Denis Ignatovich, spoluzakladatel a spoluceo Imandry – rozhovor

Denis Ignatovich, spoluzakladatel a spoluceo Imandry, má více než deset let zkušeností v oboru obchodování, řízení rizik, kvantitativního modelování a návrhu komplexních obchodních systémů. Před založením Imandry vedl centrální rizikový obchodní stůl v Deutsche Bank (DB ) Londýn, kde si uvědomil kritickou roli, kterou může sehrát umělá inteligence v finančním sektoru. Jeho poznatky z tohoto období pomohly tvarovat Imandřinu nabídku finančních produktů. Denisovy příspěvky k počítačové logice pro finanční obchodní platformy zahrnují několik patentů. Vystudoval magisterský program financí na London School of Economics a získal tituly v oboru počítačových věd a financí na University of Texas v Austinu.

Imandra je umělá inteligence poháněná reasonovací engine, která využívá neurosymbolickou umělou inteligenci k automatizaci ověření a optimalizace komplexních algoritmů, zejména v oblasti finančního obchodování a softwarových systémů. Kombinací symbolické logiky s učením se z dat zvyšuje bezpečnost, soulad a efektivitu, pomáhá institucím snižovat rizika a zlepšovat transparentnost v rozhodování poháněném umělou inteligencí.

Co vás a Dr. Granta Passmorea inspirovalo k založení Imandry a jak vaše zázemí ovlivnilo vizi společnosti?

Po ukončení studia jsem se stal kvantitativním obchodníkem a nakonec jsem skončil v Londýně. Grant dokončil doktorát v Edinburghu a poté se přestěhoval do Cambridge, kde pracoval na aplikacích automatizované logické logiky pro analýzu bezpečnosti autopilotních systémů (komplexních algoritmů, které zahrnují nelineární výpočty). V mé práci jsem se také setkal s komplexními algoritmy s mnoha nelineárními výpočty a uvědomili jsme si, že existuje hluboká souvislost mezi těmito dvěma oblastmi. Způsob, jakým finance vytvářely tyto algoritmy, byl opravdu problémový (jak ukázaly многие zprávy o “algo-glitchích”), a proto jsme se rozhodli změnit to tím, že vybavíme inženýry v oblasti financí automatizovanými logickými nástroji, abychom přinesli přísné vědecké techniky do návrhu a vývoje softwaru. Nicméně, co jsme nakonec vytvořili, je průmyslově nezávislé.

Můžete vysvětlit, co je neurosymbolická umělá inteligence a jak se liší od tradičních přístupů k umělé inteligenci?

Oblast umělých inteligencí má (velmi zhruba!) dvě oblasti: statistickou (která zahrnuje LLM) a symbolickou (též známou jako automatizovaná logika). Statistická umělá inteligence je úžasná v identifikaci vzorců a provádění překladů pomocí informací, které se naučila z trénovacích dat. Ale je špatná v logickém uvažování. Symbolická umělá inteligence je téměř přesně opačná – nutí vás být velmi přesný (matematicky) v tom, co se snažíte udělat, ale může použít logiku k uvažování způsobem, který je (1) logicky konzistentní a (2) nevyžaduje data pro trénink. Techniky, které kombinují tyto dvě oblasti umělých inteligencí, se nazývají “neurosymbolické”. Jednou z famózních aplikací tohoto přístupu je projekt AlphaFold od DeepMind, který nedávno získal Nobelovu cenu.

Co podle vás odlišuje Imandru v vedení neurosymbolické revoluce umělých inteligencí?

Existuje mnoho úžasných symbolických reasonerů (většinou v akademii), které cílí na specifické niky (například skládání proteinů), ale Imandra vybavuje vývojáře možnostmi analyzovat algoritmy s bezprecedentní automatizací, která má mnohem širší aplikace a větší cílové skupiny než tyto nástroje.

Jak Imandřina automatizovaná logika eliminuje běžné výzvy umělých inteligencí, jako jsou halucinace, a zlepšuje důvěru v systémy umělých inteligencí?

S naším přístupem se LLM používá k překladu požadavků lidí do formální logiky, která je poté analyzována reasonovací engine s kompletním logickým auditním stopem. Zatímco překladové chyby mohou nastat při použití LLM, uživatel je vybaven logickým vysvětlením, jak byly vstupní údaje přeloženy, a logické audity mohou být ověřeny třetími stranami pomocí open-source softwaru. Naším konečným cílem je přinést akční transparentnost, kde systémy umělých inteligencí mohou vysvětlit své uvažování způsobem, který je nezávisle logicky ověřitelný.

