अंकित आर्य, इनस्कोप में एआई के प्रमुख – साक्षात्कार श्रृंखला

अंकित आर्य, इनस्कोप में एआई के प्रमुख, एआई उत्पाद नेतृत्व, मशीन लर्निंग, उद्यम स्वचालन और अनुप्रयुक्त अनुसंधान में गहरा अनुभव लाते हैं। इनस्कोप की संस्थापक टीम के हिस्से के रूप में, वह कंपनियों को हितधारकों के साथ सटीक और अनुपालन वित्तीय डेटा साझा करने की अनुमति देने वाले सॉफ़्टवेयर बनाने में मदद कर रहे हैं। उनकी पृष्ठभूमि में मैरiana के सह-संस्थापक और सीटीओ के रूप में काम करना शामिल है, जहां उन्होंने एआई-संचालित बाजार विश्लेषण और प्रतिस्पर्धी अनुसंधान पर काम किया, साथ ही हैकररैंक में मशीन लर्निंग और एआई उत्पाद रणनीति का नेतृत्व किया। अपने करियर की शुरुआत में, आर्या ने मेटा में एआई-संचालित भर्ती स्वचालन और वीआर उत्पादकता पर काम किया, एस्टाउंड में संस्थापक इंजीनियर के रूप में एंटरप्राइज़ सेवा स्वचालन के लिए चैटबॉट-आधारित विकास में मदद की, और कलेक्टिव[i] में उत्पादन-स्तरीय मशीन लर्निंग सिस्टम बनाए। उनका करियर व्यावहारिक एआई तैनाती, उत्पाद रणनीति, स्वचालन और डेटा-संचालित प्रणालियों को कवर करता है, दोनों स्टार्टअप और बड़े उद्यम वातावरण में।

इनस्कोप एक एआई-मूल वित्तीय रिपोर्टिंग प्लेटफ़ॉर्म है जो लेखा फर्मों, वित्त टीमों और उद्यमों के लिए बनाया गया है जिन्हें वित्तीय विवरण तैयार करने, समीक्षा करने और अधिक कुशलता से प्रस्तुत करने की आवश्यकता है। प्लेटफ़ॉर्म वित्तीय रिपोर्टिंग के पीछे मैनुअल काम को स्वचालित करने पर केंद्रित है, जिसमें रोल-फ़ॉरवर्ड, प्रारूपण, प्रकटीकरण, फ़ुटिंग, टाई-आउट और संगति जांच शामिल हैं। इनस्कोप अपनी प्रौद्योगिकी को रिपोर्टिंग त्रुटियों को कम करने, तैयारी चक्रों को छोटा करने और ऑडिट-तैयार वित्तीय विवरणों को उत्पादित करना आसान बनाने के तरीके के रूप में स्थिति देता है। कंपनी ने फरवरी 2026 में $14.5 मिलियन की श्रृंखला ए की घोषणा की अपने एआई-संचालित वित्तीय रिपोर्टिंग प्लेटफ़ॉर्म का विस्तार करने के लिए, इसके उत्पाद को खंडित स्प्रेडशीट-भारी कार्य प्रवाह के साथ एक अधिक व्यवस्थित, अनुपालन और मापनीय रिपोर्टिंग प्रक्रिया के साथ बदलने के लिए लक्षित किया गया है।

आप उद्यम स्वचालन, मशीन लर्निंग, भर्ती एआई, वीआर उत्पादकता और एआई उत्पाद नेतृत्व में काम कर चुके हैं trước इनस्कोप में एआई के प्रमुख की भूमिका निभाने के। यह प्रगति वित्त के सबसे मैनुअल और संवेदनशील कार्य प्रवाह में से एक को संबोधित करने के लिए आपको कैसे तैयार किया?

उद्यम स्वचालन, भर्ती एआई, वीआर उत्पादकता और मशीन लर्निंग में, मैंने हमेशा एक ही कठिन चीज़ के संस्करण किए: मानव कार्य को लेना और एक एआई प्रणाली को इसे विश्वसनीय रूप से करने के लिए प्राप्त करना ताकि वास्तविक टीमें इस पर निर्भर हो सकें। प्रत्येक डोमेन ने एक अलग टुकड़ा सिखाया। बड़े पैमाने पर एमएल उत्पादों को तैनात करने से मुझे सिखाया कि वास्तविक मात्रा के तहत क्या खड़ा है। एलएलएम के साथ एक संस्थापक के रूप में निर्माण से मुझे सिखाया कि वास्तव में इन मॉडलों का व्यवहार कैसे होता है, वे कहां टूटते हैं और आप उन्हें वास्तविक सटीकता की ओर आकार देते हैं, न कि केवल एक डेमो में अच्छा दिखने वाला आउटपुट। और जहां भी मैंने काम किया, जिन उत्पादों ने विश्वास अर्जित किया उन्होंने एक व्यक्ति को नियंत्रण में रखा और विशेषज्ञ के काम को दर्पण किया, इसके बजाय लोगों को मशीन की तर्कसंगतता में मजबूर किया।

वित्त की ओर खींचने वाली बात यह थी कि एलएलएम के साथ निर्माण से एक एहसास हुआ: पहली बार आप वास्तव में अनसंगठित डेटा ले सकते हैं और इसके ऊपर विश्वसनीय स्वचालन बना सकते हैं, जो पहले संभव नहीं था। मानव कार्य के नेतृत्व वाली सभी मैनुअल, मानव-नेतृत्व वाली प्रक्रियाओं में से जो एआई द्वारा फिर से आकार देने वाली हैं, वित्तीय विवरण तैयारी सबसे शुद्ध है। मैंने जो थीसिस लाया था, और जो हर चीज़ पर लागू होती है जो हम बनाते हैं, वह सरल है: तैयारकर्ता का काम समीक्षक की भूमिका में स्थानांतरित होना चाहिए। यही वह परिवर्तन है जिस पर काम करने योग्य है।

वित्तीय विवरण तैयारी और समीक्षा वर्षों से मैनुअल रही है। आपको क्या विश्वास दिलाया कि यह अंततः एक श्रेणी है जहां एआई महत्वपूर्ण परिवर्तन ला सकता है?

यदि आप एक वित्तीय तैयारकर्ता के काम को करीब से देखते हैं, तो यह वास्तव में एक डेटा परिवर्तन पाइपलाइन है। आप उन प्रणालियों से डेटा खींचते हैं जो एक दूसरे से बात नहीं करती हैं, जैसे आपका ईआरपी, आपकी इक्विटी प्रणाली और अनुबंधों और अनुसूचियों से भरे पीडीएफ। आप सभी को पचने योग्य आउटपुट में बदल देते हैं जैसे बैलेंस शीट, आय विवरण और फ़ुटनोट टेबल। फिर आप एक निर्णय की परत जोड़ते हैं: जो संख्याओं का क्या अर्थ है उसे समझाने वाली टिप्पणी। यह इतने लंबे समय से मैनुअल रहा क्योंकि वे प्रणालियां कभी जुड़ी नहीं थीं, और पुरानी स्वचालन जैसे नियम इंजन और आरपीए, स्क्रिप्टेड बॉट जो क्लिक की नकल करते हैं, बहुत ही नाजुक थे विविधता और एज केस को जीवित रहने के लिए।

दो चीजें बदल गईं। पहला, मॉडल अब व्यापक रूप से भिन्न इनपुट ले सकते हैं और उन्हें संरचित कर सकते हैं, और उतना ही महत्वपूर्ण है, एक मानव के लिए जांच के लिए एज केस को सतह पर ला सकते हैं, जब तक कि आप उन्हें पीछे से सत्यापन चरण का निर्माण नहीं करते। दूसरा, वे जमीनी टिप्पणी तैयार कर सकते हैं, क्योंकि वित्त पूरी तरह से विषयगत नहीं है। एक वास्तविक नियम पुस्तिका है जिस पर निर्भर करने के लिए, एफएएसबी से लेकर चीजों को कैसे मान्यता दी जाती है और मापा जाता है, एसईसी से लेकर कैसे खुलासा किया जाता है, हजारों पूर्व फाइलिंग से सीखने के लिए। जो मुझे विश्वास दिलाया कि यह वास्तविक है वह यह देख रहा था कि एक जांच जो एक मॉडल कभी सही नहीं हो सकती थी, जो कई निर्भर कदम लेती है, एक बार यह काम करना शुरू कर दिया जब हमने इसे एक सेट के साथ चलाया समन्वित एजेंट। सही वास्तुकला के साथ, जो समस्याएं असंभव लगती हैं एक मॉडल के लिए ट्रैक्टेबल हो जाती हैं।

क्यों एआई के साथ उद्यम वित्त को बदलना अपेक्षा से अधिक कठिन रहा है?

सीधा संस्करण यह है कि यह काम लोग जेल जा सकते हैं। दांव असाधारण रूप से उच्च है, इसलिए किसी भी हिस्से को स्वचालित करने का मानक tương应 रूप से उच्च है। यह एक उपभोक्ता उत्पाद का एक अलग ब्रह्मांड है जहां एक त्रुटि एक परेशानी है। यहाँ एक गलत संख्या कानूनी और नियामक परिणाम ला सकती है, और जो व्यक्ति हस्ताक्षर करता है वह व्यक्तिगत रूप से उन्हें ले जाता है।

इसके अलावा, प्रत्येक कंपनी इसे थोड़ा अलग तरीके से करती है, और काम अपवादों से भरा है। नियम और टेम्पलेट सामान्य पथ से निपटते हैं और फिर बिल्कुल वहीं टूट जाते हैं जहां वास्तविक काम रहता है। जो पहले के सॉफ़्टवेयर को हरा दिया वह कोई एक संख्या नहीं थी, यह पूरे अंत-से-अंत कार्य प्रवाह को समझने की आवश्यकता थी जिसमें सभी यदि और बट्स शामिल थे। उच्च दांव, गहरा अनुकूलन और वास्तव में उलझे हुए कार्य प्रवाह क्यों यह श्रेणी छुई नहीं जबकि एआई ने चमकदार श्रेणियों को बदल दिया।

सामान्य एआई टूल और वित्तीय रिपोर्टिंग और अनुपालन के लिए आवश्यक उद्देश्य-निर्मित एआई के बीच अंतर क्या है?

यह वह जगह है जहां मैं इस विचार पर पुशबैक करूंगा कि यह सभी मॉडल के बारे में है। हर किसी के पास समान मॉडल हैं। अंतर यह है कि मॉडल के चारों ओर सब कुछ: जो संदर्भ आप मॉडल के सामने रखते हैं, किस क्षण में, किन जांच के साथ। एक उद्देश्य-निर्मित प्रणाली भी यौगिक है। जितना अधिक यह एक संगठन के भीतर काम करता है, उतना ही यह उस कंपनी के विशिष्ट पैटर्न और परंपराओं को सीखता है, जो एक जेनेरिक टूल हर बार से शुरू होता है।

वित्त के लिए कुछ चीजें हैं जिन्हें आप छोड़ नहीं सकते। आउटपुट को स्रोत डेटा में आधारित होना चाहिए, और प्रत्येक संख्या को उसके मूल से वापस लाया जाना चाहिए, जिसने इसे उत्पादित किया, और क्यों। और प्रणाली को अपने विश्वास की सीमा को जानना चाहिए, जो एक व्यक्ति के लिए झंडा लगा रहा है जो निश्चित नहीं है कि अनुमान लगा रहा है। वास्तविक शिल्प इसके चारों ओर के अनुभव में है। आप बस एक उत्तर दीवार पर नहीं डाल सकते और उपयोगकर्ता को इसका बचाव करने दें। जमीन, ट्रेसेबिलिटी और एक मानव के लिए एक अनुग्रहकारी हस्तांतरण के लिए डिज़ाइनिंग एक जेनेरिक टूल को कुछ से अलग करता है जिसे एक नियंत्रक वास्तव में अपना नाम पीछे रखेगा।

वित्तीय विवरणों के पीछे संरचना, संबंधों और तर्क को समझने में सक्षम प्रणाली बनाने में मशीन लर्निंग की सबसे बड़ी चुनौतियां क्या हैं?

