در این مصاحبه اختصاصی برای سری "پشت صحنه استارتاپ" هکرنون، با شاشانک یاداو، بنیانگذار و مدیرعامل Fraction AI، پلتفرمی که کاربران را قادر میسازد مدلهای هوش مصنوعی خود را آموزش داده و مالک آن شوند، به گفتگو نشستیم. شاشانک با داشتن پیشینهای در هوش مصنوعی و تجربه در تیمهای اصلی یادگیری ماشین در گلدمن ساکس و مایکروسافت، سفر خود، بینشهایی در مورد چالشهای مقیاسبندی هوش مصنوعی و چگونگی مقابله Fraction AI با بزرگترین گلوگاه این صنعت - دادههای با کیفیت و قابل اعتماد - را به اشتراک میگذارد. نگاهی اجمالی به چگونگی مختل کردن چشمانداز هوش مصنوعی و دموکراتیک کردن مالکیت هوش مصنوعی توسط Fraction AI داشته باشید.
ایشان پاندی: سلام شاشانک، از اینکه شما را در سری "پشت صحنه استارتاپ" خود میزبانی میکنیم، بسیار خوشحالیم. لطفاً در مورد خودتان و اینکه چه چیزی الهامبخش شما برای تأسیس Fraction AI بود، برای ما بگویید؟
شاشانک یاداو: سلام ایشان، از حضور در اینجا بسیار خوشحالم. من شاشانک، بنیانگذار Fraction AI هستم. پیشینه من در هوش مصنوعی است. من در IIT دهلی در رشته علوم کامپیوتر با تمرکز بر تحقیقات هوش مصنوعی تحصیل کردم. پس از آن، در تیم اصلی ML در گلدمن ساکس کار کردم، سپس به عنوان محقق هوش مصنوعی به یک استارتاپ در مراحل اولیه پیوستم و بعداً به یک صندوق پوشش ریسک رفتم و هوش مصنوعی را در معاملات کمی به کار بردم.
مشکلی که مدام با آن روبرو میشدم این بود که هوش مصنوعی در حال متمرکز شدن بود. تعداد کمی از شرکتها قدرتمندترین مدلها را کنترل میکردند و بقیه مجبور بودند از نسخههای آماده استفاده کنند که متناسب با نیازهایشان نبود. اما هوش مصنوعی یک اندازه برای همه نیست. یک وکیل به مدل متفاوتی نسبت به یک معاملهگر یا یک توسعهدهنده نیاز دارد. بهترین هوش مصنوعی تخصصی است، با این حال آموزش مدل خودتان یا خیلی گران بود یا خیلی پیچیده.
به همین دلیل من Fraction AI را شروع کردم. این یک پلتفرم است که در آن هر کسی میتواند مالک و آموزشدهنده مدلهای هوش مصنوعی خود باشد. کاربران عوامل هوش مصنوعی ایجاد میکنند که در جلسات رقابت میکنند. هر عامل هزینه ورودی کمی میپردازد، بهترین خروجی ممکن را برای یک کار تولید میکند و توسط یک LLM داوری میشود. برندگان پاداش دریافت میکنند و مدلهای آنها بر اساس بهترین خروجیهایشان بهبود مییابند. با گذشت زمان، کاربران هوش مصنوعیهای بسیار تخصصی میسازند که دائماً بهتر میشوند.
به جای تکیه بر تعداد کمی مدل بزرگ، ما در حال ایجاد یک اکوسیستم هستیم که در آن هزاران مدل کوچکتر و تخصصی رقابت میکنند، یاد میگیرند و رشد میکنند. هوش مصنوعی نباید فقط چیزی باشد که از آن استفاده میکنید. باید چیزی باشد که مالک آن باشید و آن را بهبود بخشید. این چیزی است که ما در حال ساخت آن هستیم.
ایشان پاندی: شما در تیمهای اصلی ML در مایکروسافت و گلدمن ساکس کار کردهاید. چگونه این تجربیات رویکرد شما را در ساخت Fraction AI شکل داد؟
شاشانک یاداو: بله، در دوران کالج، من در مایکروسافت در تیم بینگ کارآموزی کردم و روی یادگیری ماشین برای رتبهبندی جستجو کار میکردم. این اولین تجربه واقعی من با سیستمهای هوش مصنوعی در مقیاس بزرگ بود. جستجو فقط یافتن اطلاعات نیست، بلکه درک این است که کاربران واقعاً چه میخواهند و رتبهبندی نتایج به طور موثر. این به من آموخت که هوش مصنوعی فقط در مورد مدلهای هوشمند نیست، بلکه در مورد عملی کردن آنها در دنیای واقعی است.
در گلدمن ساکس، من در تیم اصلی ML بودم و مدلهایی را برای پیشبینیهای مالی میساختم. در امور مالی، حتی پیشرفتهای کوچک هم مهم هستند و مدلها به طور مداوم در شرایط دنیای واقعی آزمایش میشوند، جایی که اشتباهات پرهزینه هستند. این تجربه به من آموخت که چگونه هوش مصنوعی را بسازم که قابل اعتماد، سازگار و با گذشت زمان بهبود یابد، نه اینکه فقط در یک محیط کنترل شده عملکرد خوبی داشته باشد.
بعداً، در یک صندوق پوشش ریسک، روی هوش مصنوعی برای معاملات کمی کار کردم. آنجا بود که دیدم رقابت چقدر میتواند قدرتمند باشد. مدلهایی که به طور مداوم با استراتژیهای رقیب سازگار میشوند و از آنها یاد میگیرند، معمولاً بهتر از مدلهایی عمل میکنند که ثابت میمانند.
همه اینها Fraction AI را شکل داد. به جای ساختن یک هوش مصنوعی عالی، ما سیستمی ایجاد کردیم که در آن عوامل هوش مصنوعی رقابت میکنند، یاد میگیرند و بر اساس بازخورد دنیای واقعی بهبود مییابند. بهترین هوش مصنوعی به صورت مجزا طراحی نمیشود - با آزمایش مداوم خود در برابر دیگران تکامل مییابد. این ایده پشت Fraction AI است.
ایشان پاندی: شما گفتهاید که بزرگترین گلوگاه صنعت هوش مصنوعی، دادههای قابل اعتماد است، نه قدرت محاسباتی یا برنامهنویسی. آیا میتوانید توضیح دهید که چرا دادهها محدودیت واقعی هستند؟
شاشانک یاداو: بله، من قویاً از این گفته حمایت میکنم. مدلهای هوش مصنوعی کنونی بیشتر اینترنت را دیدهاند. محاسبات بیشتر کمکی نخواهد کرد اگر چیز جدیدی برای یادگیری وجود نداشته باشد. چالش واقعی، به دست آوردن دادههای تازه و با کیفیت است. دیپسیک این موضوع را فهمید و به جای مجموعهدادههای سنتی، مدلی را با استفاده از یادگیری تقویتی خالص آموزش داد. آنها فهمیدند که نمیتوانید فقط به تنظیم دقیق روی همان دادههای قدیمی ادامه دهید، بلکه به سیستمی نیاز دارید که اطلاعات جدید و مفیدی تولید کند.
ما این ایده را با Fraction AI بیشتر پیش میبریم. به جای تکیه بر مجموعهدادههای ثابت، ما اجازه میدهیم عوامل هوش مصنوعی در کارهای دنیای واقعی رقابت کنند. بهترین خروجیها قضاوت، اصلاح و برای بهبود نسل بعدی مدلها استفاده میشوند. این غیرمتمرکز و دائماً در حال تحول است. هوش مصنوعی باید متعلق به همه باشد، نه فقط چند شرکت. بهترین راه برای تحقق این امر، ایجاد سیستمی است که در آن افراد مدلهای خود را با تولید دادههای جدید و با کیفیت آموزش داده و بهبود بخشند. به جای اینکه هوش مصنوعی قفل شود، از طریق استفاده در دنیای واقعی به تکامل خود ادامه میدهد.
