En esta entrevista exclusiva para la serie "Detrás de la Startup" de HackerNoon, conversamos con Shashank Yadav, fundador y CEO de   , una plataforma que permite a los usuarios entrenar y gestionar sus propios modelos de IA. Con experiencia en IA y en equipos clave de aprendizaje automático en Goldman Sachs y Microsoft, Shashank comparte su trayectoria, sus perspectivas sobre los desafíos de escalar la IA y cómo Fraction AI está abordando el mayor obstáculo de la industria: la fiabilidad y la calidad de los datos. Descubra cómo Fraction AI está revolucionando el panorama de la IA y democratizando su propiedad. Fraction AI   Ishan Pandey: Hola Shashank, es un placer darte la bienvenida a nuestra serie "Detrás de la startup". Cuéntanos sobre ti y qué te inspiró a fundar Fraction AI.    : Hola Ishan, me alegra mucho estar aquí. Soy Shashank, fundador de Fraction AI. Mi formación es en IA. Estudié informática en el IIT Delhi, especializándome en investigación en IA. Después, trabajé en el equipo principal de aprendizaje automático de Goldman Sachs, me uní a una startup en fase inicial como investigador de IA y, posteriormente, pasé a un fondo de cobertura donde apliqué la IA al trading cuantitativo. Shashank Yadav  El problema con el que me topaba constantemente era que la IA se estaba centralizando. Unas pocas empresas controlaban los modelos más potentes, mientras que el resto se veía obligado a usar versiones estándar que no se adaptaban a sus necesidades. Pero la IA no es universal. Un abogado necesita un modelo diferente al de un comerciante o un desarrollador. La mejor IA es especializada, pero entrenar a uno propio era demasiado caro o demasiado complejo.  Por eso fundé Fraction AI. Es una plataforma donde cualquiera puede crear y entrenar sus propios modelos de IA. Los usuarios crean agentes de IA que compiten en sesiones. Cada agente paga una pequeña cuota de inscripción, genera el mejor resultado posible para una tarea y es evaluado por un LLM. Los ganadores reciben recompensas y sus modelos mejoran según sus mejores resultados. Con el tiempo, los usuarios crean IA altamente especializadas que siguen mejorando.  En lugar de depender de unos pocos modelos grandes, estamos creando un ecosistema donde miles de modelos más pequeños y especializados compiten, aprenden y crecen. La IA no debería ser solo algo que se usa. Debería ser algo que se posee y se mejora. Eso es lo que estamos construyendo.  Ishan Pandey: Has trabajado en equipos clave de aprendizaje automático en Microsoft y Goldman Sachs. ¿Cómo influyeron esas experiencias en tu enfoque para desarrollar Fraction AI?    : Sí, durante la universidad, hice prácticas en Microsoft, en el equipo de Bing, trabajando en aprendizaje automático para el posicionamiento en buscadores. Esa fue mi primera experiencia real con sistemas de IA a gran escala. La búsqueda no se trata solo de encontrar información, sino de comprender lo que realmente quieren los usuarios y posicionar los resultados eficazmente. Aprendí que la IA no se trata solo de modelos inteligentes, sino de hacerlos funcionar en el mundo real. Shashank Yadav  En Goldman Sachs, formé parte del equipo central de aprendizaje automático (ML), desarrollando modelos para predicciones financieras. En finanzas, incluso las pequeñas mejoras importan, y los modelos se prueban constantemente en condiciones reales, donde los errores son costosos. Esa experiencia me enseñó a desarrollar una IA fiable, adaptable y que mejore con el tiempo, en lugar de simplemente funcionar bien en un entorno controlado.  Más tarde, en un fondo de cobertura, trabajé en IA para el trading cuantitativo. Ahí fue donde vi lo poderosa que puede ser la competencia. Los modelos que se adaptan y aprenden continuamente de las estrategias de la competencia tienden a tener un mejor rendimiento que los que se mantienen estáticos.  Todo esto dio forma a Fraction AI. En lugar de construir una IA perfecta, creamos un sistema donde los agentes de IA compiten, aprenden y mejoran basándose en la retroalimentación del mundo real. La mejor IA no se diseña de forma aislada, sino que evoluciona poniéndose a prueba constantemente con otras. Esa es la idea detrás de Fraction AI.  Ishan Pandey: Has dicho que el mayor obstáculo en la industria de la IA son los datos fiables, no la potencia de procesamiento ni la programación. ¿Podrías explicar por qué los datos son la verdadera limitación?    : Sí, mantengo esa afirmación firmemente. Los modelos de IA actuales ya han explorado la mayor parte de internet. Un mayor uso de recursos informáticos no servirá de nada si no hay nada nuevo que aprender. El verdadero reto es obtener datos actualizados y de alta calidad. DeepSeek lo descubrió y entrenó un modelo utilizando aprendizaje de refuerzo puro en lugar de conjuntos de datos tradicionales. Se dieron cuenta de que no se puede simplemente ajustar los mismos datos antiguos; se necesita un sistema que genere información nueva y útil. Shashank Yadav  Con Fraction AI, profundizamos en esta idea. En lugar de depender de conjuntos de datos estáticos, permitimos que los agentes de IA compitan en tareas del mundo real. Los mejores resultados se evalúan, refinan y utilizan para mejorar la próxima generación de modelos. Es un sistema descentralizado y en constante evolución. La IA debería ser propiedad de todos, no solo de unas pocas empresas. La mejor manera de lograrlo es crear un sistema donde las personas entrenen y mejoren sus propios modelos generando datos nuevos y de alta calidad. En lugar de aislar a la IA, esta evoluciona constantemente gracias a su uso en el mundo real.  Ishan Pandey: ¿Cuáles son los conceptos erróneos más grandes que tienen las empresas sobre la escalabilidad de la IA y cómo los aborda Fraction AI?    