Denis Ignatovich, Co-fundador y Co-CEO de Imandra – Serie de entrevistas

Denis Ignatovich, Co-fundador y Co-CEO de Imandra, cuenta con más de una década de experiencia en operaciones comerciales, gestión de riesgos, modelado cuantitativo y diseño de sistemas de trading complejos. Antes de fundar Imandra, dirigió la mesa de riesgos centrales de Deutsche Bank (DB ) en Londres, donde reconoció el papel fundamental que puede desempeñar la inteligencia artificial en el sector financiero. Sus conocimientos durante este período ayudaron a dar forma a la gama de productos financieros de Imandra. Las contribuciones de Denis a la lógica computacional para plataformas de trading financieras incluyen varias patentes. Tiene un Máster en Finanzas de la London School of Economics y títulos en Ciencias de la Computación y Finanzas de la Universidad de Texas en Austin.

Imandra es un motor de razonamiento impulsado por inteligencia artificial que utiliza la inteligencia artificial neurosimbólica para automatizar la verificación y optimización de algoritmos complejos, particularmente en el trading financiero y los sistemas de software. Al combinar el razonamiento simbólico con el aprendizaje automático, mejora la seguridad, el cumplimiento y la eficiencia, lo que ayuda a las instituciones a reducir el riesgo y mejorar la transparencia en la toma de decisiones impulsada por la inteligencia artificial.

¿Qué te inspiró a ti y al Dr. Grant Passmore a co-fundar Imandra, y cómo influyeron tus antecedentes en la visión de la empresa?

Después de la universidad, me dediqué al trading cuantitativo y terminé en Londres. Grant hizo su doctorado en Edimburgo y luego se mudó a Cambridge para trabajar en aplicaciones de razonamiento lógico automatizado para el análisis de la seguridad de los sistemas de piloto automático (algoritmos complejos que involucran cálculos no lineales). En mi trabajo, también me ocupé de algoritmos complejos con muchos cálculos no lineales y nos dimos cuenta de que hay una conexión profunda entre esos dos campos. La forma en que las finanzas creaban esos algoritmos era realmente problemática (como lo destacan muchas noticias que tratan sobre “errores de algoritmos”), así que nos propusimos cambiar eso dotando a los ingenieros de finanzas de herramientas lógicas automatizadas para aportar técnicas científicas rigurosas al diseño y desarrollo de software. Sin embargo, lo que creamos resultó ser agnóstico de la industria.

¿Puedes explicar qué es la inteligencia artificial neurosimbólica y cómo difiere de los enfoques tradicionales de inteligencia artificial?

El campo de la inteligencia artificial tiene (muy aproximadamente) dos áreas: estadística (que incluye LLM) y simbólica (también conocida como razonamiento automatizado). La inteligencia artificial estadística es increíble para identificar patrones y realizar traducciones utilizando la información que aprendió de los datos en los que se entrenó. Pero es mala en el razonamiento lógico. La inteligencia artificial simbólica es casi lo contrario exacto: te obliga a ser muy preciso (matemáticamente) con lo que estás tratando de hacer, pero puede utilizar la lógica para razonar de una manera que es (1) lógicamente coherente y (2) no requiere datos para el entrenamiento. Las técnicas que combinan estas dos áreas de la inteligencia artificial se llaman “neurosimbólicas”. Una aplicación famosa de este enfoque es el proyecto AlphaFold de DeepMind, que recientemente ganó el Premio Nobel.

¿Qué crees que distingue a Imandra en la revolución de la inteligencia artificial neurosimbólica?

Hay muchos razonadores simbólicos increíbles allí (la mayoría en la academia) que apuntan a nichos específicos (por ejemplo, plegamiento de proteínas), pero Imandra dota a los desarrolladores de la capacidad de analizar algoritmos con una automatización sin precedentes, lo que tiene aplicaciones mucho más amplias y un público objetivo más grande que esas herramientas.

¿Cómo elimina Imandra los desafíos comunes de la inteligencia artificial, como las alucinaciones, y mejora la confianza en los sistemas de inteligencia artificial?

Con nuestro enfoque, los LLM se utilizan para traducir las solicitudes humanas a lógica formal, que luego se analiza con una auditoría lógica completa. Si bien es posible que ocurran errores de traducción al utilizar el LLM, al usuario se le proporciona una explicación lógica de cómo se tradujeron las entradas y las auditorías lógicas pueden verificarse mediante software de código abierto de terceros. Nuestro objetivo final es aportar transparencia accionable, donde los sistemas de inteligencia artificial puedan explicar su razonamiento de una manera que sea lógicamente verificable de forma independiente.

