Denis Ignatovich, medstifter og med-CEO af Imandra – Interview Serie

Denis Ignatovich, medstifter og med-CEO af Imandra, har mere end et årti lang erfaring med handel, risikostyring, kvantitativ modellering og kompleks handelssystemdesign. Før han stiftede Imandra, ledede han den centrale risikohandelsafdeling i Deutsche Bank London, hvor han erkendte den kritiske rol, som AI kan spille i den finansielle sektor. Hans indsigt under denne periode hjalp med at forme Imandras suite af finansielle produkter. Denis’ bidrag til beregningslogik for finansielle handelsplatforme omfatter flere patenter. Han har en MSc i finansielle studier fra London School of Economics og uddannelser i datalogi og finansielle studier fra UT Austin.

Imandra er en AI-drevet resonansmotor, der bruger neurosymbolisk AI til at automatisere verificering og optimering af komplekse algoritmer, særligt i finansielle transaktioner og software-systemer. Ved at kombinere symbolisk resonans med maskinel læring forbedrer den sikkerhed, overholdelse og effektivitet, hvilket hjælper institutioner med at reducere risiko og forbedre gennemsigtighed i AI-drevne beslutninger.

Hvad inspirerede dig og Dr. Grant Passmore til at stifte Imandra, og hvordan har jeres baggrund påvirket visionen for virksomheden?

Efter college gik jeg ind i kvantitativ handel og endte i London. Grant gjorde sin ph.d. i Edinburgh og flyttede derefter til Cambridge for at arbejde med anvendelser af automatiseret logisk resonans til analyse af autopilot-systemers sikkerhed (komplekse algoritmer, der indebærer ikke-lineær beregning). I mit arbejde havde jeg også at gøre med komplekse algoritmer med mange ikke-lineære beregninger, og vi erkendte, at der er en dyb forbindelse mellem de to fagområder. Den måde, hvorpå finansverdenen skabte disse algoritmer, var virkelig problematisk (som fremhævet af mange nyhedsartikler om “algo-fejl”), så vi satte os for at ændre dette ved at give ingeniører i finansverdenen automatiserede logiske værktøjer til at bringe strenge videnskabelige metoder til software-design og -udvikling. Men det, vi endte med at skabe, er brancheneduelt.

Kan du forklare, hvad neurosymbolisk AI er, og hvordan det adskiller sig fra traditionelle AI-tilgange?

AI-feltet har (meget omtrent!) to områder: statistisk (der inkluderer LLM’er) og symbolisk (også kendt som automatiseret resonans). Statistisk AI er utrolig god til at identificere mønstre og oversætte ved hjælp af information, den har lært fra den træningsdata, den blev trænet på. Men det er dårligt til logisk resonans. Den symboliske AI er næsten det modsatte – det tvinger dig til at være meget præcis (matematisk) med, hvad du prøver at gøre, men det kan bruge logik til at resonere på en måde, der er (1) logisk konsistent og (2) ikke kræver træningsdata. Teknikkerne, der kombinerer disse to AI-områder, kaldes “neurosymbolisk”. En berømt anvendelse af denne tilgang er AlphaFold-projektet fra DeepMind, der nylig vandt Nobelprisen.

Hvad mener du sætter Imandra ud fra i føringen af den neurosymboliske AI-revolution?

Der er mange fantastiske symboliske resonanser derude (de fleste i akademiske kredse), der sigter mod bestemte niche-områder (f.eks. protein-folding), men Imandra giver udviklere mulighed for at analysere algoritmer med en hidtil uset automation, der har langt større anvendelser og større målgrupper end disse værktøjer.

Hvordan eliminerer Imandras automatiserede resonans almindelige AI-udfordringer, såsom hallucinationer, og forbedrer tillid til AI-systemer?

Med vores tilgang bruges LLM’er til at oversætte menneskers anmodninger til formel logik, som derefter analyseres af resonansmotoren med en fuld logisk audit-spor. Selvom oversættelsesfejl kan opstå, når man bruger LLM’er, får brugeren en logisk forklaring på, hvordan input er oversat, og de logiske audits kan verificeres af tredjeparts open-source-software. Vores ultimative mål er at bringe handlebar gennemsigtighed, hvor AI-systemer kan forklare deres resonans på en måde, der er uafhængigt logisk verificerbar.

