Ebben az exkluzív interjúban a HackerNoon "Behind the Startup" sorozatához Shashank Yadav-val, a   alapítójával és vezérigazgatójával ülünk le. Ez a platform felhatalmazza a felhasználókat arra, hogy saját mesterségesintelligencia-modelleket képezzenek és birtokolják. A mesterséges intelligencia terén szerzett háttérrel, valamint a Goldman Sachs és a Microsoft gépi tanulási csapataiban szerzett tapasztalattal rendelkező Shashank megosztja útját, betekintést nyújt a mesterséges intelligencia méretezésének kihívásaiba, és megosztja a Fraction AI-vel az iparág legnagyobb szűk keresztmetszetét – a megbízható, kiváló minőségű adatokat –. Tekintse meg, hogyan rontja meg a Fraction AI a mesterséges intelligencia környezetét és demokratizálja a mesterséges intelligencia tulajdonjogát. Fraction AI   Ishan Pandey: Szia Shashank, örülök, hogy üdvözölhetem a "Behind the Startup" sorozatunkban. Kérlek, mesélj magadról, és arról, hogy mi inspirált a Fraction AI megalapításában?    : Hé Ishan, nagyszerű itt lenni. Shashank vagyok, a Fraction AI alapítója. A hátterem AI-val foglalkozik. Számítástechnikát tanultam az IIT Delhiben, az AI-kutatásra összpontosítva. Ezt követően a Goldman Sachs ML alapcsapatában dolgoztam, majd csatlakoztam egy korai szakaszban induló startuphoz AI-kutatóként, majd később egy fedezeti alaphoz költöztem, amely a mesterséges intelligenciát kvantitatív kereskedésben alkalmazza. Shashank Yadav  A probléma, amibe folyton belefutottam, az volt, hogy a mesterséges intelligencia centralizálttá vált. Néhány cég a legerősebb modelleket irányította, és mindenki más olyan kész verziókat használ, amelyek nem az ő igényeikre lettek szabva. De a mesterséges intelligencia nem egy mindenki számára megfelelő. Egy ügyvédnek más modellre van szüksége, mint egy kereskedőnek vagy fejlesztőnek. A legjobb mesterséges intelligencia speciális, de a saját képzése vagy túl drága volt, vagy túl bonyolult.  Ezért indítottam el a Fraction AI-t. Ez egy olyan platform, ahol bárki birtokolhatja és kiképezheti saját AI modelljét. A felhasználók AI-ügynököket hoznak létre, amelyek a munkamenetekben versenyeznek. Minden ügynök fizet egy kis belépési díjat, a lehető legjobb eredményt hozza létre egy feladathoz, és egy LLM bírálja el. A nyertesek jutalmakat kapnak, modelljeik pedig a legjobb eredményeik alapján javulnak. Az idő múlásával a felhasználók rendkívül speciális AI-kat készítenek, amelyek folyamatosan javulnak.  Ahelyett, hogy néhány nagy modellre hagyatkoznánk, egy olyan ökoszisztémát hozunk létre, ahol kisebb, speciális modellek ezrei versenyeznek, tanulnak és fejlődnek. A mesterséges intelligencia nem csak valami, amit használsz. Valami olyasvalaminek kell lennie, amit birtokol, és fejleszt. Ezt építjük.  Ishan Pandey: Dolgoztál a Microsoft és a Goldman Sachs alapvető ML-csapataiban. Hogyan alakították ezek a tapasztalatok a Fraction AI felépítéséhez való hozzáállását?    : Igen, a főiskola alatt a Microsoftnál gyakornokoskodtam a Bing csapatánál, ahol a keresési rangsoroláshoz szükséges gépi tanuláson dolgoztam. Ez volt az első igazi találkozásom a nagyszabású AI-rendszerekkel. A keresés nem csak az információk megtalálásáról szól, hanem annak megértéséről, hogy a felhasználók valójában mit szeretnének, és az eredményeket hatékonyan rangsorolja. Megtanított arra, hogy a mesterséges intelligencia nem csak az intelligens modellekről szól, hanem arról is, hogy a való világban is működjenek. Shashank Yadav  A Goldman Sachsnál az ML alapcsapat tagja voltam, és modelleket építettem a pénzügyi előrejelzésekhez. A pénzügyekben még a kis fejlesztések is számítanak, és a modelleket folyamatosan, valós körülmények között tesztelik, ahol a hibák költségesek. Ez a tapasztalat megtanított arra, hogyan építsek megbízható, alkalmazkodó és idővel javuló AI-t, ahelyett, hogy jól teljesítene ellenőrzött környezetben.  Később egy fedezeti alapnál a mennyiségi kereskedési célú mesterséges intelligencia területén dolgoztam. Itt láttam, milyen erős lehet a verseny. Azok a modellek, amelyek folyamatosan alkalmazkodnak és tanulnak a versengő stratégiákból, általában jobban teljesítenek, mint azok, amelyek statikusak maradnak.  