Hvordan fraktion AI demokratiserer AI-ejerskab for masserne

I dette eksklusive interview til HackerNoons "Behind the Startup"-serie sætter vi os ned med Shashank Yadav, grundlæggeren og administrerende direktør for Fraction AI , en platform, der giver brugerne mulighed for at træne og eje deres egne AI-modeller. Med en baggrund i AI og erfaring i kerne-maskinlæringsteams hos Goldman Sachs og Microsoft deler Shashank sin rejse, indsigt i udfordringerne ved at skalere AI, og hvordan Fraction AI tackler branchens største flaskehals – pålidelige data af høj kvalitet. Få et indblik i, hvordan Fraction AI forstyrrer AI-landskabet og demokratiserer AI-ejerskab.

Ishan Pandey: Hej Shashank, det er en fornøjelse at byde dig velkommen til vores "Behind the Startup"-serie. Fortæl os venligst om dig selv, og hvad der inspirerede dig til at grundlægge Fraction AI?

Shashank Yadav : Hej Ishan, dejligt at være her. Jeg er Shashank, grundlægger af Fraction AI. Min baggrund er i AI. Jeg studerede datalogi på IIT Delhi med fokus på AI-forskning. Derefter arbejdede jeg på kerne-ML-teamet hos Goldman Sachs, sluttede mig derefter til en tidlig startup som AI-forsker og flyttede senere til en hedgefond, der anvendte AI til kvantitativ handel.

Det problem, jeg blev ved med at løbe ind i, var, at AI var ved at blive centraliseret. Nogle få virksomheder kontrollerede de mest kraftfulde modeller, og alle andre var fast ved at bruge hyldeversioner, der ikke var skræddersyet til deres behov. Men AI er ikke én størrelse, der passer til alle. En advokat har brug for en anden model end en erhvervsdrivende eller en udvikler. Den bedste AI er specialiseret, men træning af din egen var enten for dyr eller for kompleks.

Det er derfor, jeg startede Fraction AI. Det er en platform, hvor alle kan eje og træne deres egne AI-modeller. Brugere opretter AI-agenter, der konkurrerer i sessioner. Hver agent betaler et lille adgangsgebyr, genererer det bedst mulige output for en opgave og bliver bedømt af en LLM. Vindere optjener belønninger, og deres modeller forbedres baseret på deres bedste resultater. Over tid bygger brugere højt specialiserede AI'er, der bliver ved med at blive bedre.

I stedet for at stole på nogle få store modeller, skaber vi et økosystem, hvor tusindvis af mindre, specialiserede modeller konkurrerer, lærer og vokser. AI skal ikke bare være noget, du bruger. Det bør være noget, du ejer og forbedrer. Det er det, vi bygger.

Ishan Pandey: Du har arbejdet i kerne-ML-teams hos Microsoft og Goldman Sachs. Hvordan formede disse oplevelser din tilgang til at bygge Fraktion AI?

Shashank Yadav : Ja, i løbet af college var jeg hos Microsoft på Bing-teamet, hvor jeg arbejdede med maskinlæring til søgerangering. Det var min første rigtige eksponering for store AI-systemer. Søgning handler ikke kun om at finde information, men om at forstå, hvad brugerne virkelig ønsker, og at rangere resultater effektivt. Det lærte mig, at kunstig intelligens ikke kun handler om smarte modeller, det handler om at få dem til at fungere i den virkelige verden.

Hos Goldman Sachs var jeg på ML-kerneteamet og byggede modeller til økonomiske forudsigelser. Inden for finans har selv små forbedringer betydning, og modeller testes konstant under virkelige forhold, hvor fejl er dyre. Den erfaring lærte mig, hvordan man opbygger AI, der er pålidelig, tilpasningsdygtig og forbedres over tid i stedet for bare at præstere godt i en kontrolleret indstilling.

Senere, hos en hedgefond, arbejdede jeg med kunstig intelligens til kvanthandel. Det var der, jeg så, hvor kraftig konkurrence kan være. Modeller, der løbende tilpasser sig og lærer af konkurrerende strategier, har en tendens til at præstere bedre end dem, der forbliver statiske.

Alt det formede fraktion AI. I stedet for at bygge én perfekt AI, skabte vi et system, hvor AI-agenter konkurrerer, lærer og forbedrer baseret på feedback fra den virkelige verden. Den bedste AI er ikke designet isoleret - den udvikler sig ved konstant at teste sig selv mod andre. Det er ideen bag Fraction AI.

Ishan Pandey: Du har sagt, at AI-industriens største flaskehals er pålidelige data, ikke computerkraft eller programmering. Kan du uddybe, hvorfor data er den egentlige begrænsning?

Shashank Yadav : Ja, jeg står stærkt ved den udtalelse. Nuværende AI-modeller har allerede set det meste af internettet. Mere beregning hjælper ikke, hvis der ikke er noget nyt at lære af. Den virkelige udfordring er at få friske data af høj kvalitet. DeepSeek fandt ud af dette og trænede en model ved at bruge ren forstærkningslæring i stedet for traditionelle datasæt. De indså, at du ikke bare kan blive ved med at finjustere de samme gamle data, du har brug for et system, der genererer ny, nyttig information.

Vi tager den idé videre med Fraction AI. I stedet for at stole på statiske datasæt lader vi AI-agenter konkurrere i opgaver i den virkelige verden. De bedste output bliver bedømt, forfinet og brugt til at forbedre den næste generation af modeller. Det er decentraliseret og i konstant udvikling. AI bør tilhøre alle, ikke kun nogle få virksomheder. Den bedste måde at få det til at ske er at skabe et system, hvor folk træner og forbedrer deres egne modeller ved at generere nye data af høj kvalitet. I stedet for at AI bliver låst væk, bliver den ved med at udvikle sig gennem brug i den virkelige verden.

