Ankit Arya, Șef de Inteligență Artificială la Inscope – Seria de Interviuri

Ankit Arya, Șef de Inteligență Artificială la Inscope, aduce o experiență profundă în domeniul conducerii produselor de inteligență artificială, învățare automată, automatizare întreprindere și cercetare aplicată. Ca parte a echipei fondatoare a Inscope, el ajută la construirea de software care permite companiilor să împărtășească date financiare precise și conforme cu stakeholderii. În trecut, el a ocupat funcția de Co-fondator și CTO al Mariana, unde a lucrat la analiza pieței și cercetarea competitivă conduse de inteligență artificială, precum și la strategia de produs de învățare automată și inteligență artificială la HackerRank. La începutul carierei sale, Arya a lucrat la Meta pe automatizarea recrutării conduse de inteligență artificială și productivitatea realității virtuale, a ajutat la dezvoltarea automatizării serviciilor întreprinderii bazate pe chatbot ca inginer fondator la Astound și a construit sisteme de învățare automată la scară de producție la Collective[i]. Cariera sa cuprinde implementarea practică a inteligenței artificiale, strategia de produs, automatizarea și sistemele bazate pe date atât în mediul startup, cât și în cel al întreprinderilor mari.

Inscope este o platformă de raportare financiară nativă inteligență artificială, construită pentru cabinete de contabilitate, echipe financiare și întreprinderi care necesită să pregătească, să revizuiască și să prezinte declarații financiare precise în mod mai eficient. Platforma se concentrează pe automatizarea muncii manuale din spatele raportării financiare, inclusiv roll-forwards, formatare, divulgări, footings, tie-outs și verificări de consistență. Inscope poziționează tehnologia sa ca o modalitate de a reduce erorile de raportare, de a scurta ciclurile de pregătire și de a face declarațiile financiare gata pentru audit mai ușor de produs. Compania a anunțat un fond de 14,5 milioane de dolari în februarie 2026 pentru a-și extinde platforma de raportare financiară condusă de inteligență artificială, cu produsul său vizând înlocuirea fluxurilor de lucru fragmentate și bazate pe foi de calcul cu un proces de raportare mai sistematic, conform și scalabil.

Ați lucrat în domeniul conducerii produselor de inteligență artificială, învățării automate, automatizării întreprinderii, recrutării conduse de inteligență artificială, productivității realității virtuale și conducerii produselor de inteligență artificială înainte de a prelua funcția de Șef de Inteligență Artificială la Inscope. Cum v-a pregătit această evoluție pentru a aborda una dintre fluxurile de lucru manuale și sensibile din finanțe?

De-a lungul conducerii produselor de inteligență artificială, învățării automate, automatizării întreprinderii, recrutării conduse de inteligență artificială și productivității realității virtuale, am făcut variații ale aceleiași lucruri grele: luarea muncii umane haotice și obținerea unui sistem de inteligență artificială care să o facă în mod fiabil, astfel încât echipe reale să se bazeze pe el. Fiecare domeniu a învățat o piesă diferită. Implementarea produselor de învățare automată la scară m-a învățat ce se susține sub volumul real. Construirea cu modele de limbaj mare ca fondator m-a învățat cum se comportă aceste modele în realitate, unde se defectează și cum să le direcționezi spre precizie reală, mai degrabă decât spre ieșiri care arată bine doar într-o demonstrație. Și în fiecare loc unde am lucrat, produsele care au câștigat încredere au păstrat un om în control și au reflectat modul în care expertul lucra deja, în loc să forțeze oamenii să se adapteze la logica mașinii.

Ce v-a atras către finanțe a fost o realizare din construirea cu modele de limbaj mare: pentru prima dată, puteți lua date cu adevărat nestructurate și construi automatizare fiabilă deasupra lor, ceea ce nu era posibil înainte. Dintre toate procesele manuale și conduse de oameni care urmează să fie reconfigurate de inteligența artificială, pregătirea declarațiilor financiare este una dintre cele mai pure. Teza cu care am venit și la care totul ceea ce construim se întoarce este simplă: jobul preparatorului ar trebui să se schimbe în cel al revizorului. Aceasta este schimbarea pe care merită să lucrați.

Pregătirea și revizuirea declarațiilor financiare a rămas încăpățânat manuală de-a lungul anilor. Ce v-a făcut să credeți că aceasta este, în sfârșit, o categorie în care inteligența artificială poate aduce o schimbare semnificativă?

