De un cuaderno de la facultad a los servidores de Silicon Valley: la apuesta de un argentino para cambiar la forma en que la IA “piensa”

Andrés Mac Allister tiene 35 años, nació en Pergamino y hoy reparte su tiempo entre Buenos Aires, Rosario (donde vivió quince años) y San Francisco, ciudad a la que se muda por tres meses a partir del próximo mes.

Es el fundador y CEO de The SEMQ Group, una compañía que asegura haber encontrado una forma distinta de representar la información dentro de los sistemas de inteligencia artificial , y que en los últimos meses sumó a un exCTO de Globant, a un excientífico de Apple, y financiamiento de Draper Cygnus, además de créditos de cómputo por 1,5 millones de dólares del programa Inception de Nvidia.

Hoy, The SEMQ Group tiene 7 personas trabajando full time pero la genesis arranca en 2010, cuando Mac Allister cursaba ingeniería en la Universidad de Rosario y creyó haber encontrado un atajo para representar vectores sin usar su magnitud, sólo la dirección.

La conclusión fue que no era un teorema, sino “un truco matemático que no sirve para nada”.

La idea quedó guardada durante quince años , hasta que Mac Allister (que para entonces ya llevaba varios proyectos de startups a cuestas) retomó el concepto casi por accidente , buscando contenido para las redes sociales de su emprendimiento anterior.

El hallazgo que nació de un post de LinkedIn a ser el futuro de la IA “El año pasado, como estaba trabajando en una startup con embeddings, que son la pieza fundamental sobre la que trabaja la inteligencia artificial, se me dio por investigar esto a modo de contarlo en LinkedIn, como algo anecdótico”, relata Mac Allister.

La explicación técnica , según Mac Allister, tiene que ver con la forma en que hoy se escriben los embeddings (la representación numérica que usan los modelos de IA para procesar texto, imágenes o cualquier tipo de dato).

La notación vectorial estándar guarda tres atributos: módulo, dirección y sentido.

Su hipótesis es que buena parte de esa información, específicamente la magnitud, es redundante para capturar el significado semántico, y que esa redundancia es la que encarece y hace más lento el procesamiento.

SEMQ reemplaza esos vectores por estructuras simbólicas de dimensión fija basadas en 18 símbolos , sin necesidad de reemplazar el modelo, la base de datos vectorial ni el framework de agentes que ya usé una empresa.

“El significado semántico de la inteligencia artificial no está dado por la magnitud, sino por la relación entre los vectores, y eso es puramente la dirección”, resume.

“Al representar de la forma que lo hacemos hoy en día, estamos añadiendo al sistema mucha más información de la que necesita, y eso lo hace más lento y más costoso”.