როგორ აძლიერებს ფრაქცია AI AI მფლობელობას მასებისთვის

ამ ექსკლუზიურ ინტერვიუში HackerNoon-ის "Behind the Startup" სერიისთვის, ჩვენ ვსხედვართ შაშანკ იადავთან, ის დამფუძნებელსა და აღმასრულებელ დირექტორთან, პლატფორმაზე, რომელიც აძლევს მომხმარებლებს უფლებას ივარჯიშონ და ჰქონდეთ საკუთარი AI მოდელები. ხელოვნური ინტელექტის გამოცდილება და Goldman Sachs-სა და Microsoft-ის ძირითადი მანქანათმცოდნეობის გუნდებში გამოცდილებით, შაშანკი გვიზიარებს თავის მოგზაურობას, AI-ის სკალირების გამოწვევებს და როგორ აგვარებს Fraction AI ინდუსტრიის უდიდეს შეფერხებას - სანდო, მაღალი ხარისხის მონაცემებს. გაეცანით შიგნით, თუ როგორ არღვევს Fraction AI ხელოვნური ინტელექტის ლანდშაფტს და აძლიერებს ხელოვნურ ინტელექტის მფლობელობას. Fraction AI- ისან პანდეი: გამარჯობა შაშანკ, სასიამოვნოა მოგესალმოთ ჩვენს სერიალში "სტარტაპის უკან". გთხოვთ, გვითხრათ თქვენს შესახებ და რამ შთაგაგონა, რომ დააარსეთ Fraction AI? : ჰეი ისან, მშვენიერია აქ ყოფნა. მე ვარ შაშანკი, Fraction AI-ს დამფუძნებელი. ჩემი ფონი არის AI-ში. მე ვსწავლობდი კომპიუტერულ მეცნიერებას IIT Delhi-ში AI კვლევებზე ორიენტირებული. ამის შემდეგ მე ვმუშაობდი Goldman Sachs-ში ML-ის ძირითად გუნდში, შემდეგ შევუერთდი ადრეულ ეტაპზე სტარტაპს, როგორც ხელოვნური ინტელექტის მკვლევარი, შემდეგ კი გადავედი ჰეჯ-ფონდში, რომელიც იყენებს AI-ს რაოდენობრივ ვაჭრობაში. შაშანკ იადავი პრობლემა, რომელსაც მე ვაწყდებოდი, იყო ის, რომ AI გახდა ცენტრალიზებული. რამდენიმე კომპანია აკონტროლებდა ყველაზე მძლავრ მოდელებს და ყველა დანარჩენი იყენებდა თაროზე არსებული ვერსიებს, რომლებიც არ იყო მორგებული მათ საჭიროებებზე. მაგრამ ხელოვნური ინტელექტი არ არის ერთიანი. ადვოკატს სჭირდება განსხვავებული მოდელი, ვიდრე ტრეიდერს ან დეველოპერს. საუკეთესო ხელოვნური ინტელექტი სპეციალიზირებულია, მაგრამ საკუთარი სწავლება ან ძალიან ძვირი იყო ან ძალიან რთული. ამიტომ დავიწყე Fraction AI. ეს არის პლატფორმა, სადაც ყველას შეუძლია ფლობდეს და მოამზადოს საკუთარი AI მოდელები. მომხმარებლები ქმნიან AI აგენტებს, რომლებიც კონკურენციას უწევენ სესიებს. თითოეული აგენტი იხდის მცირე შესვლის საფასურს, გამოიმუშავებს საუკეთესო შესაძლებლობებს ამოცანისთვის და შეფასდება LLM-ის მიერ. გამარჯვებულები იღებენ ჯილდოებს და მათი მოდელები უმჯობესდება მათი საუკეთესო შედეგების საფუძველზე. დროთა განმავლობაში მომხმარებლები ქმნიან უაღრესად სპეციალიზებულ AI-ებს, რომლებიც