Denis Ignatovich, medgrunnlegger og med-CEO av Imandra – Intervju-serie

Denis Ignatovich, medgrunnlegger og med-CEO av Imandra, har over ett tiår med erfaring innen handel, risikostyring, kvantitativ modellering og kompleks handelssystemdesign. Før han grunnla Imandra, ledet han den sentrale risikohandelsdisken i Deutsche Bank (DB ) London, der han erkjente den kritiske rollen AI kan spille i den finansielle sektoren. Hans innsikt under denne tiden hjalp til å forme Imandras suiter av finansielle produkter. Denis’ bidrag til beregningslogikk for finansielle handelsplattformer inkluderer flere patenter. Han har en MSc i finansielle studier fra London School of Economics og grader i datavitenskap og finansielle studier fra UT Austin.

Imandra er en AI-drevet resoneringssmotor som bruker neurosymbolisk AI til å automatisere verifisering og optimalisering av komplekse algoritmer, særlig i finansielle transaksjoner og programvaresystemer. Ved å kombinere symbolisk resonering med maskinlæring, forbedrer den sikkerheten, samsvar og effektiviteten, og hjelper institusjoner å redusere risikoen og forbedre gjennomsiktigheten i AI-drevne beslutninger.

Hva inspirerte deg og Dr. Grant Passmore til å grunnlegge Imandra, og hvordan påvirkte dere bakgrunn visionen for selskapet?

Etter college gikk jeg inn i kvantitativ handel og endte opp i London. Grant gjorde sin PhD i Edinburgh og deretter flyttet til Cambridge for å arbeide med anvendelser av automatisk logisk resonering for analyse av sikkerheten til autopilotsystemer (komplekse algoritmer som involverer ikke-lineær beregning). I mitt arbeid behandlet jeg også komplekse algoritmer med mye ikke-lineær beregning, og vi innsett at det er en dyp sammenheng mellom disse to feltene. Måten finanssektoren skapte slike algoritmer var virkelig problematisk (som vist i mange nyhetsartikler om “algo-feil”), så vi satte ut å endre dette ved å gi ingeniører i finans med automatiske logiske verktøy til å bringe strenge vitenskapelige tekniker til programvareutvikling og -design. Imidlertid, det vi endte opp med å skape, er bransjeuavhengig.

Kan du forklare hva neurosymbolisk AI er og hvordan det forskjeller seg fra tradisjonelle AI-tilnærminger?

Området AI har (svært grovt!) to områder: statistisk (som inkluderer LLMs) og symbolisk (aka automatisk resonering). Statistisk AI er utrolig god til å identifisere mønster og gjøre oversettelse ved hjelp av informasjonen det lærte fra treningsdataene. Men, det er dårlig på logisk resonering. Den symboliske AI er nesten det motsatte – det tvinger deg til å være svært presis (matematisk) med hva du prøver å gjøre, men det kan bruke logikk til å resonere på en måte som er (1) logisk konsistent og (2) ikke krever data for trening. Teknikkene som kombinerer disse to områdene av AI kalles “neurosymbolisk”. En berømt anvendelse av denne tilnærmingen er AlphaFold-prosjektet fra DeepMind, som nylig vant Nobelprisen.

Hva mener du skiller Imandra fra å lede den neurosymboliske AI-revolusjonen?

Det finnes mange fantastiske symboliske resonatorer der ute (de fleste i akademia) som målretter spesifikke nisjer (f.eks. protein-folding), men Imandra gir utviklere mulighet til å analysere algoritmer med utenkelig automatisering, som har mye større anvendelser og større målgrupper enn disse verktøyene.

Hvordan eliminerer Imandras automatiske resonering vanlige AI-utfordringer, som hallusinasjoner, og forbedrer tillit til AI-systemer?

Med vår tilnærming, brukes LLMs til å oversette menneskelige forespørsler til formell logikk, som deretter analyseres av resoneringssmotoren med full logisk audit-spor. Mens oversettelsesfeil kan oppstå når man bruker LLM, får brukeren en logisk forklaring på hvordan inndataene ble oversatt, og de logiske auditene kan verifiseres av tredjeparts åpne kildekoder. Vårt ultimate mål er å bringe handlebar gjennomsiktighet, der AI-systemene kan forklare sin resonering på en måte som er uavhengig logisk verifiserbar.