Az összes olyan alakú Fraction AI. Egy tökéletes mesterséges intelligencia felépítése helyett olyan rendszert hoztunk létre, amelyben az AI-ügynökök versenyeznek, tanulnak és fejlődnek a valós visszajelzések alapján. A legjobb mesterséges intelligencia nem elszigetelten készült, hanem úgy fejlődik, hogy folyamatosan teszteli magát másokkal szemben. Ez az ötlet a Fraction AI mögött.  Ishan Pandey: Ön azt mondta, hogy az AI-ipar legnagyobb szűk keresztmetszete a megbízható adatok, nem pedig a számítási teljesítmény vagy a programozás. Kifejtenéd, hogy miért az adatok jelentik a valódi korlátot?    : Igen, határozottan kitartok e kijelentés mellett. A jelenlegi AI modellek már látták az internet nagy részét. A több számítás nem segít, ha nincs új tanulnivaló. Az igazi kihívást a friss, jó minőségű adatok megszerzése jelenti. A DeepSeek rájött erre, és kiképzett egy modellt, amely a hagyományos adatkészletek helyett pusztán megerősítéses tanulást használ. Rájöttek, hogy nem lehet csak úgy finomhangolni ugyanazokat a régi adatokat, hanem olyan rendszerre van szükség, amely új, hasznos információkat generál. Shashank Yadav  Ezt az ötletet továbbvisszük a Fraction AI-vel. Ahelyett, hogy statikus adatkészletekre hagyatkoznánk, hagyjuk, hogy az AI-ügynökök versenyezzenek a valós feladatokban. A legjobb eredményeket értékelik, finomítják, és felhasználják a modellek következő generációjának fejlesztésére. Decentralizált és folyamatosan fejlődik. Az AI mindenkié kell, hogy tartozzon, nem csak néhány vállalaté. Ennek legjobb módja egy olyan rendszer létrehozása, amelyben az emberek új, jó minőségű adatok generálásával képezik ki és fejlesztik saját modelleiket. A mesterséges intelligencia elzárása helyett a valós használat során folyamatosan fejlődik.  Ishan Pandey: Melyek a vállalatok legnagyobb tévhitei az AI skálázásával kapcsolatban, és hogyan kezeli ezeket a Fraction AI?    A legnagyobb tévhit az, hogy a mesterséges intelligencia skálázása csak arról szól, hogy több számítást kell végrehajtani a nagyobb modelleken. Ez korábban működött, de falba ütköztünk, a több paraméter nem jelent automatikusan jobb eredményt. Az igazi szűk keresztmetszet most az adatok, nem pedig a számítás. Egy másik hiba az, hogy az AI statikusnak gondolja. Sok vállalat egyszer finomhangolja a modellt, és azt feltételezi, hogy „kész”. Az AI azonban nem olyan, mint a szoftver, folyamatosan tanulnia kell az új adatokból, hogy releváns maradjon. Ha a mesterséges intelligencia nem javul folyamatosan, akkor lemarad. Shashank Yadav:  A Fraction AI kijavítja ezt azáltal, hogy az AI önmagát javítja. Ahelyett, hogy egyszer betanítanánk egy modellt, és azt remélnénk, hogy örökké működni fog, olyan rendszert hozunk létre, amelyben az AI-ügynökök folyamatosan versenyeznek, tanulnak legjobb eredményeikből, és valós időben fejlődnek. Ez nem csak a modellek méretezéséről szól, hanem a tanulás skálázásáról is. Az AI jövője nem a legnagyobb modell megépítéséről szól. Olyan rendszerek létrehozásáról van szó, amelyek maguktól is növekedhetnek. Ezt építjük.  Ishan Pandey: Melyek voltak a legnagyobb kihívások, amelyekkel szembesültél, miközben a nagytechnológiából a saját mesterségesintelligencia-cégedre váltott?    A legnagyobb kihívást az jelentette, hogy a technikai problémák megoldásáról egy tényleges vállalat működtetésére kellett áttérni. A nagy technológiában a modellek építésére összpontosít, de alapítóként mindenre gondolnia kell – a termékre, a felhasználókra, a finanszírozásra, és arra, hogy valóban számítson, amit megépít. Shashank Yadav:  Sok időt töltöttem az Y Combinator kurzusok nézegetésével, hogy megértsem, hogyan kell felépíteni és bővíteni egy startupot. Az IIT Delhiben hatalmas a vállalkozói kultúra, így sok emberre kellett felnéznem, aki már megtette a lépést. Ez önbizalmat adott, hogy lehetséges. A Nailwal Fellow-vá válás szintén megváltoztatta a játékot. Sandeep Nailwal, a Polygon társalapítója a Web3 egyik legelismertebb sráca, és hihetetlenül értékes volt az útmutatása. Megérti, hogyan kell nyitott, decentralizált módon építeni, miközben a dolgokat továbbra is nagyarányúan működik.  