უმჯობესდება. იმის ნაცვლად, რომ დავეყრდნოთ რამდენიმე დიდ მოდელს, ჩვენ ვქმნით ეკოსისტემას, სადაც ათასობით პატარა, სპეციალიზებული მოდელი ეჯიბრება, სწავლობს და იზრდება. AI არ უნდა იყოს მხოლოდ ის, რასაც იყენებთ. ეს უნდა იყოს ის, რასაც ფლობთ და აუმჯობესებთ. სწორედ ამას ვაშენებთ. Ishan Pandey: თქვენ მუშაობდით Microsoft-სა და Goldman Sachs-ში ML-ის ძირითად გუნდებში. როგორ ჩამოაყალიბა ამ გამოცდილებამ თქვენი მიდგომა Fraction AI-ს შესაქმნელად? : დიახ, კოლეჯის დროს, მე სტაჟირება გავუწიე Microsoft-ში Bing-ის გუნდში, ვმუშაობდი მანქანურ სწავლებაზე საძიებო რეიტინგისთვის. ეს იყო ჩემი პირველი რეალური კონტაქტი ფართომასშტაბიანი AI სისტემების მიმართ. ძიება არ არის მხოლოდ ინფორმაციის მოძიება, არამედ იმის გაგება, თუ რა სურთ მომხმარებლებს რეალურად და შედეგების ეფექტური რეიტინგი. ამან მასწავლა, რომ ხელოვნური ინტელექტი მხოლოდ ჭკვიან მოდელებს არ ეხება, არამედ მათ რეალურ სამყაროში მუშაობის საშუალებას. შაშანკ იადავი Goldman Sachs-ში მე ვიყავი ML-ის ძირითად გუნდში, ვქმნიდი მოდელებს ფინანსური პროგნოზებისთვის. ფინანსებში მცირე გაუმჯობესებებსაც კი აქვს მნიშვნელობა და მოდელები მუდმივად ტესტირება ხდება რეალურ პირობებში, სადაც შეცდომები ძვირია. ამ გამოცდილებამ მასწავლა, როგორ შემექმნა AI, რომელიც არის საიმედო, ადაპტირებადი და დროთა განმავლობაში უმჯობესდება, იმის ნაცვლად, რომ კარგად მუშაობდეს კონტროლირებად გარემოში. მოგვიანებით, ჰეჯ-ფონდში ვმუშაობდი AI-ზე კვანტური ვაჭრობისთვის. სწორედ აქ დავინახე, რამდენად ძლიერი შეიძლება იყოს კონკურენცია. მოდელები, რომლებიც მუდმივად ადაპტირებენ და სწავლობენ კონკურენტული სტრატეგიებიდან, როგორც წესი, უკეთესად მოქმედებენ, ვიდრე ისინი, რომლებიც სტაბილურად რჩებიან. ყველა ამ ფორმის Fraction AI. ერთი სრულყოფილი ხელოვნური ინტელექტის აგების ნაცვლად, ჩვენ შევქმენით სისტემა, სადაც AI აგენტები კონკურენციას უწევენ, სწავლობენ და უმჯობესდებიან რეალურ სამყაროში არსებული გამოხმაურების საფუძველზე. საუკეთესო AI არ არის შექმნილი იზოლირებულად - ის ვითარდება საკუთარი თავის მუდმივი ტესტირებით სხვების წინააღმდეგ. ეს არის იდეა Fraction AI-ს უკან. ისან პანდეი: თქვენ თქვით, რომ ხელოვნური ინტელექტის ინდუსტრიის ყველაზე დიდი პრობლემა სანდო მონაცემებია და არა გამოთვლითი სიმძლავრე ან პროგრამირება. შეგიძლიათ განმარტოთ, რატომ არის მონაცემები რეალური შეზღუდვა? : დიახ, მე მტკიცედ ვდგავარ ამ განცხადებაზე. ამჟამინდელი