एक कंक्रीट उदाहरण से शुरू करें। एक टाई-आउट तब होता है जब आप सुनिश्चित करते हैं कि एक संख्या हर जगह सहमत होती है: एक तालिका के खिलाफ अन्य तालिकाएं, एक तालिका के खिलाफ तालिका के आसपास का पाठ, पाठ स्वयं के खिलाफ, पूरे फाइलिंग में। तैयारकर्ता इसे हर दिन करते हैं। यह सुनने में तुच्छ लगता है, लेकिन आप बस पूरे दस्तावेज़ को एक मॉडल में डाल नहीं सकते हैं और परिणाम पर विश्वास कर सकते हैं, न ही इस काम की सटीकता की मांग है। इसे विश्वसनीय बनाने के लिए, हमें इसे एक समन्वित प्रणाली में छोटे, जांच योग्य कदमों में तोड़ना पड़ा। वित्त में यहां तक कि सबसे दैनिक जांच भी एक मॉडल कॉल के साथ स्वचालित रूप से नहीं की जा सकती है।

यह मूल मशीन-लर्निंग चुनौती है, और इसके तीन परतें हैं। प्रणाली को एक विशिष्ट ग्राहक के काम को समझना और उनकी प्रतिक्रिया से सीखना होगा। यह वित्तीय विवरण के भीतर संबंधों को वास्तव में समझना होगा, क्योंकि संख्याएं विवरणों और फ़ुटनोट्स के साथ जुड़ती हैं, और अवधियां आगे बढ़ती हैं, केवल पाठ पढ़ने के बजाय। और एक बार जब कई एजेंट सहयोग करते हैं, तो आपने वास्तव में एक वितरित-प्रणाली समस्या पर कब्जा कर लिया है: सही कदम के लिए सही संदर्भ प्राप्त करना, जांच और गार्ड रखना, स्वचालित समीक्षा के साथ मानव समीक्षा मिलाना, और आंतरिक डेटासेट बनाना जो आपको मापने देता है कि क्या यह वास्तव में सही है। कठिन हिस्सा मॉडल को वित्तीय विवरण पढ़ने के लिए प्राप्त करना नहीं था। यह मॉडल के चारों ओर प्रणाली बनाना है जो तर्क दे सकता है, खुद की जांच कर सकता है और समझा सकता है कि प्रत्येक आंकड़ा कहां से आया।

आप एआई को वित्तीय कार्य प्रवाह में लागू करते समय मॉडल सटीकता, व्याख्या, और त्रुटि सहनशीलता के बारे में कैसे सोचते हैं, जहां छोटी गलतियां बड़े परिणाम हो सकती हैं?

एक ही सटीकता बार नहीं है, और इसके अलावा ऐसा करना गलत है। ये प्रणाली 100% सटीक नहीं हैं, और जो हासिल किया जा सकता है वह कार्य द्वारा बहुत भिन्न होता है। तो वास्तविक काम यह सुनिश्चित करना है कि प्रणाली ने क्या किया और जोखिम कहां बैठता है, इसके बारे में ईमानदारी से संवाद करें। इसके बजाय एक कंबल सफलता दर को लहराने के, आप जोखिम वाली वस्तुओं, सामग्री वस्तुओं की ओर समीक्षक को इंगित करते हैं, और आप स्पष्ट हैं कि प्रणाली ने क्या नहीं छुआ। यही वह तरीका है जिससे आप अंतर को बंद करते हैं, इसके बजाय यह नहीं कहते हैं कि यह नहीं है।

व्याख्या को ठोस होना चाहिए, एक सिद्धांत पर एक स्लाइड नहीं। जब हम एक तालिका पर फ़ुटिंग जांच चलाते हैं, तो हम एक मिनी कैलकुलेटर दिखाते हैं: विशिष्ट कोशिकाएं जो मिलाई गईं और गणित जो प्रणाली ने उपयोग किया। यदि यह एक गलती करता है, तो आप इसे एक सेकंड में देख सकते हैं। मॉडल के पक्ष में, सबसे महत्वपूर्ण उपकरण मजबूत मूल्यांकन सूट हैं जो वास्तविक कार्यों पर सटीकता को मापते हैं। उसके बाद, यह मॉडल की आंखों से देखना सीखने के लिए आता है। यह आश्चर्यजनक रूप से आसान है कि मॉडल वास्तव में क्या देख सकता है। तो आप इसके सामने क्या है, आप देखते हैं कि एक विशेषज्ञ उसी समस्या के माध्यम से कैसे तर्क देता है, और आप विशेषज्ञ को जो संदर्भ होगा उसे मॉडल को देकर दूरी को बंद करते हैं।

संवेदनशील वातावरण में एआई को तैनात करते समय सीएफओ, नियंत्रकों और ऑडिटरों का विश्वास कैसे अर्जित किया जाए?

विश्वास इस बात से शुरू होता है कि यह देखना आसान है कि प्रणाली ने क्या किया। एक उपयोगकर्ता आपके मूल्यांकन सूट को नहीं देखता है और यह नहीं देखता है कि आप 95% का औसत करते हैं। वे अपनी फाइलिंग देख रहे हैं, और उनकी फाइलिंग पर प्रणाली दिन की सबसे खराब दौड़ कर सकती है। कोई समग्र संख्या किसी को उस पल में आराम नहीं देती है।

तो सब कुछ एआई के आसपास के अनुभव पर निर्भर करता है। आप स्पष्ट रूप से दिखाते हैं कि क्या किया गया था, यह सत्यापित करना और सही करना आसान बनाते हैं, और सुनिश्चित करते हैं कि सुधार वास्तव में प्रणाली को सिखाता है। ये लोग हैं जो संख्याओं के लिए व्यक्तिगत रूप से जवाबदेह हैं, इसलिए वे एक ब्लैक बॉक्स नहीं चाहते हैं। वे नियंत्रण में रहना चाहते हैं और काम देखना चाहते हैं।

एक मामले ने इसे पकड़ लिया। एक उपयोगकर्ता ने एक तालिका में एक गणना त्रुटि को झंडा दिखाया और पूछा कि एआई ने इसे क्यों नहीं पकड़ा। क्योंकि हर क्रिया रिकॉर्ड पर थी, हम वास्तव में यह देख सकते थे कि क्या हुआ: प्रणाली ने वास्तव में उस आंकड़े को संदिग्ध के रूप में झंडा दिखाया था, और इसे खारिज कर दिया गया था। बिंदु यह नहीं है कि कौन सा सही था। यह है कि एक पूर्ण, साझा रिकॉर्ड जो कि एक फिंगर-पॉइंटिंग एक्सरसाइज में हो सकता था, एक पांच मिनट के पुनर्निर्माण में बदल गया। उस तरह का दस्तावेज़ीकृत ट्रेल यही है जो एक वित्त टीम को प्रणाली को एक वास्तविक साथी के रूप में मानने देता है।

उद्यम जब वित्तीय कार्य प्रवाह में एआई को पेश करने की कोशिश करते हैं तो वे अक्सर कहां गलती करते हैं?

सबसे आम गलती दिन एक पर पूर्ण स्वचालन के लिए लक्ष्य रखना है। प्रवृत्ति विशेषज्ञ को हटाने के लिए है; बेहतर चाल यह है कि विशेषज्ञ को बहुत अधिक उत्पादक बनाना और उनकी निर्णय लेने की क्षमता को वहां निर्देशित करना जहां यह वास्तव में महत्वपूर्ण है। जब आप पूरी तरह से मानव को हटाने की कोशिश करते हैं, तो आपको कुछ मिलता है जिस पर कोई विश्वास नहीं करता है और कोई इसका उपयोग नहीं करता है।

दूसरा यह है कि इसे केवल एक मॉडलिंग समस्या के रूप में मानना और उस हिस्से को भूखा रखना जो वास्तव में उपयोगकर्ता को छूता है। काम को कैसे प्रस्तुत किया जाता है, यह जांचना और ठीक करना कितना आसान है, अक्सर तय करता है कि एक टूल अपनाया जाता है या चुपचाप छोड़ दिया जाता है। कई टीमें बहुत देर से खोजती हैं कि मॉडल आसान हिस्सा था।

यदि मैं आज से एक सीएफओ को सलाह दे रहा था: एक संकीर्ण, दर्दनाक, अच्छी तरह से समझी जाने वाली कार्य का लक्ष्य रखें, महासागर को उबालने के बजाय, अपने विशेषज्ञों को मजबूती से ड्राइवर की सीट में रखें, और मॉडल के रूप में अनुभव और प्रतिक्रिया पाश में निवेश करें। यही वह अंतर है जो एक पायलट के बीच है जो चुपचाप मर जाता है और जो टीम के काम करने के तरीके को बदलता है।

एआई रिपोर्टिंग और समीक्षा में अधिक एम्बेडेड होते हुए, आप अगले कुछ वर्षों में वित्त पेशेवरों की भूमिका में परिवर्तन कैसे देखते हैं?

