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

Denis Ignatovich, Co-fundador y Co-CEO de Imandra, tiene más de una década de experiencia en trading, gestión de riesgos, modelado cuantitativo y diseño de sistemas de trading complejos. Antes de fundar Imandra, lideró la mesa de riesgos centrales de Deutsche Bank en Londres, donde reconoció el papel crítico que la IA puede desempeñar en el sector financiero. Sus conocimientos durante este tiempo ayudaron a dar forma a la suite 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 UT Austin.

Imandra es un motor de razonamiento impulsado por IA que utiliza la IA 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 IA.

¿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 sumergí en el 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 estaban creando esos algoritmos era realmente problemática (como lo destacaron muchas historias de noticias que tratan con “errores de algoritmos”), así que nos propusimos cambiar eso al empoderar a los ingenieros en finanzas con herramientas lógicas automatizadas para llevar técnicas científicas rigurosas al diseño y desarrollo de software. Sin embargo, lo que terminamos creando es agnóstico de la industria.

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

El campo de la IA tiene (muy aproximadamente) dos áreas: estadística (que incluye LLM) y simbólica (también conocida como razonamiento automatizado). La IA estadística es increíble para identificar patrones y hacer traducciones utilizando la información que aprendió de los datos en los que se entrenó. Pero es mala en el razonamiento lógico. La IA simbólica es casi lo opuesto – te obliga a ser muy preciso (matemáticamente) con lo que estás tratando de hacer, pero puede usar la lógica para razonar de una manera que es (1) lógicamente consistente y (2) no requiere datos para el entrenamiento. Las técnicas que combinan estas dos áreas de la IA 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 liderar la revolución de la IA neurosimbólica!

Hay muchos razonadores simbólicos increíbles (la mayoría en la academia) que apuntan a nichos específicos (por ejemplo, plegamiento de proteínas), pero Imandra empodera a los desarrolladores para analizar algoritmos con una automatización sin precedentes, lo que tiene aplicaciones mucho más grandes y audiencias objetivo más grandes que esas herramientas.

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

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 con software de código abierto de terceros. Nuestro objetivo final es brindar transparencia accionable, donde los sistemas de IA puedan explicar su razonamiento de una manera que sea lógicamente verificable de forma independiente.

Imandra es utilizada por Goldman Sachs 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 competencia UBS Future of Finance en el primer lugar (los detalles con el código de Imandra están en nuestro sitio web). Al crear un caso de estudio para UBS que codificaba un documento regulatorio que presentaron a la SEC, Imandra identificó un error fundamental y sutil en la descripción del algoritmo. El error 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 ML, 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 Grant estaba haciendo 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 IA 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 IA se beneficiarán enormemente del uso de métodos simbólicos, pero específicamente, estamos trabajando en los siguientes agentes que lanzaremos pronto: análisis de código (traducir código fuente a modelos matemáticos), creación de modelos rigurosos a partir de especificaciones en prosa inglesa, razonamiento sobre modelos SysML (lenguaje utilizado para describir sistemas en industrias de seguridad crítica) y automatización de procesos comerciales.

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

Una pregunta que todos los ingenieros se hacen 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 exhaustividad de la cobertura). 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 integra Imandra los grandes modelos de lenguaje, y qué nuevas capacidades desbloquea esto para la IA generativa?

Los LLM y Imandra trabajan juntos para formalizar las entradas humanas (ya sea código fuente, prosa inglesa, etc.), razonar sobre ellas y luego devolver la salida de una manera fácil de entender. Utilizamos marcos de agente (por ejemplo, Langgraph) para orquestar este trabajo y brindar 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 IA con solo LLM y amplía su aplicación más allá de los datos de entrenamiento previamente vistos.

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

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

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