Ishan Pandey: Hvad er de største misforståelser, virksomheder har om at skalere AI, og hvordan adresserer Fraction AI dem?

Shashank Yadav: Den største misforståelse er, at skalering af AI bare handler om at kaste mere computer på større modeller. Det virkede tidligere, men vi har ramt en mur, flere parametre betyder ikke automatisk bedre resultater. Den egentlige flaskehals nu er data, ikke computer. En anden fejl er at tro, at AI er statisk. Mange virksomheder finjusterer en model én gang og antager, at den er "færdig". Men AI er ikke som software, den skal blive ved med at lære af nye data for at forblive relevant. Hvis din AI ikke konstant forbedres, er den bagud.

Fraktion AI løser dette ved at gøre AI selvforbedrende. I stedet for at træne en model én gang og håbe på, at den virker for evigt, skaber vi et system, hvor AI-agenter konstant konkurrerer, lærer af deres bedste resultater og udvikler sig i realtid. Det handler ikke kun om at skalere modeller, det handler om at skalere læring. Fremtiden for AI handler ikke om at bygge den største model. Det handler om at skabe systemer, der kan vokse af sig selv. Det er det, vi bygger.

Ishan Pandey: Hvad var de største udfordringer, du stod over for, mens du gik fra at arbejde med storteknologi til at stifte din egen AI-virksomhed?

Shashank Yadav: Den største udfordring var at skifte fra at løse tekniske problemer til at drive en egentlig virksomhed. I big tech fokuserer du på at bygge modeller, men som grundlægger skal du tænke på alt - produkt, brugere, finansiering og sikre, at det du bygger faktisk betyder noget.

Jeg brugte meget tid på at se Y Combinator-kurser for at forstå, hvordan man bygger og skalerer en startup. IIT Delhi har en enorm iværksætterkultur, så jeg havde mange mennesker at se op til, som allerede havde taget springet. Det gav mig tillid til, at det var muligt. At blive Nailwal Fellow var også en game-changer. Sandeep Nailwal, medstifter af Polygon, er en af de mest respekterede fyre i Web3, og det var utroligt værdifuldt at få hans vejledning. Han forstår, hvordan man bygger på en åben, decentral måde, mens han stadig får tingene til at fungere i stor skala.

Den sværeste del af at starte en virksomhed er ikke teknologien, det er at finde ud af, hvordan man gør sin vision til noget virkeligt, noget folk rent faktisk bruger. At lære af andre, der har gjort det før, gjorde en kæmpe forskel.

Ishan Pandey: Fraction AI fokuserer på at opbygge et selvunderstøttet AI-økosystem. Kan du nedbryde, hvordan din platform muliggør skalerbar dataindsamling af høj kvalitet?

Shashank Yadav : Fraction AI er bygget op omkring ideen om, at AI skal forbedre sig selv gennem konkurrence og brug i den virkelige verden. I stedet for at stole på statiske datasæt, skaber vi et system, hvor AI-agenter genererer, forfiner og forbedrer data i skala. Sådan fungerer det: Brugere opretter AI-agenter, hver med deres egen systemprompt og tuning. Disse agenter konkurrerer i sessioner, hvor de genererer output for en given opgave. Deres svar bedømmes af en LLM-dommer, og de bedst præsterende agenter får belønninger. Denne proces gentages kontinuerligt, hvilket skaber en feedback-loop, hvor AI-modeller forbedres over tid.

Men vi indsamler ikke kun data - vi finjusterer også modellerne. De bedste resultater fra disse konkurrencer føres tilbage til træningsprocessen, hvilket hjælper agenter med at udvikle sig og specialisere sig. Over flere sessioner kan brugerne opgradere deres modeller, hvilket gør dem smartere og bedre egnede til deres specifikke opgaver.

Dette skaber et skalerbart system til dataindsamling af høj kvalitet og modelforbedring. I stedet for at stole på allerede eksisterende datasæt, genererer AI-agenter friske, relevante data, der er valideret i realtid. Resultatet er et økosystem, hvor kunstig intelligens ikke er statisk – den lærer altid, den forbedres altid.

Ishan Pandey: Hvilket råd vil du give til AI-startups, der forsøger at navigere i balancen mellem innovation, salg og finansiering?

Shashank Yadav: Nøglen er timing. I de tidlige dage skal du fokusere på innovation og salg på samme tid - du har brug for lige nok produkt til at bevise, at folk vil have det, men du skal også begynde at sælge tidligt. Vent ikke på perfektion. Hvis du ikke kan få nogen til at betale for det, løser det nok ikke et reelt problem.

Når du har selv et lille bevis på efterspørgsel, skal du indsamle penge så hurtigt som muligt. Du skal overleve længe nok for at bygge noget fantastisk. Mange startups fejler, fordi de fokuserer for meget på produktet uden at sikre nok landingsbane. Fokuser ikke for meget på fortynding på dette tidspunkt, startups er i hvert fald et nul eller et spil.

Efter fundraising handler det om salg og løbende innovation. Bliv ved med at forbedre produktet, mens du skalerer omsætningen op. Hvis du kan blive ved med at sælge og fortsætte med at skubbe teknologien fremad, vil du være på forkant.

Kort sagt: Bevis efterspørgsel → Øg hurtigt → Skaler salget, mens du forbedrer produktet.