Benjamin Ogden, DataGenn AI:n perustaja ja toimitusjohtaja – Haastattelusarja

Benjamin Ogden on DataGenn AI:n perustaja ja toimitusjohtaja, joka kehittää autonomisia sijoittaja- ja kauppiasagenteja, jotka on hienosäädetty tuottamaan kannattavia kaupankäyntien ennusteita ja suorittamaan markkinakauppoja. Käyttämällä vahvistusoppimista ihmisten palautteesta (RLHF), agenttien kaupankäyntien ennusteen tarkkuus paranee jatkuvasti. Tällä hetkellä DataGenn AI on keräämässä varoja jatkuvan kasvun ja innovaatioiden tukemiseksi rahoituspalvelujen alalla.

Benjaminilla on taloustieteen kandidaatin tutkinto Floridan keskisestä yliopistosta. Hän on itse kaupannut useita miljardeja osakkeita ja kryptovaluuttoja, ja hän on hallitseva markkinadynamiikkaa tuhansien tuntien ajan reaaliaikaisessa hintatilanteen seuraamisessa. Kokenut internet-tekniikan kehittäjä vuodesta 2001 lähtien, Benjamin on myös SEO-asiantuntija, joka on ansainnut yli 20 miljoonaa dollaria kääntämällä Google -hakualgoritmin päivityksiä.

Olet sarjayrittäjä, voitko kertoa meille urasi merkittävimmistä kohdista?

On monia merkittäviä kohdista, koska olen johtanut yrityksiä yrittäjänä lapsuudestani asti. Rakastan oppimista. Oppimisen polku ja prosessi lisäävät janoani lisätietoon ja viisautta. Sosiaalisen blogiyhteisön kehittäminen ja toimiminen thoughts.com:n toimitusjohtajana vuosina 2007-2012 oli erinomainen oppimiskokemus ja uran muuttaja minulle. Samoin osakemarkkinoiden kauppaamisen jälkeen oli toinen tärkeä oppimiskokemus, joka lopulta vaikutti minun päätökseeni työskennellä GenAI-kaupankäyntiagenttien parissa DataGenn AI:ssa. Viimeksi, siirtymäni iGaming SEO:sta LLM:n hienosäätöön ja koneoppimisen perusteiden oppimiseen on ollut virkistävää, koska se antaa minulle mahdollisuuden kehittää generatiivisia AI-pohjaisia kaupankäyntiagentteja rahoitusmarkkinoille, toteuttaen näkemykseni kiihdytetyn korkotason vaikutuksista, jonka olen pitänyt yli kymmenen vuoden ajan.

Milloin kiinnostuit ensimmäisen kerran tekoälystä ja koneoppimisesta?

Aloin kiinnostua tekoälystä vuoden 2022 puolivälissä. Kun näin, mitä Jasper.ai teki tuolloin, siirsin päivittäisen fokukseni iGaming SEO-markkinoinnista arvioimaan silloisen huipputason tekoälyohjelmistoja ja -alustoja, kuten Jasper AI:ta ja ChatGPT:tä. Kun tietämys kasvoi vuoden 2023 aikana ja LLM:t kehittyivät nopeasti, kasvoi myös intohimoni rakentaa arvokkaita rahoitusmarkkinoiden kaupankäyntiteknologioita, jotka hyödyntävät LLM:n ja tekoälyn voimaa.

Voitko kertoa DataGenn AI:n syntytarinan?

Lukion aikana opiskelin taloustiedettä UCF:ssa. Yliopistoaikana minulla oli erityinen kiinnostus rahoitusmarkkinoita kohtaan. Vuonna 2012 minulla oli tarkka ja yksityiskohtainen visio uudesta teknologiasta, jonka aion kehittää, ja jonka kutsun “Digitaaliseksi pääomaksi kaivaukseksi”. DCM:n idea on yksinkertainen: nopeuttaa korkotason vaikutuksia korkoamalla päivittäin, eli digitaalisesti kaivamalla pääomaa 252 päivän ajan vuodessa osakemarkkinoilla.

Voitko selittää, miten DataGenn INVEST hyödyntää Google Gemini -mallia ja MoE-malleja ennustamaan päivittäisiä kaupankäyntiliikkeitä?