Dacă priviți îndeaproape ce face un preparator financiar, este, de fapt, o pipelină de transformare a datelor. Extrageți date din zeci de sisteme care nu comunică între ele, cum ar fi sistemul dvs. ERP, sistemul de echitate și PDF-uri pline de contracte și grafice. Transformați toate acestea în ieșiri digerabile, cum ar fi bilanțuri, rapoarte de venit și tabele de note de subsol. Apoi adăugați un strat de judecată deasupra: comentariul care explică ce înseamnă numerele. A rămas manual atât de mult timp, deoarece aceste sisteme nu s-au conectat niciodată, iar automatizarea mai veche, cum ar fi motoarele de reguli și RPA, boturile scriptate care imită clicuri, a fost prea fragilă pentru a supraviețui varietății și cazurilor limită.

Două lucruri s-au schimbat. În primul rând, modelele pot lua acum intrări extrem de variate și le pot structura, și, la fel de important, pot aduce la suprafață cazurile limită pentru ca un om să le verifice, în loc să se defecteze în tăcere, atâta timp cât construiți pașii de verificare în spatele lor. În al doilea rând, ele pot redacta comentarii întemeiate, deoarece finanțele nu sunt pur subiective. Există un adevărat ghid de reguli pe care să vă sprijiniți, de la FASB despre cum sunt recunoscute și măsurate lucrurile, până la SEC despre cum sunt divulgate, cu mii de depuneri anterioare de învățat. Ce m-a convins că acesta este un lucru real a fost urmărirea unei verificări pe care niciun model nu a putut-o face corect, genul de verificare care necesită multe pași dependenți, și care a început să funcționeze în mod fiabil odată ce am rulat-o peste un set de agenți coordonați. Cu arhitectura potrivită, problemele care par imposibile pentru un model devin tratabile.

De ce a fost mai greu pentru finanțele întreprinderilor să fie transformate cu inteligență artificială decât s-a așteptat multă lume?

Versiunea brută este că acesta este un lucru pentru care oamenii pot merge la închisoare. Riscările sunt extraordinar de mari, așa că pragul de a automatiza orice parte din acesta este corespunzător de mare. Acesta este un univers diferit de un produs de consum, unde o greșeală este o enervare. Aici, o singură cifră greșită poate avea consecințe legale și de reglementare, iar persoana care semnează se expune personal.

În plus, fiecare companie face acest lucru puțin diferit, iar munca este plină de excepții. Regulile și șabloanele gestionează calea comună și apoi se destramă exact acolo unde trăiește munca reală. Ceea ce a învins software-ul anterior nu a fost niciodată o singură cifră, ci nevoia de a înțelege o flux de lucru de la capăt la capăt, cu toate cuvintele sale și excepțiile sale. Riscările mari, personalizarea profundă și fluxurile de lucru încâlcite sunt motivele pentru care această categorie a rămas neatinsă, în timp ce inteligența artificială a transformat categoriile mai strălucitoare.

Care este diferența dintre uneltele generice de inteligență artificială și inteligența artificială creată special pentru raportarea financiară și conformitate?

Acesta este locul în care aș contesta ideea că totul se reduce la model. Toată lumea are aceleași modele. Diferența constă în tot ceea ce se află în jurul lor: ce context puneți în fața modelului, în ce moment, cu ce verificări. Un sistem creat special se compune. Cu cât funcționează mai mult în cadrul unei organizații, cu atât învață mai multe despre modelele și convențiile specifice ale acelei companii, ceea ce uneltele generice încep de la zero în fiecare caz.

Pentru finanțe, există câteva lucruri pe care nu le puteți sări. Ieșirile trebuie să fie întemeiate pe datele sursă, iar fiecare cifră trebuie să poată fi urmărită până la locul său de origine, cine sau ce a produs-o și de ce. Și sistemul trebuie să cunoască limitele încrederii sale, semnalând ceea ce nu este sigur pentru un om, în loc să ghicească. Adevărata meserie constă în experiența din jurul tuturor acestor aspecte. Nu puteți pur și simplu arunca o soluție pe perete și lăsa utilizatorul să o apere. Proiectarea pentru întemeiere, urmărire și predare grațioasă către un om este ceea ce separă uneltele generice de ceva pe care un controlor își va pune numele.

Care sunt cele mai mari provocări ale învățării automate în construirea sistemelor care pot înțelege în mod fiabil structura, relațiile și logica din spatele declarațiilor financiare?

Începeți cu un exemplu concret. O corelare este atunci când vă asigurați că o cifră este de acord în toate locurile în care apare: o tabelă împotriva altor tabele, o tabelă împotriva textului înconjurător, textul împotriva lui însuși, pe tot parcursul unei depuneri. Preparatorii fac acest lucru în fiecare zi. Sună trivial, dar nu puteți pur și simplu introduce întregul document într-un model cu o promptă ingenioasă și încredințați-vă în rezultat, nu la precizia pe care o cere acest lucru.

Aceasta este provocarea centrală a învățării automate, și are trei straturi. Sistemul trebuie să înțeleagă cum funcționează un anumit client și să continue să învețe din feedbackul său. Trebuie să înțeleagă în mod real relațiile dintr-o declarație financiară, deoarece cifrele se corelează pe declarații, note de subsol se reconciliază și perioadele se rostogolesc înainte, mai degrabă decât doar citirea textului. Și odată ce mulți agenți cooperează, ați luat în mod tacit o problemă de sisteme distribuite: obținerea contextului potrivit pentru pasul potrivit, plasarea verificărilor și gardurilor, amestecarea revizuirii automate cu revizuirea umană și construirea seturilor de date interne care vă permit să măsurați dacă orice dintre acestea este, de fapt, corect. Partea grea nu a fost niciodată să faceți un model să citească o declarație financiară. Este construirea sistemului din jurul său care poate raționa, verifica și explica de unde provine fiecare cifră.

Cum gândiți despre precizia modelului, explicabilitate și toleranța la erori atunci când inteligența artificială este aplicată fluxurilor de lucru financiare în care mici greșeli pot avea consecințe majore?

Nu există o singură bară de precizie, și a pretinde contrariul este unde oamenii greșesc. Aceste sisteme nu sunt 100% precise, și ceea ce este realizabil variază foarte mult în funcție de sarcină. Așa că adevăratul lucru este comunicarea onestă despre ceea ce a făcut sistemul și unde se află riscul. În loc să fluturați o rată generală de succes, arătați revizorului articolele care poartă cel mai mare risc, cele materiale, și sunteți expliciți despre ceea ce sistemul nu a atins. Acesta este modul în care închideți golul, în loc să pretindeți că nu există.

Explicabilitatea trebuie să fie concretă, nu un principiu pe o diapozitivă. Când rulăm verificări de footing pe o tabelă, arătăm un mic calculator: exact celulele care au fost combinate și aritmetica pe care sistemul a folosit-o. Dacă a făcut o greșeală, puteți vedea într-o secundă. Pe partea modelului, unul dintre cele mai importante instrumente este un set puternic de evaluare care măsoară precizia pe sarcini reale. Dincolo de aceasta, se reduce la a învăța să vedeți cu ochii modelului. Este surprinzător de ușor să uitați ce poate vedea, de fapt, modelul. Așa că studiați ceea ce se află în fața lui, studiați cum raționează un expert prin aceeași problemă și închideți distanța prin oferirea modelului contextului pe care expertul l-ar avea.

Ce trebuie să faceți pentru a câștiga încrederea CFO-urilor, controlorilor și auditorilor atunci când implementați inteligență artificială în medii cu cerințe de conformitate?

Încrederea începe cu faptul că faceți ca utilizatorul să vadă cu ușurință ceea ce a făcut sistemul. Un utilizator nu vede niciodată setul dvs. de evaluare și nu îi pasă că aveți o medie de 95%. Ei se uită la depunerea lor, și pe depunerea lor sistemul ar putea face mai rău decât media, poate cea mai proastă cursă a zilei. Nicio cifră medie nu poate consola pe cineva în acel moment.

Așa că totul se bazează pe experiența din jurul inteligenței artificiale. Arătați clar ceea ce s-a făcut, faceți ca verificarea și corectarea să fie triviale și asigurați-vă că acea corectură, de fapt, învață sistemul. Aceștia sunt oameni care sunt personal responsabili pentru cifrele, așa că nu vor o cutie neagră. Vor să rămână în control și să vadă munca.

Unde credeti că multe întreprinderi greșesc atunci când încearcă să introducă inteligența artificială în fluxurile de lucru financiare critice?

