Denis Ignatovich, Co-fondatore e Co-CEO di Imandra – Serie di interviste

Denis Ignatovich, Co-fondatore e Co-CEO di Imandra, ha più di un decennio di esperienza nel trading, nella gestione del rischio, nella modellazione quantitativa e nella progettazione di sistemi di trading complessi. Prima di fondare Imandra, ha guidato il desk di trading del rischio centrale di Deutsche Bank (DB ) a Londra, dove ha riconosciuto il ruolo critico che l’AI può svolgere nel settore finanziario. Le sue intuizioni durante questo periodo hanno contribuito a plasmare la gamma di prodotti finanziari di Imandra. I contributi di Denis alla logica computazionale per le piattaforme di trading finanziario includono diversi brevetti. Ha un master in Finanza presso la London School of Economics e lauree in Informatica e Finanza presso la UT Austin.

Imandra è un motore di ragionamento AI-powered che utilizza l’AI neurosimbolica per automatizzare la verifica e l’ottimizzazione di algoritmi complessi, in particolare nel trading finanziario e nei sistemi software. Combinando il ragionamento simbolico con l’apprendimento automatico, migliora la sicurezza, la conformità e l’efficienza, aiutando le istituzioni a ridurre il rischio e a migliorare la trasparenza nella presa di decisioni guidata dall’AI.

Cosa ti ha ispirato, e al Dr. Grant Passmore, a fondare Imandra, e come le vostre esperienze hanno influenzato la visione dell’azienda?

Dopo il college, mi sono dedicato al trading quantitativo e sono finito a Londra. Grant ha fatto il dottorato a Edimburgo e poi si è trasferito a Cambridge per lavorare sulle applicazioni della ragionamento logico automatico per l’analisi della sicurezza dei sistemi di autopilota (algoritmi complessi che coinvolgono calcoli non lineari). Nel mio lavoro, ho anche trattato algoritmi complessi con molti calcoli non lineari e abbiamo realizzato che c’è una profonda connessione tra quei due campi. Il modo in cui la finanza stava creando quegli algoritmi era veramente problematico (come evidenziato da molte storie di “glitch di algoritmo”), quindi abbiamo deciso di cambiare questo aspetto, dotando gli ingegneri nel settore finanziario di strumenti logici automatici per portare tecniche scientifiche rigorose alla progettazione e sviluppo del software. Tuttavia, ciò che abbiamo finito per creare è indipendente dal settore.

Puoi spiegare cosa è l’AI neurosimbolica e come si differenzia dagli approcci AI tradizionali?

Il campo dell’AI ha (molto approssimativamente!) due aree: statistica (che include LLM) e simbolica (aka ragionamento automatico). L’AI statistica è incredibile nell’identificare modelli e fare traduzioni utilizzando le informazioni che ha appreso dai dati su cui è stata addestrata. Ma è cattiva nel ragionamento logico. L’AI simbolica è quasi l’opposto – ti costringe a essere molto preciso (matematicamente) con ciò che stai cercando di fare, ma può utilizzare la logica per ragionare in un modo che è (1) logicamente coerente e (2) non richiede dati per l’addestramento. Le tecniche che combinano queste due aree dell’AI sono chiamate “neurosimboliche”. Una famosa applicazione di questo approccio è il progetto AlphaFold di DeepMind, che ha recentemente vinto il Premio Nobel.

Cosa pensi che distingua Imandra nella guida della rivoluzione dell’AI neurosimbolica?

Ci sono molti incredibili ragionatori simbolici lì fuori (la maggior parte in ambito accademico) che si concentrano su nicchie specifiche (ad esempio, la piegatura delle proteine), ma Imandra dota gli sviluppatori di strumenti per analizzare gli algoritmi con un’automazione senza precedenti, che ha molte più applicazioni e un pubblico più ampio di quegli strumenti.

Come l’approccio di ragionamento automatico di Imandra elimina le sfide comuni dell’AI, come le allucinazioni, e migliora la fiducia nei sistemi AI?

Con il nostro approccio, gli LLM vengono utilizzati per tradurre le richieste degli esseri umani in logica formale, che viene quindi analizzata dal motore di ragionamento con una completa traccia logica. Sebbene possano verificarsi errori di traduzione quando si utilizza l’LLM, all’utente viene fornita una spiegazione logica di come le richieste sono state tradotte e le verifiche logiche possono essere verificate da software open source di terze parti. Il nostro obiettivo finale è quello di portare una trasparenza azionabile, in cui i sistemi AI possano spiegare il loro ragionamento in un modo che sia logicamente verificabile in modo indipendente.