Imandra es utilizada por Goldman Sachs (GS ) y DARPA, entre otros. ¿Puedes compartir un ejemplo real del mundo de cómo tu tecnología resolvió un problema complejo?

Un gran ejemplo público del impacto real de Imandra es el que se destaca en nuestra victoria en el primer lugar del desafío UBS Future of Finance (los detalles con el código de Imandra están en nuestro sitio web). Al crear un caso de estudio para UBS que codificaba un documento regulador que presentaron a la SEC, Imandra identificó una falla fundamental y sutil en la descripción del algoritmo. La falla se debió a condiciones lógicas sutiles que debían cumplirse para clasificar órdenes dentro de un libro de órdenes, algo que sería imposible para los humanos detectar “a mano”. El banco nos otorgó el primer lugar (de más de 620 empresas a nivel mundial).

¿Cómo ha influido tu experiencia en Deutsche Bank en las aplicaciones de Imandra en los sistemas financieros, y cuál es el caso de uso más impactante que has visto hasta ahora?

En Deutsche Bank, nos ocupamos de mucho código complejo que tomaba decisiones de trading automatizadas basadas en diversas entradas de aprendizaje automático, indicadores de riesgo, etc. Como cualquier banco, también tuvimos que cumplir con numerosas regulaciones. Lo que Grant y yo nos dimos cuenta fue que esto, a nivel matemático, era muy similar a la investigación que él estaba realizando sobre la seguridad de los sistemas de piloto automático.

Más allá de las finanzas, ¿qué industrias crees que tienen el mayor potencial para beneficiarse de la inteligencia artificial neurosimbólica?

Hemos visto que AlphaFold obtuvo el Premio Nobel, así que definitivamente contemos con eso… En última instancia, la mayoría de las aplicaciones de la inteligencia artificial se beneficiarán enormemente del uso de métodos simbólicos, pero específicamente, estamos trabajando en los siguientes agentes que lanzaremos pronto: análisis de código (traducir modelos matemáticos a partir de especificaciones en prosa en inglés), razonamiento sobre modelos SysML (lenguaje utilizado para describir sistemas en industrias de seguridad crítica) y automatización de procesos empresariales.

La descomposición de regiones de Imandra es una característica novedosa. ¿Puedes explicar cómo funciona y su importancia para resolver problemas complejos?

Una pregunta que todo ingeniero se hace al escribir software es “¿Cuáles son los casos de borde?”. Cuando su trabajo es QA y necesitan escribir casos de prueba unitarios o están escribiendo código y pensando si han implementado correctamente los requisitos. Imandra aporta rigor científico para responder a esta pregunta: trata el código como un modelo matemático y analiza simbólicamente todos sus casos de borde (mientras produce una prueba sobre la cobertura completa). Esta característica se basa en una técnica matemática llamada “Descomposición Algebraica Cilíndrica”, que hemos “elevado” a algoritmos en general. Ha ahorrado innumerables horas a nuestros clientes en finanzas y ha descubierto errores críticos. Ahora estamos llevando esta característica a los ingenieros de todas partes.

¿Cómo se integra Imandra con los grandes modelos de lenguaje, y qué nuevas capacidades desbloquea esto para la inteligencia artificial generativa?

Los LLM y Imandra trabajan juntos para formalizar la entrada humana (ya sea código fuente, prosa en inglés, etc.), razonar sobre ella y luego devolver la salida de una manera fácil de entender. Utilizamos marcos de agentes (por ejemplo, Langgraph) para orquestar este trabajo y entregar la experiencia como un agente que nuestros clientes pueden usar directamente o integrar en sus aplicaciones o agentes. Este flujo de trabajo simbiótico aborda muchos de los desafíos de usar herramientas de inteligencia artificial solo con LLM y amplía su aplicación más allá de los datos de entrenamiento vistos previamente.

¿Cuál es tu visión a largo plazo para Imandra, y cómo ves que transforma las aplicaciones de inteligencia artificial en various industrias?

Creamos que las técnicas neurosimbólicas serán la base que allanará el camino para que podamos cumplir la promesa de la inteligencia artificial. Las técnicas simbólicas son el ingrediente que falta para la mayoría de las aplicaciones industriales de la inteligencia artificial y estamos emocionados de estar a la vanguardia de este próximo capítulo de la inteligencia artificial.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Imandra.