Greșeala cea mai comună este încercarea de a obține automatizare completă din prima zi. Instinctul este să înlăturați expertul; mișcarea mai bună este să faceți expertul mult mai productiv și să îi direcționați judecata acolo unde contează cu adevărat. Când încercați să scoateți complet omul, obțineți ceva în care nimeni nu are încredere și nimeni nu folosește.

A doua greșeală este tratarea acestui lucru ca o problemă pur de modelare și a înfometarea părții pe care utilizatorul o atinge, de fapt. Prezentarea muncii, cât de ușor este să verificați și să corectați, decide adesea dacă uneltele sunt adoptate sau abandonate în tăcere. Multe echipe descoperă prea târziu că modelul a fost partea ușoară.

Dacă aș sfătui un CFO care începe astăzi: alegeți o sarcină îngustă, dureroasă, bine înțeleasă, în loc să fierbeți oceanul, păstrați-vă experții ferm în scaunul șoferului și investiți la fel de mult în experiență și în bucla de feedback, cât și în modelul însuși. Acesta este diferența dintre un pilot care moare în tăcere și unul care schimbă modul în care funcționează echipa.

Cum credeți că se va schimba rolul profesioniștilor din finanțe pe parcursul următorilor ani, pe măsură ce inteligența artificială devine mai integrată în raportare și revizuire?

Acesta este locul în care teza pe care am deschis-o se plătește. Schimbarea este de la pregătire la revizuire. Astăzi, cea mai mare parte a timpului unui preparator este dedicată mecanicii: extragerea datelor din sisteme dispersate, construirea tabelelor, rularea acelorași verificări din nou și din nou. Pe măsură ce inteligența artificială absoarbe aceasta, jobul se mută spre revizuirea ieșirilor, aplicarea judecății acolo unde cu adevărat necesită un om și gestionarea excepțiilor.

Îl văd pe acesta ca făcând profesioniștii din finanțe mai valoroși, nu mai puțin. Judecata lor, memoria instituțională și responsabilitatea pe care o poartă sunt cheltuite pentru deciziile care contează, mai degrabă decât pentru munca de asamblare pe care o poate face o mașină. Cei mai buni dintre ei vor fi excelenți în direcționarea și verificarea ieșirilor inteligenței artificiale, prinderea lucrului care pare subtil greșit și lucrul fluent alături de aceste sisteme.

Îl văd ca fiind precis despre viteza de accelerare, însă. Inteligența artificială comprimă pregătirea, care poate trece de la săptămâni la o fracțiune din aceasta. Nu comprimă părțile care sunt poziționate de auditori externi și termenele limită de depunere, care sunt un podea pe care nu o poate muta. Dar scurtarea pregătirii singură schimbă ritmul funcției: o închidere mai rapidă, raportarea care se apropie de continuă și mai mult timp petrecut cu ceea ce înseamnă cifrele pentru afacere, mai degrabă decât pentru a le produce. Acesta este un viitor mai strategic pentru profesie, nu unul mai mic.

Când priviți peisajul inteligenței artificiale la nivel de întreprindere, ce separă companiile care rezolvă probleme operaționale profunde de cele care se limitează la a călări valul inteligenței artificiale?

Îl judec cu un singur test, și nu are nimic de-a face cu inteligența artificială: cât de mult ar suferi un client dacă produsul ar dispărea mâine? Dacă răspunsul este “mult”, este o companie reală. Dacă răspunsul sincer este “abia ar observa”, este o companie care se joacă de-a valul hype-ului. Inteligența artificială nu schimbă acest test. Doar face mai ieftin să construiți o demonstrație strălucitoare care nu trece testul.

Duceți-vă la un nivel mai profund, și avantajul durabil vine din cât de adânc în munca sunteți dispuși să mergeți. Generația anterioară de software a construit locul în care se desfășoară munca, suprafața pe care oamenii lucrează. Această generație poate construi sisteme care fac, de fapt, munca, inclusiv cazurile complexe, cu mai mulți pași, de întreprindere, pe care majoritatea instrumentelor le ocolesc în tăcere. Odată ce ați mers atât de departe, cu contextul acumulat și încrederea care necesită ani pentru a fi câștigată, un laborator mare nu poate pur și simplu să intre și să ia afacerea cu un model de bază mai bun. Această adâncime este jocul întreg, și este acolo unde am plasat pariul nostru la Inscope.

Mulțumim pentru acest interviu minunat, cititorilor care doresc să afle mai multe despre Inscope.