ხელოვნური ინტელექტის მოდელებმა უკვე ნახეს ინტერნეტის უმეტესი ნაწილი. მეტი გამოთვლა არ დაგვეხმარება, თუ ახალი არაფერია სასწავლი. რეალური გამოწვევა არის ახალი, მაღალი ხარისხის მონაცემების მიღება. DeepSeek-მა გაარკვია ეს და გაწვრთნა მოდელი, რომელიც იყენებს წმინდა გაძლიერების სწავლებას ტრადიციულ მონაცემთა ნაკრების ნაცვლად. მათ გააცნობიერეს, რომ თქვენ არ შეგიძლიათ უბრალოდ გააუმჯობესოთ იგივე ძველი მონაცემები, გჭირდებათ სისტემა, რომელიც გამოიმუშავებს ახალ, სასარგებლო ინფორმაციას. შაშანკ იადავი ჩვენ ამ იდეას უფრო შორს ვატარებთ Fraction AI-ით. იმის ნაცვლად, რომ დავეყრდნოთ სტატიკურ მონაცემთა ნაკრებებს, ჩვენ ვაძლევთ AI აგენტებს კონკურენციას რეალურ სამყაროში არსებულ ამოცანებში. საუკეთესო შედეგები შეფასდება, იხვეწება და გამოიყენება შემდეგი თაობის მოდელების გასაუმჯობესებლად. ის დეცენტრალიზებულია და მუდმივად ვითარდება. AI უნდა ეკუთვნოდეს ყველას და არა მხოლოდ რამდენიმე კომპანიას. ამის განხორციელების საუკეთესო გზა არის სისტემის შექმნა, სადაც ადამიანები ავარჯიშებენ და აუმჯობესებენ საკუთარ მოდელებს ახალი, მაღალი ხარისხის მონაცემების გენერირების გზით. იმის ნაცვლად, რომ ხელოვნური ინტელექტი ჩაკეტილი იყოს, ის განაგრძობს განვითარებას რეალურ სამყაროში გამოყენების გზით. Ishan Pandey: რა არის ყველაზე დიდი მცდარი წარმოდგენები კომპანიებს AI-ს სკალირების შესახებ და როგორ მიმართავს მათ Fraction AI? ყველაზე დიდი მცდარი წარმოდგენა არის ის, რომ AI-ის სკალირება მხოლოდ უფრო დიდ მოდელებზე მეტი გამოთვლების გადატანას გულისხმობს. ეს წარსულში მუშაობდა, მაგრამ ჩვენ კედელს შევეხეთ, მეტი პარამეტრი ავტომატურად არ ნიშნავს უკეთეს შედეგს. ახლა რეალური შეფერხება არის მონაცემები და არა გამოთვლა. კიდევ ერთი შეცდომა არის ის, რომ AI სტატიკურია. ბევრი კომპანია ერთხელ ასწორებს მოდელს და თვლის, რომ ის "შესრულებულია". მაგრამ AI არ ჰგავს პროგრამულ უზრუნველყოფას, მას სჭირდება ახალი მონაცემების სწავლა, რათა დარჩეს აქტუალური. თუ თქვენი AI მუდმივად არ უმჯობესდება, ის ჩამორჩება. შაშანკ იადავი: Fraction AI ასწორებს ამას ხელოვნური ინტელექტის თვითგაუმჯობესების გზით. იმის ნაცვლად, რომ ერთხელ მოვამზადოთ მოდელი და ვიმედოვნებთ, რომ ის სამუდამოდ იმუშავებს, ჩვენ ვქმნით სისტემას, სადაც AI აგენტები მუდმივად კონკურენციას უწევენ, სწავლობენ მათი საუკეთესო შედეგებიდან და ვითარდებიან რეალურ დროში. ეს არ არის მხოლოდ მოდელების მასშტაბირება, ეს არის