El mayor error es pensar que escalar la IA se trata simplemente de aplicar más computación a modelos más grandes. Eso funcionó antes, pero nos hemos topado con un obstáculo: más parámetros no significan automáticamente mejores resultados. El verdadero obstáculo ahora son los datos, no la computación. Otro error es pensar que la IA es estática. Muchas empresas ajustan un modelo una vez y dan por hecho que está "terminado". Pero la IA no es como el software; necesita seguir aprendiendo de los nuevos datos para mantenerse relevante. Si tu IA no mejora continuamente, se está quedando atrás. Shashank Yadav:  Fraction AI soluciona esto al permitir que la IA se automejore. En lugar de entrenar un modelo una vez y esperar que funcione para siempre, creamos un sistema donde los agentes de IA compiten constantemente, aprenden de sus mejores resultados y evolucionan en tiempo real. No se trata solo de escalar modelos, sino de escalar el aprendizaje. El futuro de la IA no consiste en construir el modelo más grande. Se trata de crear sistemas que puedan crecer por sí solos. Eso es lo que estamos construyendo.  Ishan Pandey: ¿Cuáles fueron los mayores desafíos que enfrentó durante la transición de trabajar en grandes empresas tecnológicas a fundar su propia empresa de inteligencia artificial?    El mayor reto fue pasar de resolver problemas técnicos a dirigir una empresa real. En las grandes tecnológicas, uno se centra en construir modelos, pero como fundador, tiene que pensar en todo: el producto, los usuarios, la financiación y asegurarse de que lo que construye realmente importe. Shashank Yadav:  Pasé mucho tiempo viendo cursos de Y Combinator para entender cómo crear y escalar una startup. El IIT de Delhi tiene una gran cultura emprendedora, así que tenía a mucha gente a quien admirar que ya había dado el salto. Eso me dio confianza en que era posible. Convertirme en becario Nailwal también fue un punto de inflexión. Sandeep Nailwal, cofundador de Polygon, es una de las personas más respetadas en la Web3, y recibir su orientación fue increíblemente valioso. Entiende cómo construir de forma abierta y descentralizada, sin dejar de lograr que las cosas funcionen a escala.  Lo más difícil de fundar una empresa no es la tecnología, sino descubrir cómo convertir tu visión en algo real, algo que la gente realmente use. Aprender de otros que ya lo han hecho marcó una gran diferencia.  Ishan Pandey: Fraction AI se centra en construir un ecosistema de IA autosuficiente. ¿Podría explicarnos cómo su plataforma permite la recopilación de datos escalable y de alta calidad?    : Fraction AI se basa en la idea de que la IA debe mejorarse a sí misma mediante la competencia y el uso en el mundo real. En lugar de depender de conjuntos de datos estáticos, creamos un sistema donde los agentes de IA generan, refinan y mejoran los datos a escala. Así funciona: los usuarios crean agentes de IA, cada uno con sus propias indicaciones y ajustes del sistema. Estos agentes compiten en sesiones donde generan resultados para una tarea determinada. Sus respuestas son evaluadas por un juez de LLM, y los agentes con mejor rendimiento obtienen recompensas. Este proceso se repite continuamente, creando un ciclo de retroalimentación donde los modelos de IA mejoran con el tiempo. Shashank Yadav  Pero no solo recopilamos datos, sino que también perfeccionamos los modelos. Los mejores resultados de estas competencias se incorporan al proceso de entrenamiento, lo que ayuda a los agentes a evolucionar y especializarse. A lo largo de varias sesiones, los usuarios pueden mejorar sus modelos, haciéndolos más inteligentes y más adecuados para sus tareas específicas.  Esto crea un sistema escalable para la recopilación de datos de alta calidad y la mejora de modelos. En lugar de depender de conjuntos de datos preexistentes, los agentes de IA generan datos nuevos y relevantes, validados en tiempo real. El resultado es un ecosistema donde la IA no es estática: está en constante aprendizaje y mejora.  Ishan Pandey: ¿Qué consejo le darías a las nuevas empresas de inteligencia artificial que intentan encontrar el equilibrio entre innovación, ventas y financiación?    La clave está en el momento oportuno. Al principio, concéntrate en la innovación y las ventas simultáneamente: necesitas el producto justo para demostrar que la gente lo quiere, pero también tienes que empezar a vender pronto. No esperes la perfección. Si no consigues que alguien pague por ello, probablemente no estés resolviendo un problema real. Shashank Yadav:  Una vez que tengas una pequeña prueba de demanda, recauda fondos lo antes posible. Necesitas sobrevivir lo suficiente para construir algo grandioso. Muchas startups fracasan porque se centran demasiado en el producto sin asegurar suficiente margen de maniobra. No te concentres demasiado en la dilución en este punto; las startups son un juego de cero o uno, de todos modos.  Tras la recaudación de fondos, todo gira en torno a las ventas y la innovación continua. Sigue mejorando el producto a la vez que incrementas los ingresos. Si puedes seguir vendiendo y avanzando con la tecnología, te mantendrás a la vanguardia.  En resumen: Demostrar demanda → Aumentar rápidamente → Escalar ventas mientras se mejora el producto.    este autor es un colaborador independiente que publica a través de nuestro  HackerNoon revisó el informe para verificar su calidad, pero las afirmaciones aquí contenidas pertenecen al autor. #DYO Divulgación de intereses creados:   programa de blogs empresariales

This story contains new, firsthand information uncovered by the writer.

Hot off the press! This story contains factual information about a recent event.

Winner of Noonies 2020 for the award Hacker Noon Contributor of the Year - DATA.

Cómo Fraction AI está democratizando la propiedad de la IA para las masas

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps