Denis Ignatovich, Imandran co-perustaja ja toimitusjohtaja – Haastattelusarja

Denis Ignatovich, Imandran co-perustaja ja toimitusjohtaja, on yli kymmenen vuoden kokemuksen omaava ammattilainen kaupankäynnissä, riskienhallinnassa, kvantitatiivisessa mallinnuksessa ja monimutkaisten kaupankäyntijärjestelmien suunnittelussa. Ennen Imandran perustamista hän johti Deutsche Bank (DB ) Lontoon keskus-riskien kaupankäyntipöytää, jossa hän tunnisti tekoälyn merkityksen rahoitusalalla. Hänen näkemyksensä tänä aikana auttoivat muotoilemaan Imandran rahoitustuotteiden valikoimaa. Denis on tehnyt merkittäviä panoksia laskennalliseen logiikkaan rahoitustuotteiden kehittämisessä ja hänellä on useita patenteja. Hänellä on myös MSc tutkinto taloustieteestä Lontoon talouskoulusta ja tietojenkäsittelytieteestä ja rahoituksesta UT Austinista.

Imandra on tekoälypohjainen päättelymoottori, joka käyttää neurosymbolista tekoälyä automatisoidakseen monimutkaisten algoritmien verifioinnin ja optimoinnin, erityisesti rahoitukaupassa ja ohjelmistojärjestelmissä. Yhdistämällä symbolisen päättelyn koneoppimiseen, se parantaa turvallisuutta, vaatimustenmukaista toimintaa ja tehokkuutta, auttaen instituutioita vähentämään riskiä ja parantamaan avoimuutta tekoälypohjaisessa päätöksenteossa.

Mikä innoitti sinua ja tohtori Grant Passmorea perustamaan Imandran, ja miten taustanne vaikutti yrityksen visioon?

Valmistumisen jälkeen menin kvantitatiiviseen kaupankäyntiin ja päädyin Lontooseen. Grant suoritti tohtorin tutkinnon Edinburghissa ja siirtyi sitten Cambridgeen työskentelemään autopilottijärjestelmien turvallisuuden analyysin sovelluksissa (monimutkaiset algoritmit, jotka sisältävät epälineaarisia laskelmia). Omassa työssäni minäkin käsitin monimutkaisia algoritmeja, joissa oli runsaasti epälineaarisia laskelmia, ja me tajusimme, että näiden kahden alan välillä on syvä yhteys. Rahoitusalalla luodut algoritmit olivat todella ongelmallisia (kuten useat uutisoinnit “algo-virheistä” osoittavat), joten päätimme muuttaa tilannetta antamalla rahoitusalan insinööreille automaattisia logiikkatyökaluja, jotta he voisivat soveltaa tieteellisiä menetelmiä ohjelmistojen suunnitteluun ja kehittämiseen. Kuitenkin, mitä lopulta luimme, on teollisuusalueiden ylittävää.

Voitko selittää, mitä neurosymbolinen tekoäly on ja miten se eroaa perinteisistä tekoälylähestymistavoista?

Tekoälyn alalla on (karkeasti ottaen) kaksi aluetta: tilastollinen (johon kuuluvat LLM:t) ja symbolinen (tunnetaan myös automaattisena päättelynä). Tilastollinen tekoäly on uskomattoman hyvä tunnistamaan kuvioita ja tekemään käännöksiä käyttäen tietoja, joita se on oppinut koulutusdatan perusteella. Mutta se on huono loogisessa päättelyssä. Symbolinen tekoäly on melkein vastakkainen – se pakottaa sinua olemaan hyvin tarkka (matemaattisesti) siinä, mitä yrität tehdä, mutta se voi käyttää logiikkaa päättelyyn, joka on (1) loogisesti johdonmukainen ja (2) ei vaadi koulutusdataa. Tekoälyn alueiden yhdistämistä kutsutaan “neurosymboliseksi”. Yksi kuuluisa sovellus tällaisesta lähestymistavasta on DeepMindin AlphaFold-projekti, joka voitti hiljattain Nobelin palkinnon.

Mikä erottaa Imandran johtavana neurosymbolisen tekoälyn edelläkävijänä?

On olemassa monia uskomattomia symbolisia päättelijöitä (useimmat akateemisissa piireissä), jotka kohdistuvat tiettyihin niukasti määriteltyihin kohteisiin (esim. proteiinien taittaminen), mutta Imandra antaa kehittäjille mahdollisuuden analysoida algoritmeja ennennäkemättömällä automaatiolla, jolla on laajempia sovelluksia ja suurempia kohderyhmiä kuin näillä työkaluilla.

MITEN Imandran automaattinen päättely poistaa yleiset tekoälyhaasteet, kuten hallusinaatiot, ja parantaa luottamusta tekoälyjärjestelmiin?

Meidän lähestymistavalla LLM:t käännetään ihmisten pyynnöistä muodolliseen logiikkaan, jota sitten analysoidaan päättelymoottorilla täydellisen loogisen auditin kanssa. Vaikka käännösvirheitä voi esiintyä LLM:n käytön aikana, käyttäjälle tarjotaan looginen selitys siitä, miten syötteet käännettiin, ja loogiset auditit voidaan vahvistaa avoimella lähdekoodilla. Lopullinen tavoitteemme on tuoda toimiva avoimuus, jossa tekoälyjärjestelmät voivat selittää päättelynsä tavalla, joka on itsenäisesti loogisesti verifiointikelpoinen.

Imandraa käytetään Goldman Sachsissa ja DARPA:ssa muun muassa. Voitko jakaa oikean maailman esimerkin siitä, miten teknologianne ratkaisi monimutkaisen ongelman?

Hyvä julkinen esimerkki Imandran vaikutuksesta on korostettu UBS Future of Finance -kilpailun voitossa (yksityiskohdat Imandran koodilla ovat verkkosivuillamme). Kun luimme UBS:lle tapausselityksen, joka koodasi sääntöasiakirjan, jonka he jättivät SEC:lle, Imandra tunnisti perustavanlaatuisen ja hienovaraisen virheen algoritmin kuvausssa. Virhe johtui hienovaraisista loogisista ehdosta, jotka on täytettävä järjestämään tilauksia tilauskirjassa – asia, jota ihmiset eivät voisi havaita “käsin”. Pankki myönsi meille ensimmäisen palkinnon (yli 620 yrityksestä maailmanlaajuisesti).

Miten kokemuksesi Deutsche Bankissa on vaikuttanut Imandran sovelluksiin rahoitusjärjestelmissä, ja mikä on vaikuttavin käyttötarkoitus, jonka olet nähtävänä?

Deutsche Bankissa käsitimme paljon hyvin monimutkaisia koodauksia, jotka tekivät automaattisia kaupankäyntipäätöksiä erilaisten koneoppimisen syötteiden, riski-indikaattoreiden jne. perusteella. Kuten mikä tahansa pankki, meidän oli myös noudatettava monia sääntöjä. Mitä Grant ja minä tajusimme, oli, että tämä oli matemaattisella tasolla hyvin samanlaista kuin Grantin tutkimus autopilottien turvallisuudesta.

Miten Imandran alueellinen dekomposoituminen toimii ja mikä on sen merkitys monimutkaisten ongelmien ratkaisemisessa?

Kysymys, joka jokainen insinööri pohtii ohjelmistojen kirjoittamisessa, on “mitkä ovat reunatapaukset?”. Kun heidän työnsä on laadunvarmistus ja heidän on kirjoitettava yksikkötestitapauksia tai he kirjoittavat koodia ja pohtivat, ovatko he toteuttaneet vaatimukset oikein. Imandra tuo tieteellisen tarkkuuden vastata tähän kysymykseen – se käsittelee koodia matemaattisena mallina ja analysoi symbolisesti kaikki sen reunatapaukset (tuottaen todistuksen reunatapausten kattavuuden täydellisyydestä). Tämä ominaisuus perustuu matemaattiseen tekniikkaan, jota kutsutaan “sylinterisen algebrallisen dekomposition” nimellä, jonka olemme “nostaneet” algoritmeille laajemmin. Se on säästänyt asiakkaillemme rahoitusalalla lukuisia tunteja ja paljastanut kriittisiä virheitä. Nyt tuomme tämän ominaisuuden insinööreille kaikkialla.

Miten Imandra integroituu suurten kielen mallien kanssa ja mitkä uudet kyvyt se avaa generatiiviselle tekoälylle?

LLM:t ja Imandra toimivat yhdessä muuttaakseen ihmisten syötteitä muodolliseksi logiikaksi, jota sitten analysoidaan ja palautetaan tulokseksi helposti ymmärrettävässä muodossa. Käytämme agenteja (esim. Langgraph) orkesteroidaksemme tämän työn ja toimittamaan sen asiakkaillemme suoraan tai integroida sitä sovelluksiimme tai agenteihimme. Tämä symbioottinen työskentely ratkaisee monia haasteita, joita LLM-työkalujen käytössä esiintyy, ja laajentaa niiden soveltamista aiemmin nähtyjen koulutusdatan ulottuvuuteen.

Mikä on pitkän aikavälin visiosi Imandralle, ja miten näet sen muuttavan tekoälysovelluksia eri aloilla?

Uskomme, että neurosymboliset tekniikat tulevat olemaan perusta, joka mahdollistaa tekoälyn luvatun toteutumisen. Symboliset tekniikat ovat puuttuva ainesosa useimmille teollisuuden tekoälysovelluksille, ja olemme innoissamme olemasta tämän seuraavan tekoälyvaiheen edelläkävijöinä.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Imandran verkkosivuilla.