Денис ІгнатовичСпівзасновник та співзасновник Imandra, має понад десятиліття досвіду роботи в галузі торгівлі, управління ризиками, кількісного моделювання та складної конструкції торгової системи. Перед тим, як засновати Імандру, він керував центральним торговим столом ризику в Deutsche Bank London, де визнав, що критична роль Ай може зіграти у фінансовому секторі. Його розуміння за цей час допомогло формувати набір фінансових продуктів Імандри. Внески Деніса в обчислювальну логіку для платформ фінансової торгівлі включають кілька патентів. Він має магістратуру з фінансів у Лондонській школі економіки та ступенів з інформатики та фінансів у UT Oustin.
Імандра є двигуном міркувань, що працюють на AI, який використовує нейросимболічний AI для автоматизації перевірки та оптимізації складних алгоритмів, особливо у фінансових торгових та програмних системах. Поєднуючи символічні міркування з машинним навчанням, це підвищує безпеку, дотримання та ефективність, допомагаючи інституціям зменшити ризик та підвищити прозорість у прийнятті рішень, орієнтованих на AI.
Що надихнуло вас та доктора Гранта Пасмора співзасновити Імандру, і як ваш фон вплинув на бачення компанії?
Після коледжу я пішов у кількісну торгівлю і опинився в Лондоні. Грант зробив доктор наук в Едінбурзі, а потім переїхав до Кембриджа, щоб працювати над застосуванням автоматизованих логічних міркувань для аналізу безпеки систем автопілотів (складні алгоритми, що включають нелінійні обчислення). У своїй роботі я також мав справу зі складними алгоритмами з великою кількістю нелінійних обчислень, і ми зрозуміли, що між цими двома полями є глибокий зв’язок. Те, як фінанси створювали такі алгоритми, був дійсно проблематичним (як підкреслюється багато новин, що стосуються “глюків Algo”), тому ми вирішили змінити це, надаючи можливість інженерів у фінансах з автоматизованими логічними інструментами для отримання суворих наукових методів дизайну програмного забезпечення. Однак те, що ми закінчили створення, є галузево-агностичним.
Чи можете ви пояснити, що таке нейросимголічний ШІ і в чому він відрізняється від традиційних підходів AI?
Поле AI має (дуже приблизно!) Дві області: статистичні (що включає LLMS) та символічні (він же автоматизований міркування). Статистичний ШІ неймовірний у визначенні моделей та перекладу, використовуючи інформацію, яку він дізнався з даних, на яких він навчався. Але це погано в логічному міркуванні. Символічний ШІ майже навпаки – це змушує вас бути дуже точним (математично) з тим, що ви намагаєтесь зробити, але він може використовувати логіку для міркування таким чином, що (1) логічно послідовний і (2) не потребує даних для навчання. Методи, що поєднують ці дві області ШІ, називаються “нейросимголічними”. Одним із відомих застосувань такого підходу є проект Альфафольда від Deepmind, який нещодавно виграв Нобелівську премію.
Як ви думаєте, що відрізняє Імандру у веденні нейросимболічної революції AI?
Існує безліч неймовірних символічних обґрунтовників (більшість з наукових закладів), які орієнтуються на конкретні ніші (наприклад, складання білка), але Imandra надає розробникам розробникам аналізувати алгоритми з безпрецедентною автоматизацією, яка має набагато більші програми та більші цільової аудиторії, ніж ці інструменти.
Як автоматизоване міркування Імандри усуває загальні виклики ШІ, такі як галюцинації, та покращують довіру до систем ШІ?
За допомогою нашого підходу LLM використовуються для перекладу запитів людей у формальну логіку, яка потім аналізується двигуном міркувань з повним логічним аудитом. Хоча помилки перекладу можуть виникати при використанні LLM, користувачеві надається логічне пояснення того, як переводяться входи, а логічні аудити можуть бути перевірені стороннім програмним забезпеченням з відкритим кодом. Наша кінцева мета – забезпечити діючу прозорість, де системи AI можуть пояснити свої міркування таким чином, що незалежно логічно перевіряється.