სწავლის მასშტაბირება. ხელოვნური ინტელექტის მომავალი არ არის ყველაზე დიდი მოდელის შექმნა. საუბარია სისტემების შექმნაზე, რომლებიც შეიძლება გაიზარდოს დამოუკიდებლად. სწორედ ამას ვაშენებთ. Ishan Pandey: რა იყო ყველაზე დიდი გამოწვევები, რომლებიც შეხვდით დიდ ტექნოლოგიებში მუშაობიდან საკუთარი AI კომპანიის დაფუძნებაზე გადასვლისას? ყველაზე დიდი გამოწვევა იყო ტექნიკური პრობლემების გადაწყვეტიდან რეალური კომპანიის მართვაზე გადასვლა. დიდ ტექნოლოგიაში თქვენ ყურადღებას აკეთებთ მოდელების მშენებლობაზე, მაგრამ, როგორც დამფუძნებელმა, უნდა იფიქროთ ყველაფერზე - პროდუქტზე, მომხმარებლებზე, დაფინანსებაზე და დარწმუნდეთ, თუ რას ქმნით რეალურად მნიშვნელოვანია. Shashank Yadav: დიდი დრო გავატარე Y Combinator-ის კურსების ყურებაში, რათა გამეგო, როგორ შევქმნა და გავზარდო სტარტაპი. IIT Delhi-ს აქვს უზარმაზარი მეწარმეობის კულტურა, ამიტომ მე მყავდა უამრავი ადამიანი, ვინც უკვე გადადგა ნახტომი. ამან დამაჯერა, რომ ეს შესაძლებელი იყო. Nailwal Fellow-ად გახდომა ასევე თამაშის შეცვლა იყო. Sandeep Nailwal, Polygon-ის თანადამფუძნებელი, Web3-ის ერთ-ერთი ყველაზე პატივსაცემი ბიჭია და მისი ხელმძღვანელობის მიღება წარმოუდგენლად ღირებული იყო. მას ესმის, თუ როგორ უნდა ააშენოს ღია, დეცენტრალიზებული გზით, იმავდროულად, საქმეების მასშტაბურ მუშაობას. კომპანიის შექმნის ურთულესი ნაწილი არ არის ტექნოლოგია, არამედ იმის გარკვევა, თუ როგორ გადააქციოთ თქვენი ხედვა რეალურად, რასაც ხალხი რეალურად იყენებს. სხვებისგან სწავლამ, ვინც ამას ადრე აკეთებდა, დიდი განსხვავებაა. Ishan Pandey: Fraction AI ორიენტირებულია თვითმმართველობის AI ეკოსისტემის შექმნაზე. შეგიძლიათ დაამტკიცოთ, თუ როგორ უზრუნველყოფს თქვენი პლატფორმა მასშტაბირებადი, მაღალი ხარისხის მონაცემების შეგროვებას? : Fraction AI აგებულია იმ იდეის გარშემო, რომ AI უნდა გაუმჯობესდეს კონკურენციისა და რეალურ სამყაროში გამოყენების გზით. იმის ნაცვლად, რომ დავეყრდნოთ სტატიკურ მონაცემთა ნაკრებებს, ჩვენ ვქმნით სისტემას, სადაც AI აგენტები ქმნიან, აუმჯობესებენ და აუმჯობესებენ მონაცემებს მასშტაბით. აი, როგორ მუშაობს: მომხმარებლები ქმნიან ხელოვნური ინტელექტის აგენტებს, თითოეულს აქვს საკუთარი სისტემის მოწოდება და რეგულირება. ეს აგენტები კონკურენციას უწევენ სესიებში, სადაც ისინი წარმოქმნიან შედეგებს მოცემული ამოცანისთვის. მათი პასუხები ფასდება LLM მოსამართლის მიერ და საუკეთესო შედეგიანი აგენტები იღებენ ჯილდოებს. ეს