Imandra viene utilizzata da Goldman Sachs (GS ) e DARPA, tra gli altri. Puoi condividere un esempio del mondo reale di come la tua tecnologia abbia risolto un problema complesso?

Un ottimo esempio dell’impatto reale di Imandra è evidenziato nella nostra vittoria al primo posto nella competizione UBS Future of Finance (i dettagli con il codice Imandra sono sul nostro sito web). Mentre creavamo uno studio di caso per UBS che codificava un documento di regolamentazione che avevano presentato alla SEC, Imandra ha identificato un difetto fondamentale e sottile nella descrizione dell’algoritmo. Il difetto derivava da condizioni logiche sottili che dovevano essere soddisfatte per classificare gli ordini all’interno di un libro degli ordini – qualcosa che sarebbe stato impossibile per gli esseri umani rilevare “a mano”. La banca ci ha assegnato il primo posto (su oltre 620 aziende a livello globale).

Come la tua esperienza presso Deutsche Bank ha plasmato le applicazioni di Imandra nei sistemi finanziari, e qual è il caso d’uso più impattante che hai visto finora?

Presso Deutsche Bank, abbiamo trattato molto codice complesso che prendeva decisioni di trading automatiche in base a vari input di apprendimento automatico, indicatori di rischio, ecc. Come qualsiasi banca, abbiamo anche dovuto rispettare numerose regolamentazioni. Ciò che Grant e io abbiamo realizzato è che, a livello matematico, questo era molto simile alla ricerca che stava conducendo per la sicurezza degli autopiloti.

Oltre alla finanza, quali settori pensi che abbiano il potenziale più grande per trarre beneficio dall’AI neurosimbolica?

Abbiamo visto AlphaFold vincere il Premio Nobel, quindi contiamo sicuramente quello… In definitiva, la maggior parte delle applicazioni dell’AI trarrà grandi benefici dall’utilizzo di metodi simbolici, ma in particolare stiamo lavorando sugli agenti che rilasceremo presto: analisi del codice (traduzione del codice sorgente in modelli matematici), creazione di modelli rigorosi da specifiche in prosa inglese, ragionamento su modelli SysML (linguaggio utilizzato per descrivere sistemi in settori critici per la sicurezza) e automazione dei processi aziendali.

La decomposizione della regione di Imandra è una funzione innovativa. Puoi spiegare come funziona e la sua importanza nel risolvere problemi complessi?

Una domanda a cui ogni ingegnere pensa quando scrive software è “quali sono i casi limite?”. Quando il loro lavoro è il test di qualità e devono scrivere casi di test o stanno scrivendo codice e pensando se hanno implementato correttamente i requisiti. Imandra porta una rigorosità scientifica per rispondere a questa domanda – tratta il codice come un modello matematico e lo analizza simbolicamente in tutti i suoi casi limite (produciendo una prova sulla completezza della copertura). Questa funzione si basa su una tecnica matematica chiamata “decomposizione algebrica cilindrica”, che abbiamo “sollevato” agli algoritmi in generale. Ha salvato innumerevoli ore ai nostri clienti nel settore finanziario e ha scoperto errori critici. Ora stiamo portando questa funzione agli ingegneri di tutto il mondo.

Come Imandra si integra con i grandi modelli linguistici, e quali nuove capacità sblocca per l’AI generativa?

I modelli linguistici e Imandra lavorano insieme per formalizzare l’input umano (sia esso codice sorgente, prosa inglese, ecc.), ragionare su di esso e quindi restituire l’output in un modo facile da capire. Utilizziamo framework agente (ad esempio Langgraph) per orchestrare questo lavoro e consegnare l’esperienza come un agente che i nostri clienti possono utilizzare direttamente o integrare nelle loro applicazioni o agenti. Questo flusso di lavoro simbiotico affronta molte delle sfide dell’utilizzo di strumenti AI basati solo su LLM e estende la loro applicazione oltre i dati di addestramento precedentemente visti.

Qual è la tua visione a lungo termine per Imandra, e come pensi che trasformerà le applicazioni AI attraverso i settori?

Pensiamo che le tecniche neurosimboliche saranno la base che aprirà la strada per realizzare la promessa dell’AI. Le tecniche simboliche sono l’ingrediente mancante per la maggior parte delle applicazioni industriali dell’AI e siamo entusiasti di essere all’avanguardia di questo prossimo capitolo dell’AI.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Imandra.