Denisas Ignatovičius, „Imandra“ įkūrėjas ir generalinis direktorius, turi daugiau nei dešimtmečio prekybos, rizikos valdymo, kiekybinio modeliavimo ir sudėtingos prekybos sistemos projektavimo patirtį. Prieš įkūręs Imandrą, jis vadovavo centriniam rizikos prekybos tarnybai „Deutsche Bank London“, kur pripažino, kad AI gali atlikti kritinį vaidmenį finansų sektoriuje. Jo įžvalgos šiuo metu padėjo formuoti Imandros finansinių produktų rinkinį. Deniso indėlis į finansinės prekybos platformų skaičiavimo logiką yra keli patentai. Jis turi finansų magistro laipsnį iš Londono ekonomikos ir laipsnių informatikos ir finansų mokyklų iš UT Austino.
„Imandra“ yra AI varomas samprotavimo variklis, kuris naudoja neurosimbolinę AI, kad automatizuotų sudėtingų algoritmų, ypač finansinės prekybos ir programinės įrangos sistemose, patikrinimą ir optimizavimą. Derinant simbolinius samprotavimus su mašininiu mokymu, jis padidina saugumą, atitiktį ir efektyvumą, padeda institucijoms sumažinti riziką ir pagerinti AI orientuotų sprendimų priėmimo skaidrumą.
Kas paskatino jus ir dr. Grantą Passmore’ą įkurti Imandra ir kaip jūsų fonas paveikė įmonės viziją?
Po universiteto ėmiausi kiekybinės prekybos ir baigiau Londone. Grantas įgijo daktaro laipsnį Edinburge, o po to persikėlė į Kembridžą, kad galėtų dirbti automatinių loginių pagrindų pritaikyme, skirtoje autopiloto sistemų saugai (sudėtingi algoritmai, apimantys netiesinius skaičiavimus). Savo darbe taip pat nagrinėjau sudėtingus algoritmus su daugybe netiesinių skaičiavimų ir supratome, kad tarp šių dviejų laukų yra gilus ryšys. Tai, kaip finansai sukūrė tokius algoritmus, buvo tikrai problemiška (kaip pabrėžė daugelis naujienų istorijų, susijusių su „algo trūkumais“), todėl mes nusprendėme tai pakeisti suteikdami inžinieriams finansams naudodamiesi automatinėmis loginėmis priemonėmis, siekiant pateikti griežtus mokslinius metodus programinės įrangos projektavimui ir plėtrai. Tačiau tai, ką mes baigėme kurti, yra pramonė-agnostika.
Ar galite paaiškinti, kas yra neurosimbolinė AI ir kuo ji skiriasi nuo tradicinių AI metodų?
AI lauke (labai apytiksliai!) Dvi sritys: statistinės (įskaitant LLM) ir simbolinius (dar žinomas kaip automatizuotas samprotavimas). Statistinė AI yra neįtikėtina identifikuojant modelius ir atliekant vertimą naudojant informaciją, kurią sužinojo iš duomenų, kuriuose buvo išmokyta. Tačiau tai blogai logiški samprotavimai. Simbolinė PG yra beveik visiškai priešinga – ji verčia jus būti labai tikslus (matematiškai) su tuo, ką bandote padaryti, tačiau ji gali naudoti logiką, kad būtų galima pagrįsti tokiu būdu, kuris yra (1) logiškai nuoseklus ir (2) nereikia mokymo duomenų. Šios dvi AI sritys derinančios technikos yra vadinamos „neurosimboliniais“. Vienas garsus šio požiūrio taikymas yra „Alphafold“ projektas iš „Deepmind“, kuris neseniai laimėjo Nobelio premiją.
Kaip manote, kas išskiria Imandrą vadovaujant neurosimbolinei AI revoliucijai?
Yra daugybė neįtikėtinų simbolinių priežasčių (daugiausia akademinėje bendruomenėje), nukreipiančiose į konkrečias nišas (pvz.
Kaip automatizuoti Imandros samprotavimai pašalina įprastus AI iššūkius, tokius kaip haliucinacijos, ir pagerina pasitikėjimą AI sistemomis?
Taikant mūsų požiūrį, LLM yra naudojamos paversti žmonių užklausas į oficialią logiką, kurią vėliau analizuojama samprotavimo variklis su visu loginiu audito taku. Nors vertimo klaidos gali atsirasti naudojant LLM, vartotojui pateikiamas loginis paaiškinimas, kaip buvo išversti įvestys, ir loginį auditą gali patikrinti 3 -iosios šalies atvirojo kodo programinė įranga. Mūsų pagrindinis tikslas yra suteikti veiksmingą skaidrumą, kai AI sistemos gali paaiškinti savo samprotavimus savarankiškai logiškai patikrinama.