Voin antaa yleiskatsauksen työkaluista, joita käytämme DataGenn AI:ssa, mutta en kommentoi tärkeitä yksityiskohtia tällä hetkellä. Lyhyesti: DataGenn INVEST:ssä käytämme useita eturintamien kielimalleja ja yksilökohtaisia agenteja, jotka on rakennettu MoE-arkkitehtuuriin.

Mitkä ovat RLHF:n (vahvistusoppimisen ihmisten palautteesta) tarkat edut siinä, että koulutat kaupankäyntiagenttejasi?

RLHF on olennainen osa mallin kouluttamisessa oikean vastauksen oppimiseen ja/tai tietynlaisen vastauksen antamiseen käyttäjän pyynnöstä. Käyttämällä RLHF:ää agenttien ennusteiden ja suoritettujen markkinakauppojen kanssa, voimme parantaa jokaisen agentin tarkkuutta sekä kaupankäyntien ennusteissa että markkinakaupoissa ajan myötä ja useiden toistojen kautta. RLHF auttaa myös tehokkuudessa ja kouluttaa agenteja ymmärtämään nuansseja ja suorittamaan monimutkaisia tehtäviä.

Miten DataGenn integroi reaaliaikaiset tiedot useista lähteistä kaupankäyntistrategiaansa?

Tällä hetkellä, kun testaamme useita malleja ja takaisinsovitamme kaupankäyntiagenttien suorituskykyä, meillä on alpha-tasoinen kaupankäyntiagentti testauksessa, joka käyttää reaaliaikaisia tietoja AlphaAdvantagelta. Meillä on myös beta-tasoinen agentti testauksessa, joka käyttää Pinescriptiä TradingView:ssa takaisinsoittoon. Suoritamme kriittistä tutkimusta ja testaamme agenttien ennusteita ja kauppoja. Tuotantovaiheessa käytämme Bloomberg-terminaalia kaupankäyntiin, markkinatietoihin ja kriittisiin uutisiin jne.

Miten DataGenn INVEST varmistaa ennusteiden tarkkuuden ja luotettavuuden volatiilissa rahoitusmarkkinoissa?

Rakennamme, testaamme ja takaisinsovitamme DataGenn INVEST -agenttien kaupankäyntistrategia-algoritmeja ja turvallisuusvarusteita käyttämällä rahoitusalan standardeja, kuten Stop Loss -tilauksia vähentämään drawdown-riskejä ja Trailing Stop Loss -tilauksia talteen ottamaan lisää voittoja ja lukitsemaan kaupan voitot. Otamme vastuullisen tekoälyn tosissaan ja olemme sitoutuneita rakentamaan tekoälyjärjestelmiä turvallisesti, olipa kyse sitten rahoitusmarkkinoista tai biolääketieteellisestä tutkimuksesta.

Miten näet autonomisten kaupankäyntiagenttien, kuten DataGenn INVEST, muuttavan rahoitusmarkkinoiden maiseman?

DataGenn INVEST -agentit ovat pelinmuuttaja. Sijoitussalkun tuottojen koot, joita DataGenn INVEST -kaupankäyntiagentit tulevat saavuttamaan, ovat käsittämättömiä nykyiselle sijoittajalle ja ammattimaiselle sijoittajalle. Tämä johtuu siitä, että esimerkiksi 100 000 dollaria, korkoamalla 1 % päivässä, tulee 14 377 277 dollariksi vain kahdessa vuodessa.

Onko uusia ominaisuuksia tai kykyjä, joita olet erityisen innoissasi esittelemään?

Odotan, että esitän tiimimme tutkimustulokset, jotka osoittavat, kun olemme rakentaneet DataGenn INVEST -kaupankäyntijärjestelmät oikein ja ne tuottavat usein voittoja rahoitusmarkkinoilla keskittyen korkotason kiihdyttämiseen päivittäin. Tämä on merkittävä saavutus, jonka olemme ansainneet ahkeran ja intohimoisen työn kautta tullaksemme GenAI-rahoitusmarkkinoiden kaupankäyntiin johtajaksi.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla DataGenn AI:ssa.