Imandra bruges af Goldman Sachs og DARPA, blandt andre. Kan du dele et virkeligt eksempel på, hvordan jeres teknologi løste et komplekst problem?

Et fantastisk eksempel på den virkelige virkning af Imandra er fremhævet i vores UBS Future of Finance-konkurrence 1. plads (detaljerne med Imandra-kode er på vores website). Mens vi skabte en case-study for UBS, der encodede en regulativ dokument, som de indsendte til SEC, identificerede Imandra en fundamental og subtil fejl i algoritme-beskrivelsen. Fejlen stammede fra subtile logiske betingelser, der skal opfyldes for at rangere ordrer i en ordre-bog – noget, der ville være umuligt for mennesker at opdage “for hånd”. Banken tildelte os 1. pladsen (ud af over 620 virksomheder globalt).

Hvordan har din erfaring i Deutsche Bank formet Imandras anvendelser i finansielle systemer, og hvad er den mest betydningsfulde anvendelse, du har set hidtil?

I Deutsche Bank havde vi at gøre med meget kompleks kode, der træffede automatiserede handelsbeslutninger baseret på forskellige ML-input, risikoindikatorer osv. Som enhver bank havde vi også at overholde talrige regler. Det, Grant og jeg erkendte, var, at dette på et matematisk niveau var meget lig det, han arbejdede med i autopilot-sikkerheden.

Ud over finans, hvilke brancher ser du som havende den største potentiale til at drage fordel af neurosymbolisk AI?

Vi har set AlphaFold få Nobelprisen, så lad os definitivt tælle det med… Til sidst vil de fleste AI-anvendelser have stor gavn af at bruge symboliske metoder, men specifikt arbejder vi på følgende agenter, som vi snart vil frigive: kode-analyse (oversættelse af kildekode til matematiske modeller), skabelse af strenge modeller fra engelsk-prosa-specifikationer, resonans om SysML-modeller (sprog brugt til at beskrive systemer i sikkerhedskritiske brancher) og automatisering af forretningsprocesser.

Imandras region-dekomposition er en ny funktion. Kan du forklare, hvordan den fungerer, og dens betydning for at løse komplekse problemer?

En spørgsmål, som hver ingeniør tænker over, når de skriver software, er “hvad med edge-cases?”. Når deres job er QA, og de skal skrive test-cases, eller når de skriver kode og tænker over, om de har implementeret kravene korrekt. Imandra bringer videnskabelig rigor til at besvare dette spørgsmål – det behandler koden som en matematisk model og analyserer alle dens edge-cases (samtidig med at det producerer en bevis for dækningens fuldstændighed). Denne funktion er baseret på en matematisk teknik kaldet “Cylindrical Algebraic Decomposition”, som vi har “liftet” til algoritmer i stor skala. Det har reddet utallige timer for vores kunder i finans og afsløret kritiske fejl. Nu bringer vi denne funktion til ingeniører overalt.

Hvordan integrerer Imandra med store sprogmodeller, og hvilke nye muligheder låser dette op for generativ AI?

LLM’er og Imandra arbejder sammen om at formalisere menneskeligt input (enten det er kildekode, engelsk prosa osv.), resonere om det og returnere output på en måde, der er let at forstå. Vi bruger agente-rammer (f.eks. Langgraph) til at orkestrere dette arbejde og levere oplevelsen som en agent, som vores kunder kan bruge direkte eller integrere i deres applikationer eller agenter. Denne symbiotiske arbejdsproces adresserer mange af udfordringerne ved at bruge LLM-kun AI-værktøjer og udvider deres anvendelse ud over tidligere set træningsdata.

Hvad er din langsigtede vision for Imandra, og hvordan ser du, at det transformerer AI-anvendelser på tværs af brancher?

Vi mener, at neurosymboliske teknikker vil være fundamentet, der baner vejen for os til at realisere AI’s løfte. Symboliske teknikker er den manglende ingrediens for de fleste af AI’s industrielle anvendelser, og vi er begejstret for at være i frontlinjen af dette næste kapitel i AI.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Imandra.