ایشان پاندی: بزرگترین تصورات غلط شرکتها در مورد مقیاسبندی هوش مصنوعی چیست و Fraction AI چگونه به آنها رسیدگی میکند؟
شاشانک یاداو: بزرگترین تصور غلط این است که مقیاسبندی هوش مصنوعی فقط مربوط به پرتاب محاسبات بیشتر به مدلهای بزرگتر است. این در گذشته جواب میداد، اما ما به یک دیوار رسیدهایم، پارامترهای بیشتر به طور خودکار به معنای نتایج بهتر نیست. گلوگاه واقعی اکنون داده است، نه محاسبه. اشتباه دیگر این است که فکر کنیم هوش مصنوعی ثابت است. بسیاری از شرکتها یک بار یک مدل را تنظیم دقیق میکنند و فرض میکنند که "تمام شده" است. اما هوش مصنوعی مانند نرمافزار نیست، بلکه برای اینکه مرتبط بماند، باید به یادگیری از دادههای جدید ادامه دهد. اگر هوش مصنوعی شما به طور مداوم در حال بهبود نباشد، عقب میماند.
Fraction AI این مشکل را با خودبهبودگر کردن هوش مصنوعی برطرف میکند. به جای آموزش یک مدل یک بار و امیدوار بودن به اینکه برای همیشه کار میکند، ما سیستمی ایجاد میکنیم که در آن عوامل هوش مصنوعی دائماً رقابت میکنند، از بهترین خروجیهای خود یاد میگیرند و در زمان واقعی تکامل مییابند. این فقط در مورد مقیاسبندی مدلها نیست، بلکه در مورد مقیاسبندی یادگیری است. آینده هوش مصنوعی مربوط به ساختن بزرگترین مدل نیست. بلکه در مورد ایجاد سیستمهایی است که میتوانند به تنهایی رشد کنند. این چیزی است که ما در حال ساخت آن هستیم.
ایشان پاندی: بزرگترین چالشهایی که در هنگام انتقال از کار در شرکتهای بزرگ فناوری به تأسیس شرکت هوش مصنوعی خودتان با آن روبرو شدید چه بود؟
شاشانک یاداو: بزرگترین چالش تغییر از حل مسائل فنی به اداره یک شرکت واقعی بود. در شرکتهای بزرگ فناوری، شما روی ساختن مدلها تمرکز میکنید، اما به عنوان یک بنیانگذار، باید به همه چیز فکر کنید - محصول، کاربران، تأمین مالی و اطمینان از اینکه آنچه میسازید واقعاً مهم است.
من زمان زیادی را صرف تماشای دورههای Y Combinator کردم تا بفهمم چگونه یک استارتاپ بسازم و آن را مقیاسبندی کنم. IIT دهلی فرهنگ کارآفرینی بسیار بزرگی دارد، بنابراین افراد زیادی برای الگوبرداری داشتم که قبلاً این جهش را انجام داده بودند. این به من اطمینان داد که این کار امکانپذیر است. تبدیل شدن به یک عضو نیلوال نیز یک تغییر بزرگ بود. سندیپ نیلوال، بنیانگذار Polygon، یکی از محترمترین افراد در Web3 است و دریافت راهنماییهای او بسیار ارزشمند بود. او میفهمد چگونه به روشی باز و غیرمتمرکز بسازد و در عین حال همه چیز را در مقیاس بزرگ به کار گیرد.
سختترین بخش شروع یک شرکت، فناوری نیست، بلکه فهمیدن این است که چگونه دیدگاه خود را به چیزی واقعی تبدیل کنید، چیزی که مردم واقعاً از آن استفاده میکنند. یادگیری از دیگرانی که قبلاً این کار را انجام دادهاند، تفاوت بزرگی ایجاد کرد.