यह वह जगह है जहां मैंने जो थीसिस खोली थी वह भुगतान करती है। परिवर्तन तैयारी से समीक्षा में स्थानांतरित हो जाता है। आज तैयारकर्ता का अधिकांश समय यांत्रिकी पर जाता है: बिखरी हुई प्रणालियों से डेटा खींचते हुए, तालिकाएं बनाते हुए, समान जांच चला रहे हैं। जैसे ही एआई इसे अवशोषित करता है, काम समीक्षक की भूमिका में स्थानांतरित हो जाता है, निर्णय लेने की क्षमता लागू करने के लिए जहां यह वास्तव में एक मानव की आवश्यकता है, और अपवादों से निपटने।

मैं इसे वित्त पेशेवरों को कम मूल्यवान बनाने के बजाय अधिक मूल्यवान बनाने के रूप में देखता हूं। उनकी निर्णय लेने की क्षमता, उनकी संस्थागत स्मृति और वे जो जवाबदेही लेते हैं वह निर्णय पर खर्च होते हैं जो वास्तव में महत्वपूर्ण हैं, मशीन द्वारा की जाने वाली असेंबली कार्य के बजाय। सर्वश्रेष्ठ लोग एआई आउटपुट को निर्देशित करने और जांचने में उत्कृष्ट होंगे, जो कि थोड़ा गलत दिखता है, और जो कि सहजता से इन प्रणालियों के साथ काम करता है।

मैं त्वरण के बारे में सटीक होगा। एआई तैयारी को संपीड़ित करता है, जो सप्ताह से एक अंश तक जा सकता है। यह उन हिस्सों को संपीड़ित नहीं करता है जो बाहरी ऑडिटरों और फाइलिंग समय सीमा द्वारा संचालित होते हैं, जो यह नहीं हिला सकता है। लेकिन तैयारी को सिकोड़ने से ही कार्य की लय बदल जाती है: एक तेज़ बंद, रिपोर्टिंग जो निरंतर की ओर बढ़ती है, और संख्याओं का क्या अर्थ है इस पर अधिक समय बिताना व्यावसायिक निर्णय लेने के बजाय उन्हें उत्पादित करने में। यह पेशे के लिए एक अधिक रणनीतिक भविष्य है, एक छोटा नहीं।

जब आप उद्यम एआई परिदृश्य में देखते हैं, तो गहरे परिचालन समस्याओं को हल करने वाली कंपनियों को उन लोगों से क्या अलग करता है जो केवल एआई लहर पर सवारी कर रहे हैं?

मैं इसे एक परीक्षण के साथ आंकता हूं, और इसका एआई से कोई लेना-देना नहीं है: यदि उत्पाद गायब हो जाए तो ग्राहक को कितना नुकसान होगा? यदि उत्तर “बहुत” है, तो यह एक वास्तविक कंपनी है। यदि ईमानदार उत्तर है “वे बहुत कम नोटिस करेंगे”, तो यह एक कंपनी है जो हYPE पर सर्फिंग कर रही है। एआई इस परीक्षण को नहीं बदलता है। यह केवल एक स्लिक डेमो बनाना सस्ता बनाता है जो इसे विफल कर देता है।

एक स्तर गहराई से, टिकाऊ लाभ यह है कि आप कितना काम करने के लिए तैयार हैं। पिछली पीढ़ी का सॉफ़्टवेयर ने काम का स्थान बनाया जहां लोग काम करते हैं, सतह लोगों पर काम करते हैं। इस पीढ़ी का सॉफ़्टवेयर स्वयं काम करने वाली प्रणाली बना सकता है, जिसमें जटिल, बहु-चरण वाले उद्यम मामले शामिल हैं जिन्हें अधिकांश टूल्स चुपचाप रूट करते हैं। एक बार जब आप इतना गहरा हो जाते हैं, तो एक बिग लैब एक बेहतर बेस मॉडल के साथ व्यवसाय में नहीं आ सकती है और इसे ले नहीं सकती है। यही वह खेल है जिसमें हमने इनस्कोप में दांव लगाया है।

धन्यवाद महान साक्षात्कार के लिए, पाठक जो और जानना चाहते हैं उन्हें इनस्कोप पर जाना चाहिए।