A cégalapítás legnehezebb része nem a technológia, hanem az, hogy kitaláljuk, hogyan változtassuk elképzeléseinket valami valóssá, olyasmivé, amit az emberek valóban használnak. Hatalmas változást hozott azoktól, akik másoktól tanultak, akik már megtették ezt.  Ishan Pandey: A Fraction AI egy önellátó AI-ökoszisztéma felépítésére összpontosít. Fel tudná bontani, hogy a platformja hogyan teszi lehetővé a méretezhető, jó minőségű adatgyűjtést?    : A Fraction AI arra az ötletre épül, hogy a mesterséges intelligencia versenyen és valós használaton keresztül fejleszti önmagát. A statikus adatkészletekre hagyatkozás helyett egy olyan rendszert hozunk létre, amelyben az AI-ügynökök nagy léptékű adatokat generálnak, finomítanak és javítanak. Ez a következőképpen működik: A felhasználók mesterséges intelligencia-ügynököket hoznak létre, amelyek mindegyike saját rendszerkérdéssel és hangolással rendelkezik. Ezek az ügynökök olyan munkamenetekben versenyeznek, ahol kimeneteket generálnak egy adott feladathoz. Válaszaikat egy LLM-bíró pontozza, és a legjobban teljesítő ügynökök jutalmat kapnak. Ez a folyamat folyamatosan ismétlődik, létrehozva egy visszacsatolási hurkot, ahol az AI-modellek idővel javulnak. Shashank Yadav  De nem csak adatokat gyűjtünk, hanem a modelleket is finomhangoljuk. Ezeknek a versenyeknek a legjobb eredményeit visszacsatolják az edzési folyamatba, segítve az ügynökök fejlődését és specializálódását. Több munkamenet során a felhasználók frissíthetik modelljeiket, így intelligensebbek és jobban megfelelnek konkrét feladataiknak.  Ez egy méretezhető rendszert hoz létre a kiváló minőségű adatgyűjtéshez és a modellfejlesztéshez. Ahelyett, hogy már meglévő adatkészletekre hagyatkoznának, az AI-ügynökök friss, releváns adatokat generálnak, amelyeket valós időben ellenőriznek. Az eredmény egy olyan ökoszisztéma, amelyben a mesterséges intelligencia nem statikus – mindig tanul, mindig fejlődik.  Ishan Pandey: Milyen tanácsot adna azoknak az AI induló vállalkozásoknak, amelyek megpróbálnak eligazodni az innováció, az értékesítés és a finanszírozás közötti egyensúlyban?    A kulcs az időzítés. A kezdeti időkben egyszerre összpontosítson az innovációra és az értékesítésre – épp elég termékre van szüksége ahhoz, hogy bizonyítsa, hogy az emberek akarják, de az értékesítést is korán el kell kezdenie. Ne várj a tökéletességre. Ha nem tudsz rávenni valakit, hogy fizessen érte, az valószínűleg nem old meg egy igazi problémát. Shashank Yadav:  Ha már van egy kis bizonyíték is a keresletre, a lehető leghamarabb gyűjtsön forrást. Elég sokáig kell túlélned ahhoz, hogy valami nagyszerűt építs. Sok induló vállalkozás kudarcot vall, mert túlságosan a termékre összpontosít anélkül, hogy elegendő kifutót biztosítana. Ezen a ponton ne koncentrálj túl sokat a hígításra, az induló vállalkozások amúgy is nulla vagy egy játék.  Az adománygyűjtés után minden az értékesítésről és a folyamatos innovációról szól. Folytassa a termék fejlesztését, miközben növeli a bevételt. Ha folytatni tudja az értékesítést és a technológiát, akkor előrébb marad.  Röviden: Bizonyítsa be a keresletet → Növelje gyorsan → Növelje az eladásokat, miközben javítja a terméket.    Ez a szerző független közreműködő, aki a mi oldalunkon keresztül publikál  . A HackerNoon felülvizsgálta a jelentést minőség szempontjából, de az itt szereplő állítások a szerzőt illetik. #DYO Vested Interest Disclosure:   üzleti blogírás program

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.

2020 - Hacker Noon Contributor of the Year in DATA

Read My Stories

Ez a hanganyag a történet eredeti nyelvén készült!

Hogyan demokratizálja a frakció AI a tömegek mesterséges intelligencia tulajdonjogát

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

A SECOND ENIGMA

THE LAST DAY OF NEW YORK

The Little Shop at Fishbourne

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

A SECOND ENIGMA

THE LAST DAY OF NEW YORK

The Little Shop at Fishbourne

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps