naar het werken in de technologie?

De teleurstelling in de VN was geworteld in de trage en bureaucratische aard, wat uiteindelijk leidde tot een verschuiving in mijn carrière-aspiraties. Terwijl de VN zijn voordelen had, kwam ik tot de conclusie dat het vaak ontbrak aan effectieve actie en het vermogen om echte verandering te brengen. Deze realisatie leidde me naar het richten van mijn focus op het domein van de technologie – een dynamische en onbeperkte ruimte.

In de wereld van de technologie zijn innovatieve instrumenten gemakkelijk beschikbaar en constant in ontwikkeling, waardoor individuen de mogelijkheid hebben om transformatie te veroorzaken zonder onnodige hindernissen. Deze omgeving maakt het mogelijk om ideeën om te zetten in realiteit, zonder de noodzaak van onnodige toestemming – een facet dat me echt fascineerde. Het potentieel om een aanzienlijke, brede impact te hebben door middel van technologie, werd een onweerstaanbare roeping, waardoor ik me wilde onderdompelen in dit levendige veld.

Wat waren enkele van de eerste dataprojecten waar u aan werkte?

Een van mijn vroegste projecten was het creëren van een app gericht op de geestelijke gezondheid van tieners. De app gebruikte passieve haptische gegevens en conversatie-intelligentie om vroege tekenen van bipolaire stoornis te identificeren. Op dat moment was het veld van natuurlijke taalverwerking niet zo geavanceerd als het nu is, wat best opmerkelijk is als je bedenkt dat dit project ongeveer zes jaar geleden werd gestart. Ons werk was een van de eerste onderzoeks- en ontwikkelingsinitiatieven in deze ruimte, en we verkochten later onze intellectuele eigendom aan verzekeraars voor interne analyses en onderwriting.

U heeft eerder geïnvesteerd in AI- en ML-bedrijven via de in Londen gevestigde AI Seed, wat waren enkele van de gemeenschappelijke kenmerken die u observeerde bij succesvolle AI-startups?

Een constante draad was het hebben van exclusieve toegang tot gegevens, evenals de mogelijkheid om deze gegevens te benutten om echte wereldproblemen aan te pakken. Bovendien is het cruciaal om te erkennen dat binnen het domein van toegepaste AI-bedrijven, de nadruk verder gaat dan het alleen maar construeren van modellen; het verschuift naar het creëren van impactvolle, waardevolle producten. Teams die deze visie begrijpen en omarmen, zijn degenen die echt floreeren in het AI/ML-landschap. Bijvoorbeeld, Predina gebruikt AI om het risico van een voertuigongeluk voor een bepaalde locatie en tijd te voorspellen, terwijl Observe Technologies gebruik maakt van propriëtaire algoritmes om viskwekerijen te ondersteunen bij het duurzaam kweken van voedsel.

Kunt u het ontstaansverhaal achter Ntropy delen?

Ntropy is ontstaan uit het idee dat enkele van ‘s werelds meest belangrijke informatie verborgen ligt in financiële transacties. Tot nu toe heeft deze data in silo’s geleefd, wat rommelig en moeilijk te werken is. We hebben Ntropy gecreëerd om het eerste echt globale, cross-industriële, cross-geo en multitalige financiële data-engine te zijn dat menselijke nauwkeurigheid kan bieden. Door een gemeenschappelijke taal en systeem te creëren om financiële data te begrijpen, equaliseren we vertrouwen en toegang tot geld voor bedrijven en individuen overal. Door de mogelijkheid te hebben om deze transacties te begrijpen en te interpreteren, kunnen de dynamiek van geld en de toegang daartoe opnieuw worden gedefinieerd.

We hebben een heel archetypisch startup-verhaal. Aanvankelijk opereerden mijn mede-oprichter Ilia en ik vanuit de kelder van een verlaten, stoffige school. We begonnen met 20.000 transacties en een gedistilleerd BERT-model getraind op deze transacties. De gegevens werden gebootstrap van een consumentenapp op Typeform met een Plaid-verbinding, en ondersteund door vrienden en familie. We werkten lange uren en hadden weinig geld in het begin, maar werden gedreven door vastberadenheid en toewijding aan dit bedrijf.

Als we vooruitkijken naar vandaag, heeft onze reis ons ertoe geleid om miljarden transacties te analyseren en te labelen. Als resultaat hebben we nu een van ‘s werelds meest uitgebreide merchant-databases met bijna 100 miljoen+ merchants verrijkt met namen, adressen, industrie-tags en meer. We hebben ons repository van transacties consistent uitgebreid – het benutten van de kracht van LLM’s op deze financiële data heeft ongekende kostenefficiëntie en snelheid geleverd. Deze capaciteit heeft het potentieel om de financiële landschap te revolutioneren.

Waarom is financiële data een van de grote equalizers?

Financiële data komt naar voren als een krachtige equalizer vanwege de capaciteit om het speelveld te levelen, onzekerheid te verminderen en vertrouwen te kweken. Wanneer data overvloedig en geraffineerd is, vertaalt dit zich naar vermindering van risico’s verbonden aan financiële besluitvorming. Naarmate risico’s beter beheersbaar worden, vindt een verschuiving plaats. De kosten van onzekerheid nemen af, waardoor individuen meer geïnformeerde en eerlijke beslissingen kunnen nemen, wat op zijn beurt het speelveld equaliseert. Bijvoorbeeld, als we grotere toegang tot data hebben en niet langer beslissingen nemen op basis van een zeer beperkte set parameters, heeft een nieuwe immigrant hetzelfde potentieel als iemand uit een gevestigde lijn om gunstige voorwaarden te krijgen voor een autoleen of hypotheek. In wezen begint de barrière die door financiële onevenwichtigheden wordt gepresenteerd, te verdwijnen, en wordt een tijdperk geïntroduceerd waarin een bredere range van mensen toegang kan krijgen tot gunstige financiële kansen.

Wat zijn enkele van de uitdagingen achter het bouwen van een AI die financiële transacties kan lezen en begrijpen zoals een mens dat zou doen?

Het ontwikkelen van AI die financiële transacties kan begrijpen zoals mensen, is uitdagend vanwege de probabilistische aard, die kan leiden tot fouten. In tegenstelling tot mensen ontbreken AI-systemen nog steeds aan verantwoordingsstructuren. De belangrijkste uitdaging is het verfijnen van AI-systemen om fouten en hun impact te verminderen, terwijl schaalbaarheid wordt gewaarborgd. Interessant genoeg kunnen grotere modellen deze uitdaging verlichten door de nauwkeurigheid over tijd te verbeteren. Verhoogde capaciteiten en een overvloed aan data kunnen de interpretatieve nauwkeurigheid van AI verhogen, uiteindelijk een meer tolerantie-omgeving creërend en de bredere adoptie van deze systemen versnellend.

Kunt u discussiëren hoe Ntropy gestandaardiseerde financiële data biedt?

Ntropy functioneert als een alomvattende platform, dat een spectrum van taalmodellen samenbrengt, van de meest uitgebreide tot de meest compacte, in combinatie met heuristieken. Deze modellen worden getraind met behulp van ruwe financiële data, expertinzichten en machine-gelabelde voorbeelden. Ons doel is om waardevolle inzichten te extraheren uit een verscheidenheid aan transactiestrengen en deze samenhangend en op een gemakkelijk te begrijpen manier te presenteren. Onze suite bestaat uit API’s en een intuïtieve dashboard, waarmee gebruikers financiële data binnen milliseconden kunnen omzetten. Deze functionaliteit integreert naadloos in de producten en diensten van gebruikers.

Wat zijn enkele van de use cases achter deze data?

De toepassingen voor deze data zijn uitgebreid, en omvatten de hele financiële operatie. Het activeert diverse functies, waaronder betalingen, onderwriting, accounting, beleggingen en meer. De aanpasbaarheid van de data wordt duidelijk in de mogelijkheid om verschillende aspecten van financiële activiteiten te beïnvloeden, of het nu gaat om fondsoverdrachten, zorgvuldige boekhouding of het optimaliseren van kapitaalgebruik.

Bedenk bijvoorbeeld banktransacties of een budget-app. Een snelle blik onthult de moeilijkheden bij het begrijpen van aankopen vanwege niet-standaard merchantnamen en beschrijvingen. Terwijl veel bedrijven hebben geprobeerd om dit probleem aan te pakken via interne oplossingen, komen ze vaak tekort in termen van schaalbaarheid, onderhoud en generalisatie. Een aangepast model is over het algemeen slechts 60-70% nauwkeurig en kan maanden duren om te bouwen.

Ntropy’s technologie combineert miljarden datapunten uit wereldwijde merchant-databases, zoekmachines en taalmodellen getraind op een gecomprimeerde versie van het web om bankgegevens te verwerken over vier verschillende continenten en zes-plus talen. We maken het gebruik van grote taalmodellen mogelijk op schaal in de financiële sector om alle back-office-functies te ondersteunen.

Wat is uw visie voor de toekomst van Ntropy?

Onze visie voor Ntropy is duidelijk: We streven ernaar om het toonaangevende Vertical AI-bedrijf voor financiële diensten te worden. Onze solide basis van data en intuïtie, ondersteund door een toegewijd team, heeft ons uniek gepositioneerd om echte verandering te brengen. Dus, wat betekent dit in de praktijk? Het gaat over het benutten van de laatste vooruitgang om de financiën te transformeren en nieuwe niveaus van productiviteit te ontgrendelen die eerder buiten bereik lagen.

We weten allemaal dat bankieren duur kan zijn. Maar stel je voor dat we dat konden veranderen. Door kosten te verlagen, verlagen we niet alleen uitgaven, maar stimuleren we ook gezonde concurrentie, verbeteren we de economie van het systeem en maken we financiële diensten uiteindelijk toegankelijker en efficiënter voor iedereen. Dat is de toekomst waar we aan werken – een financieel landschap dat eerlijker en gebruikersvriendelijker is.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Ntropy bezoeken.