Imandra je používána společnostmi jako Goldman Sachs (GS ) a DARPA. Můžete sdílet skutečný příklad toho, jak vaše technologie vyřešila složitý problém?

Skvělé veřejně dostupné příklady skutečného dopadu Imandry jsou uvedeny v našem vítězství v soutěži UBS Future of Finance (podrobnosti s kódem Imandry jsou na našem webu). Při vytváření případové studie pro UBS, která kódovala regulační dokument, který byl předložen SEC, Imandra identifikovala fundamentální a jemnou chybu v popisu algoritmu. Chyba pramenila z jemných logických podmínek, které musí být splněny pro řazení objednávek v objednávce – něco, co by bylo pro lidi nemožné zjistit “ručně”. Banka nás ocenila prvním místem (z více než 620 společností celosvětově).

Jak vaše zkušenosti v Deutsche Bank ovlivnily aplikace Imandry ve finančních systémech a jaký je nejvýznamnější případ, který jste dosud viděli?

V Deutsche Bank jsme se setkali s mnoha komplexními kódy, které činily automatická obchodní rozhodnutí na základě různých vstupů ML, indikátorů rizik apod. Jako každá banka jsme také museli dodržovat řadu předpisů. Grant a já jsme si uvědomili, že to, na matematické úrovni, bylo velmi podobné výzkumu, který Grant prováděl pro bezpečnost autopilotních systémů.

Mimo finance, které odvětví podle vás mají největší potenciál prospěch z neurosymbolické umělých inteligencí?

Jsme svědky toho, jak AlphaFold získal Nobelovu cenu, takže určitě počítáme s tím… V konečném důsledku většina aplikací umělých inteligencí bude výrazně prospěšná z použití symbolických metod, ale konkrétně pracujeme na následujících agentech, které brzy vydáme: analýza kódu (překládání zdrojového kódu do matematických modelů), vytváření přísných modelů z anglických specifikací, uvažování o modelech SysML (jazyk používaný pro popis systémů v bezpečnostně kritických odvětvích) a automatizace obchodních procesů.

Imandřina regionální dekompozice je novou funkcí. Můžete vysvětlit, jak funguje a jaký je její význam při řešení složitých problémů?

Otázka, o které každý inženýr přemýšlí, když píše software, je “jaké jsou hraniční případy?”. Když jejich práce spočívá v QA a musí psát testovací případy, nebo když píší kód a přemýšlejí, zda správně implementovali požadavky. Imandra přináší vědeckou přísnost k odpovědi na tuto otázku – zachází s kódem jako s matematickým modelem a symbolicky analyzuje všechny jeho hraniční případy (při vytváření důkazu o kompletnosti pokrytí). Tato funkce je založena na matematické technice nazvané “Cylindrical Algebraic Decomposition”, kterou jsme “zvedli” pro algoritmy obecně. Ušetřila našim zákazníkům v oblasti financí nespočet hodin a odhalila kritické chyby. Nyní přinášíme tuto funkci inženýrům všude.

Jak Imandra integruje s velkými jazykovými modely a jaké nové schopnosti to odemyká pro generativní umělou inteligenci?

LLM a Imandra spolupracují na formalizaci vstupů lidí (čištění zdrojového kódu, anglického textu apod.), uvažování o nich a poté vrácení výstupu způsobem, který je snadno pochopitelný. Používáme agenticské rámce (například Langgraph), aby orchestrace této práce a dodání zkušeností jako agent, kterého naši zákazníci mohou použít přímo nebo integrovat do svých aplikací nebo agentů. Tato symbiotická workflow řeší mnoho výzev používání pouze nástrojů LLM a rozšiřuje jejich aplikaci za hranice dříve viděných trénovacích dat.

Jaký je váš dlouhodobý výhled pro Imandru a jak vidíte, že transformuje aplikace umělých inteligencí napříč odvětvími?

Myslíme si, že neurosymbolické techniky budou základem, který připraví cestu k naplnění slibu umělých inteligencí. Symbolické techniky jsou chybějící ingrediencí pro většinu průmyslových aplikací umělých inteligencí a jsme rádi, že jsme na předním místě této další kapitoly umělých inteligencí.

Děkuji za skvělý rozhovor, čtenáři, kteří si chtějí dozvědět více, by měli navštívit Imandru.