Imandra brukes av Goldman Sachs (GS ) og DARPA, blant andre. Kan du dele et eksempel på hvordan teknologien løste et komplekst problem i virkeligheten?

Et fantastisk eksempel på den virkelige virkningen av Imandra er vist i vår UBS Future of Finance-konkurransen, der vi vant 1. plassen (detaljene med Imandra-kode finnes på vår nettside). Mens vi lagde en casestudie for UBS som kodet en regulatorisk dokument som de sendte til SEC, identifiserte Imandra en grunnleggende og subtil feil i algoritme-beskrivelsen. Feilen stammet fra subtile logiske betingelser som måtte være oppfylt for å rangere ordrer i en ordrebok – noe som ville være umulig for mennesker å oppdage “for hånd”. Banken tildelte oss 1. plassen (av over 620 selskaper globalt).

Hvordan har din erfaring i Deutsche Bank påvirket Imandras anvendelser i finansielle systemer, og hva er den mest betydningsfulle anvendelsen du har sett så langt?

I Deutsche Bank behandlet vi mye kompleks kode som tok automatiske handelsbeslutninger basert på ulike ML-inndata, risikoindikatorer osv. Som enhver bank, måtte vi også følge mange regler. Det Grant og jeg innsett, var at dette, på et matematisk nivå, var svært likt forskningen han gjorde for autopilotsikkerhet.

Forbi finans, hvilke bransjer ser du som having den største potensialet til å dra nytte av neurosymbolisk AI?

Vi har sett AlphaFold få Nobelprisen, så la oss definitivt telle den ene… Til slutt, de fleste anvendelser av AI vil trekke stor nytte av bruk av symboliske metoder, men spesifikt, arbeider vi med følgende agenter som vi snart vil slippe: kodeanalyse (oversettelse av kildekoden til matematiske modeller), skaping av strenge modeller fra engelsk-prosa-specifikasjoner, resonering om SysML-modeller (språk brukt til å beskrive systemer i sikkerhetskritiske industrier) og automatisering av forretningsprosesser.

Imandras region-dekomposisjon er en ny funksjon. Kan du forklare hvordan den fungerer og dens betydning i løsning av komplekse problemer?

En spørsmål som hver ingeniør tenker på når de skriver programvare, er “hva er edge-tilfellene?”. Når deres jobb er QA og de må skrive enhetstest-tilfeller eller de skriver kode og tenker på om de har implementert kravene riktig. Imandra bringer vitenskapelig strenghet til å svare på dette spørsmålet – det behandler koden som en matematisk modell og analyserer alle dens edge-tilfeller (samtidig som det produserer et bevis om fullstendig dekning). Denne funksjonen er basert på en matematisk teknikk kalt “Cylindrical Algebraic Decomposition”, som vi har “hevet” til algoritmer i stor skala. Den har spart utallige timer for våre kunder i finans og avdekket kritiske feil. Nå bringer vi denne funksjonen til ingeniører overalt.

Hvordan integrerer Imandra med store språkmodeller, og hva nye muligheter låser dette opp for generativ AI?

LLMs og Imandra arbeider sammen for å formalisere menneskelige inndata (enten det er kildekoden, engelsk-prosa osv), resonere om det og deretter returnere utdataene på en måte som er lett å forstå. Vi bruker agente-rammeverk (f.eks. Langgraph) til å orkestrere dette arbeidet og levere opplevelsen som en agent som våre kunder kan bruke direkte, eller integrere i sine applikasjoner eller agenter. Denne symbiotiske arbeidsflyten adresserer mange av utfordringene med å bruke LLM-baserte AI-verktøy og utvider deres anvendelse utenfor tidligere sett treningsdata.

Hva er din langsiktige visjon for Imandra, og hvordan ser du for deg at det transformerer AI-anvendelser over industrier?

Vi mener at neurosymboliske tekniker vil være grunnlaget som åpner veien for oss å realisere løftene i AI. Symboliske tekniker er den manglende ingrediensen for de fleste industrielle anvendelser av AI, og vi er spente på å være i forkant av dette neste kapitlet i AI.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Imandra.