Імандра використовують Goldman Sachs та Darpa, серед інших. Чи можете ви поділитися реальним прикладом того, як ваша технологія вирішила складну проблему?
Великий публічний приклад реального світового впливу Імандри висвітлюється в нашому UBS Future of Finance Compuild Перемога в першому місці (деталі з кодом Imandra розміщені на нашому веб -сайті). Створюючи тематичне дослідження для UBS, який кодував регуляторний документ, який вони подали до SEC, Імандра визначила основну та тонку недолік у описі алгоритму. Недолік випливав з тонких логічних умов, які повинні бути виконані для ранжування замовлень всередині книги замовлень – те, що було б неможливим для людей виявити “вручну”. Банк присудив нам 1 -е місце (з більш ніж 620 компаній у всьому світі).
Як ваш досвід роботи в Deutsche Bank формував програми Imandra у фінансових системах, і який найважливіший випадок використання ви бачили досі?
У Deutsche Bank ми мали справу з великою кількістю дуже складного коду, який прийняв автоматизовані торгові рішення на основі різних вкладень ML, показників ризику тощо. Як будь -який банк, нам також довелося дотримуватися численних правил. Ми з Грантом зрозуміли, що це на математичному рівні було дуже схоже на дослідження, яке він робив для безпеки автопілотів.
Крім фінансів, які галузі ви бачите як найбільший потенціал, щоб отримати користь від нейросимголічного ШІ?
Ми бачили, як Альфафольд отримує Нобелівську премію, тому давайте, безумовно, порахуємо, що один… в кінцевому підсумку більшість застосувань ШІ отримають велику користь, використовуючи символічні методи, але, зокрема, ми працюємо над наступними агентами, які ми незабаром випустимо: Код-аналіз (переклад вихідного коду в математичні моделі), створюючи суворі моделі з специфічних для англійської прози, і міркування щодо системних моделей.
Розклад регіону Імандри – це нова особливість. Чи можете ви пояснити, як це працює та його значення у вирішенні складних проблем?
Питання, про яке думає кожен інженер під час написання програмного забезпечення, – це те, що за крайові випадки? “. Коли їхня робота – QA, і їм потрібно писати тестові випадки одиниці або вони пишуть код і думають про те, чи правильно вони реалізували вимоги. Імандра приносить наукову суворість, щоб відповісти на це питання – він трактує код як математичну модель і символічно аналізує всі його краю (при цьому при цьому доказ про повноту висвітлення). Ця особливість заснована на математичній техніці під назвою “циліндричний алгебраїчний розклад”, яку ми “підняли” до алгоритмів у цілому. Це заощадило незліченну кількість годин для наших клієнтів у фінансах та виявив критичні помилки. Тепер ми приносимо цю функцію інженерам скрізь.
Як Imandra інтегрується з великими мовними моделями та які нові можливості це розблокують для генеративного ШІ?
LLMS та Imandra працюють разом, щоб формалізувати вклад людини (будь то вихідний код, англійська проза тощо), міркування щодо цього, а потім поверніть вихід таким чином, щоб легко зрозуміти. Ми використовуємо агентні рамки (наприклад, Langgraph) для організації цієї роботи та надання досвіду як агента, яким наші клієнти можуть використовувати безпосередньо, або інтегруватися у свої програми чи агенти. Цей симбіотичний робочий процес вирішує багато проблем використання інструментів AI, що стосується лише LLM, та розширює їх застосування за рамки попередніх навчальних даних.
Яке ваше довгострокове бачення для imandra, і як ви бачите, як він перетворює програми AI в галузі галузей?
Ми вважаємо, що нейросимголічні методи будуть основою, яка прокладає шлях до нас, щоб реалізувати обіцянку ШІ. Символічні методи – це відсутній інгредієнт для більшості промислових застосувань AI, і ми раді бути на передньому плані цієї наступної глави ШІ.
Дякуємо за чудове інтерв’ю, читачі, які бажають дізнатися більше, повинні відвідати Імандра.
