Denis Ignatovich, Co-founder dan Co-CEO Imandra – Seri Wawancara

Denis Ignatovich, Co-founder dan Co-CEO Imandra, memiliki lebih dari satu dekade pengalaman dalam perdagangan, manajemen risiko, pemodelan kuantitatif, dan desain sistem perdagangan yang kompleks. Sebelum mendirikan Imandra, ia memimpin meja risiko perdagangan pusat di Deutsche Bank (DB ) London, di mana ia mengakui peran kritis AI dalam sektor keuangan. Wawasannya selama waktu itu membantu membentuk suite produk keuangan Imandra. Kontribusi Denis pada logika komputasi untuk platform perdagangan keuangan termasuk beberapa paten. Ia memegang gelar MSc di bidang Keuangan dari London School of Economics dan gelar di bidang Ilmu Komputer dan Keuangan dari UT Austin.

Imandra adalah mesin penalaran AI yang menggunakan neurosymbolic AI untuk mengotomatisasi verifikasi dan optimasi algoritma yang kompleks, terutama dalam perdagangan keuangan dan sistem perangkat lunak. Dengan menggabungkan penalaran simbolik dengan pembelajaran mesin, ia meningkatkan keselamatan, kepatuhan, dan efisiensi, membantu lembaga mengurangi risiko dan meningkatkan transparansi dalam pengambilan keputusan yang digerakkan oleh AI.

Apa yang menginspirasi Anda dan Dr. Grant Passmore untuk mendirikan Imandra, dan bagaimana latar belakang Anda mempengaruhi visi perusahaan?

Setelah kuliah, saya masuk ke perdagangan kuantitatif dan berakhir di London. Grant melakukan PhD-nya di Edinburgh dan kemudian pindah ke Cambridge untuk bekerja pada aplikasi penalaran logis otomatis untuk analisis keselamatan sistem autopilot (algoritma yang kompleks yang melibatkan komputasi nonlinier). Dalam pekerjaan saya, saya juga menangani algoritma yang kompleks dengan banyak komputasi nonlinier dan kami menyadari bahwa ada hubungan yang dalam antara kedua bidang tersebut. Cara bahwa keuangan menciptakan algoritma tersebut sangat bermasalah (seperti yang disoroti oleh banyak berita yang berkaitan dengan “algo glitches”), jadi kami bertekad untuk mengubah itu dengan memberdayakan insinyur di keuangan dengan alat logis otomatis untuk membawa teknik ilmiah yang ketat ke desain dan pengembangan perangkat lunak. Namun, apa yang kami akhirnya ciptakan adalah industri-agnostik.

Apakah Anda dapat menjelaskan apa itu neurosymbolic AI dan bagaimana itu berbeda dari pendekatan AI tradisional?

Bidang AI memiliki (secara kasar!) dua area: statistik (yang termasuk LLMs) dan simbolik (aka penalaran otomatis). AI statistik sangat baik dalam mengidentifikasi pola dan melakukan terjemahan menggunakan informasi yang dipelajari dari data yang digunakan untuk pelatihan. Namun, itu buruk dalam penalaran logis. AI simbolik hampir merupakan kebalikan – itu memaksa Anda untuk sangat presisi (secara matematis) dengan apa yang Anda coba lakukan, tetapi itu dapat menggunakan logika untuk beralasan dengan cara yang (1) konsisten secara logis dan (2) tidak memerlukan data untuk pelatihan. Teknik yang menggabungkan kedua area AI ini disebut “neurosymbolic”. Salah satu aplikasi terkenal dari pendekatan ini adalah proyek AlphaFold dari DeepMind yang baru-baru ini memenangkan Hadiah Nobel.

Apa yang Anda pikir membedakan Imandra dalam memimpin revolusi AI neurosymbolic?

Ada banyak symbolic reasoners yang luar biasa di luar sana (sebagian besar di akademisi) yang menargetkan niche tertentu (misalnya, lipatan protein), tetapi Imandra memberdayakan pengembang untuk menganalisis algoritma dengan otomatisasi yang belum pernah terjadi sebelumnya yang memiliki aplikasi yang jauh lebih luas dan audiens target yang lebih besar daripada alat-alat tersebut.

Bagaimana Imandra’s automated reasoning menghilangkan tantangan AI yang umum, seperti halusinasi, dan meningkatkan kepercayaan dalam sistem AI?

Dengan pendekatan kami, LLMs digunakan untuk menerjemahkan permintaan manusia ke dalam logika formal yang kemudian dianalisis oleh mesin penalaran dengan jejak audit logis penuh. Sementara kesalahan terjemahan mungkin terjadi saat menggunakan LLM, pengguna disediakan dengan penjelasan logis tentang bagaimana input diterjemahkan dan audit logis dapat diverifikasi oleh perangkat lunak open source pihak ketiga. Tujuan akhir kami adalah membawa transparansi yang dapat diambil tindakan, di mana sistem AI dapat menjelaskan penalaran mereka dengan cara yang dapat diverifikasi secara logis oleh pihak independen.

Imandra digunakan oleh Goldman Sachs (GS ) dan DARPA, antara lain. Apakah Anda dapat membagikan contoh nyata tentang bagaimana teknologi Anda memecahkan masalah yang kompleks?

Contoh nyata dari dampak dunia nyata Imandra adalah soroti dalam kemenangan kompetisi UBS Future of Finance tempat pertama (detail dengan kode Imandra ada di situs web kami). Saat membuat studi kasus untuk UBS yang mengkodekan dokumen peraturan yang mereka ajukan ke SEC, Imandra mengidentifikasi kelemahan mendasar dan halus dalam deskripsi algoritma. Kelemahan itu berasal dari kondisi logis halus yang harus dipenuhi untuk menempatkan pesanan di dalam buku pesanan – sesuatu yang tidak mungkin bagi manusia untuk mendeteksi “dengan tangan”. Bank itu memberi kami tempat pertama (dari lebih dari 620 perusahaan di seluruh dunia).

Bagaimana pengalaman Anda di Deutsche Bank membentuk aplikasi Imandra dalam sistem keuangan, dan apa kasus penggunaan yang paling berdampak yang Anda lihat sejauh ini?

Di Deutsche Bank, kami menangani banyak kode yang sangat kompleks yang membuat keputusan perdagangan otomatis berdasarkan berbagai input ML, indikator risiko, dll. Seperti bank mana pun, kami juga harus mematuhi berbagai peraturan. Apa yang Grant dan saya sadari adalah bahwa ini, pada tingkat matematis, sangat mirip dengan penelitian yang dia lakukan untuk keselamatan autopilot.

Di luar keuangan, industri mana yang Anda lihat memiliki potensi terbesar untuk mendapatkan manfaat dari AI neurosymbolic?

Kami telah melihat AlphaFold memenangkan Hadiah Nobel, jadi mari kita hitung itu… Pada akhirnya, sebagian besar aplikasi AI akan sangat mendapat manfaat dari penggunaan metode simbolik, tetapi secara khusus, kami bekerja pada agen-agen berikut yang akan kami rilis segera: analisis kode (menerjemahkan model kode sumber ke dalam model matematika), membuat model yang ketat dari spesifikasi bahasa Inggris, penalaran tentang model SysML (bahasa yang digunakan untuk menggambarkan sistem dalam industri kritis), dan otomatisasi proses bisnis.

Imandra’s region decomposition adalah fitur baru. Apakah Anda dapat menjelaskan bagaimana itu bekerja dan signifikansinya dalam memecahkan masalah yang kompleks?

Pertanyaan yang setiap insinyur pikirkan ketika menulis perangkat lunak adalah “apa kasus tepi?”. Ketika pekerjaan mereka adalah QA dan mereka perlu menulis kasus tes unit atau mereka menulis kode dan memikirkan apakah mereka telah mengimplementasikan persyaratan dengan benar. Imandra membawa ketertiban ilmiah untuk menjawab pertanyaan ini – itu memperlakukan kode sebagai model matematika dan menganalisis semua kasus tepi secara simbolik (sambil menghasilkan bukti tentang kelengkapan cakupan). Fitur ini didasarkan pada teknik matematika yang disebut ‘Cylindrical Algebraic Decomposition’, yang kami “angkat” ke algoritma secara umum. Ini telah menyelamatkan banyak jam bagi pelanggan kami di keuangan dan mengungkap kesalahan kritis. Sekarang kami membawa fitur ini kepada insinyur di mana-mana.

Bagaimana Imandra mengintegrasikan dengan model bahasa besar, dan apa kemampuan baru yang ini buka untuk AI generatif?

LLMs dan Imandra bekerja sama untuk memformalkan input manusia (apakah itu kode sumber, bahasa Inggris, dll), menganalisisnya, dan kemudian mengembalikan output dalam cara yang mudah dipahami. Kami menggunakan kerangka agen (misalnya, Langgraph) untuk mengatur pekerjaan ini dan menyajikan pengalaman sebagai agen yang pelanggan kami dapat gunakan langsung atau integrasikan ke dalam aplikasi atau agen mereka. Alur kerja simbiotik ini mengatasi banyak tantangan penggunaan alat AI LLM-saja dan memperluas aplikasinya di luar data pelatihan yang terlihat sebelumnya.

Apa visi jangka panjang Anda untuk Imandra, dan bagaimana Anda melihatnya mengubah aplikasi AI di seluruh industri?

Kami pikir teknik neurosymbolic akan menjadi dasar yang membuka jalan bagi kita untuk mewujudkan janji AI. Teknik simbolik adalah bahan yang hilang untuk sebagian besar aplikasi industri AI dan kami bersemangat untuk berada di garis depan babak AI berikutnya.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Imandra.