პროცესი მუდმივად მეორდება, ქმნის უკუკავშირის ციკლს, სადაც AI მოდელები დროთა განმავლობაში უმჯობესდება. Shashank Yadav მაგრამ ჩვენ არ ვაგროვებთ მხოლოდ მონაცემებს - ჩვენ ასევე ვასწორებთ მოდელებს. ამ შეჯიბრებიდან საუკეთესო შედეგები შემოდის სასწავლო პროცესში, ეხმარება აგენტებს განვითარებასა და სპეციალიზებაში. რამდენიმე სესიის განმავლობაში მომხმარებლებს შეუძლიათ განაახლონ თავიანთი მოდელები, გახადონ ისინი უფრო ჭკვიანები და უფრო მეტად შეეფერებათ მათ კონკრეტულ ამოცანებს. ეს ქმნის მასშტაბირებულ სისტემას მაღალი ხარისხის მონაცემთა შეგროვებისა და მოდელის გაუმჯობესებისთვის. იმის ნაცვლად, რომ დაეყრდნოთ ადრე არსებულ მონაცემთა ნაკრებებს, AI აგენტები ქმნიან ახალ, შესაბამის მონაცემებს, რომლებიც დამოწმებულია რეალურ დროში. შედეგი არის ეკოსისტემა, სადაც AI არ არის სტატიკური - ის ყოველთვის სწავლობს, ყოველთვის უმჯობესდება. Ishan Pandey: რა რჩევას მისცემდით ხელოვნური ინტელექტის სტარტაპებს, რომლებიც ცდილობენ დაამყარონ ბალანსი ინოვაციას, გაყიდვებსა და დაფინანსებას შორის? მთავარი დროა. პირველ დღეებში ყურადღება გაამახვილეთ ინოვაციებზე და გაყიდვებზე ერთდროულად - თქვენ გჭირდებათ მხოლოდ საკმარისი პროდუქტი, რათა დაამტკიცოთ, რომ ხალხს ეს სურს, მაგრამ ასევე ადრე უნდა დაიწყოთ გაყიდვა. ნუ დაელოდები სრულყოფილებას. თუ თქვენ ვერ აიძულებთ ვინმეს გადაიხადოთ ეს, ეს ალბათ არ გადაჭრის რეალურ პრობლემას. შაშანკ იადავი: როგორც კი მოთხოვნის მცირე მტკიცებულება გექნებათ, შეაგროვეთ სახსრები რაც შეიძლება მალე. საკმარისად დიდხანს უნდა იცოცხლო, რომ რაღაც შესანიშნავი ააშენო. ბევრი სტარტაპი მარცხდება, რადგან ისინი ძალიან დიდ ყურადღებას ამახვილებენ პროდუქტზე საკმარისი ასაფრენი ბილიკის უზრუნველყოფის გარეშე. ამ ეტაპზე ზედმეტად ნუ გაამახვილებთ განზავებაზე, სტარტაპები მაინც ნულოვანი ან ერთი თამაშია. დაფინანსების მოპოვების შემდეგ, ეს ხდება გაყიდვებისა და უწყვეტი ინოვაციების შესახებ. განაგრძეთ პროდუქტის გაუმჯობესება შემოსავლის გაზრდისას. თუ თქვენ შეგიძლიათ გააგრძელოთ გაყიდვა და გააგრძელოთ ტექნოლოგიების წინსვლა, თქვენ წინ დარჩებით. მოკლედ: დაამტკიცეთ მოთხოვნა → აწიეთ სწრაფად → გააფართოვეთ გაყიდვები პროდუქტის გაუმჯობესებისას. ეს ავტორი არის დამოუკიდებელი კონტრიბუტორი, რომელიც აქვეყნებს ჩვენს მიერ . HackerNoon-მა განიხილა ანგარიში ხარისხისთვის, მაგრამ პრეტენზიები ეკუთვნის ავტორს. #DYO ვესტირებული ინტერესის გამჟღავნება: ბიზნეს ბლოგის პროგრამა