„Imandra“, be kita ko, naudoja Goldman Sachs ir DARPA. Ar galite pasidalyti realaus pasaulio pavyzdžiu, kaip jūsų technologija išsprendė sudėtingą problemą?
Puikus viešas „Imandra“ realaus pasaulio poveikio pavyzdys pabrėžiamas mūsų UBS finansų konkurso ateityje 1 -oje vietoje (išsami informacija su „Imandra Code“ yra mūsų svetainėje). Kurdamas UBS atvejo analizę, koduojančią reguliavimo dokumentą, kurį jie pateikė SEC, Imandra nustatė esminį ir subtilų algoritmo aprašymo trūkumą. Trūkumas kilo dėl subtilių loginių sąlygų, kurias reikia įvykdyti, kad būtų galima suskirstyti užsakymus užsakymo knygoje – to, ko žmonėms būtų neįmanoma aptikti „rankomis“. Bankas skyrė mums 1 vietą (iš daugiau nei 620 bendrovių visame pasaulyje).
Kaip jūsų patirtis „Deutsche Bank“ suformavo „Imandra“ programas finansų sistemose ir koks poveikis naudojimo atvejis, kurį iki šiol matėte?
„Deutsche“ banke mes susidūrėme su daugybe labai sudėtingų kodų, kurie priėmė automatinius prekybos sprendimus, pagrįstus įvairiais ML sąnaudomis, rizikos rodikliais ir kt. Kaip ir bet kuris bankas, mes taip pat turėjome laikytis daugybės taisyklių. Grantas ir aš supratau, kad tai matematiniu lygmeniu buvo labai panašus į tyrimus, kuriuos jis atliko siekdamas autopiloto saugos.
Kurios pramonės šakos, kurios, jūsų manymu, turi didžiausią potencialą naudos iš neurosimbolinės AI?
Matėme, kad „Alphafold“ gauna Nobelio premiją, todėl tikrai suskaičiuokime tą … Galų gale, dauguma AI programų bus labai naudingos naudojant simbolinius metodus, tačiau konkrečiai mes dirbame prie šių agentų, kuriuos netrukus išleisime: kodo analizė (šaltinio kodas į matematinius modelius), kurdami griežtus modelius iš anglų kalbos specifikacijų, pagrįstų „SysML“ modeliais (naudojami sistemos, naudojamos apibūdinti sistemas, apibūdinančias saugos sistemas).
Imandros regiono skilimas yra naujas bruožas. Ar galite paaiškinti, kaip tai veikia, ir jo reikšmė sprendžiant sudėtingas problemas?
Klausimas, apie kurį kiekvienas inžinierius galvoja rašydamas programinę įrangą, yra „kokie kraštai atvejų?“. Kai jų darbas yra QA ir jiems reikia rašyti bandomuosius atvejus, arba jie rašo kodą ir galvoja, ar jie teisingai įgyvendino reikalavimus. Imandra atkreipia mokslinį griežtumą atsakant į šį klausimą – jis traktuoja kodą kaip matematinį modelį ir simboliškai analizuoja visus jo krašto atvejus (tuo pačiu pateikdamas įrodymą apie aprėpties išsamumą). Ši funkcija pagrįsta matematine technika, vadinama „cilindrine algebriniu skilimu“, kurią mes „pakėlėme“ į plačius algoritmus. Tai sutaupė daugybę valandų mūsų klientams finansų srityje ir atskleidė kritines klaidas. Dabar šią funkciją pateikiame inžinieriams visur.
Kaip „Imandra“ integruoja su didelėmis kalbos modeliais ir kokias naujas galimybes tai atrakina generatyvinei AI?
LLMS ir Imandra dirba kartu, kad įformintų žmogaus įvestį (nesvarbu, ar tai šaltinio kodas, anglų kalbos proza ir tt), apie ją ir grąžina išvestį taip, kad būtų lengva suprasti. Mes naudojame „Agentic Frameworks“ (pvz. Ši simbiotinė darbo eiga nagrinėja daugelį iššūkių, susijusių su LLM tik AI įrankiais, ir praplečia jų programą už anksčiau matytų mokymo duomenų.
Kokia yra jūsų ilgalaikė „Imandra“ vizija ir kaip, jūsų manymu, ji keičia AI programas įvairiose pramonės šakose?
Mes manome, kad neurosimboliniai metodai bus pagrindas, kuris mums atveria kelią mums įgyvendinti AI pažadą. Simboliniai metodai yra trūkstama ingredientas daugumai AI pramoninių pritaikymų ir mes džiaugiamės, kad galime būti šio kito AI skyriaus priešakyje.
Dėkojame už puikų interviu, skaitytojai, norintys sužinoti daugiau, turėtų apsilankyti Imandra.
Source link