ایشان پاندی: Fraction AI بر ساختن یک اکوسیستم هوش مصنوعی خودپشتیبان تمرکز دارد. آیا میتوانید توضیح دهید که پلتفرم شما چگونه جمعآوری دادههای مقیاسپذیر و با کیفیت بالا را امکانپذیر میکند؟
شاشانک یاداو: Fraction AI بر این ایده استوار است که هوش مصنوعی باید از طریق رقابت و استفاده در دنیای واقعی خود را بهبود بخشد. به جای تکیه بر مجموعهدادههای ثابت، ما سیستمی ایجاد میکنیم که در آن عوامل هوش مصنوعی دادهها را در مقیاس تولید، اصلاح و بهبود میبخشند. اینگونه کار میکند: کاربران عوامل هوش مصنوعی ایجاد میکنند که هر کدام دارای سیستم اعلان و تنظیمات خاص خود هستند. این عوامل در جلساتی رقابت میکنند که در آن خروجیهایی را برای یک کار معین تولید میکنند. پاسخهای آنها توسط یک داور LLM امتیازدهی میشود و عوامل با بهترین عملکرد پاداش دریافت میکنند. این فرآیند به طور مداوم تکرار میشود و یک حلقه بازخورد ایجاد میکند که در آن مدلهای هوش مصنوعی با گذشت زمان بهبود مییابند.
اما ما فقط دادهها را جمعآوری نمیکنیم - مدلها را نیز تنظیم دقیق میکنیم. بهترین خروجیها از این رقابتها به فرآیند آموزش بازخورد داده میشوند و به عوامل کمک میکنند تا تکامل یابند و متخصص شوند. در طول جلسات متعدد، کاربران میتوانند مدلهای خود را ارتقا دهند و آنها را هوشمندتر و برای وظایف خاص خود مناسبتر کنند.
این یک سیستم مقیاسپذیر برای جمعآوری دادههای با کیفیت بالا و بهبود مدل ایجاد میکند. به جای تکیه بر مجموعهدادههای از پیش موجود، عوامل هوش مصنوعی دادههای تازه و مرتبطی تولید میکنند که در زمان واقعی اعتبارسنجی میشوند. نتیجه یک اکوسیستم است که در آن هوش مصنوعی ثابت نیست - همیشه در حال یادگیری، همیشه در حال بهبود است.
ایشان پاندی: چه توصیهای به استارتاپهای هوش مصنوعی دارید که در تلاش برای پیمایش تعادل بین نوآوری، فروش و تأمین مالی هستند؟
شاشانک یاداو: نکته کلیدی زمانبندی است. در روزهای اولیه، همزمان روی نوآوری و فروش تمرکز کنید - شما فقط به اندازه کافی محصول نیاز دارید تا ثابت کنید مردم آن را میخواهند، اما باید زود شروع به فروش کنید. منتظر کمال نباشید. اگر نمیتوانید کسی را وادار کنید برای آن پول بپردازد، احتمالاً مشکل واقعی را حل نمیکند.
هنگامی که حتی یک اثبات کوچک از تقاضا دارید، در اسرع وقت بودجه جمعآوری کنید. شما باید به اندازه کافی زنده بمانید تا چیز بزرگی بسازید. بسیاری از استارتاپها شکست میخورند زیرا بدون تأمین امنیت سرمایه کافی، بیش از حد روی محصول تمرکز میکنند. در این مرحله زیاد روی رقیق شدن تمرکز نکنید، استارتاپها به هر حال یک بازی صفر یا یک هستند.
پس از جمعآوری کمکهای مالی، همه چیز در مورد فروش و نوآوری مستمر میشود. در حالی که درآمد را افزایش میدهید، به بهبود محصول ادامه دهید. اگر بتوانید به فروش ادامه دهید و فناوری را به جلو ببرید، از بقیه جلو خواهید ماند.
به طور خلاصه: اثبات تقاضا ⬅️ جمعآوری سریع بودجه ⬅️ مقیاسبندی فروش در حین بهبود محصول.