Анкит Арья, руководитель отдела ИИ в Inscope – Интервью

Анкит Арья, руководитель отдела ИИ в Inscope, обладает глубоким опытом в области лидерства в разработке продуктов ИИ, машинного обучения, автоматизации предприятий и прикладных исследований. Как часть основной команды Inscope, он помогает создавать программное обеспечение, которое позволяет компаниям делиться точными и соответствующими требованиям финансовыми данными с заинтересованными сторонами. Его опыт включает в себя работу в качестве сооснователя и технического директора Mariana, где он занимался разработкой анализа рынка и конкурентных исследований на основе ИИ, а также руководство стратегией продуктов ИИ и машинного обучения в HackerRank. Ранее в своей карьере Арья работал в Meta над автоматизацией подбора персонала на основе ИИ и производительностью виртуальной реальности, помогал разрабатывать автоматизацию обслуживания предприятий на основе чат-ботов в качестве основного инженера в Astound, и создавал системы машинного обучения в крупном масштабе в Collective[i]. Его карьера охватывает практическое внедрение ИИ, стратегию продуктов, автоматизацию и системы, основанные на данных, в cả средах стартапов, и крупных предприятий.

Inscope – это платформа финансовой отчетности, родная для ИИ, построенная для бухгалтерских фирм, финансовых команд и предприятий, которым необходимо более эффективно подготовить, проверить и представить точные финансовые отчеты. Платформа фокусируется на автоматизации ручной работы, связанной с финансовой отчетностью, включая перенос данных, форматирование, раскрытия, подвалы, проверки и проверки согласованности. Inscope позиционирует свою технологию как способ уменьшить ошибки отчетности, сократить циклы подготовки и сделать подготовку финансовых отчетов, готовых к аудиту, проще. Компания объявила о привлечении 14,5 миллионов долларов в рамках раунда серии А в феврале 2026 года для расширения своей платформы финансовой отчетности на основе ИИ, с продуктом, направленным на замену фрагментированных рабочих процессов, основанных на электронных таблицах, на более систематический, соответствующий требованиям и масштабируемый процесс отчетности.

Вы работали в области автоматизации предприятий, машинного обучения, ИИ в подборе персонала, производительности виртуальной реальности и лидерства в разработке продуктов ИИ до того, как заняли должность руководителя отдела ИИ в Inscope. Как это прогрессирование подготовило вас к решению одной из наиболее ручных и чувствительных задач финансов?

На протяжении всей моей карьеры в автоматизации предприятий, машинном обучении, ИИ в подборе персонала, производительности виртуальной реальности и лидерстве в разработке продуктов ИИ я постоянно делал вариации одной и той же сложной задачи: брал ручную работу человека и заставлял систему ИИ выполнять ее надежно enough, чтобы реальные команды могли полагаться на нее. Каждая область преподала мне разные уроки. Развертывание продуктов машинного обучения в крупном масштабе научило меня, что выдерживает реальный объем. Создание с помощью больших языковых моделей как основателя научило меня, как эти модели действительно ведут себя, где они ломаются и как их можно формировать для реальной точности, а не только для вывода, который выглядит хорошо в демонстрации. И во всех местах, где я работал, продукты, которые заслужили доверие, сохраняли человека в контроле и отражали, как эксперт уже работал, вместо того, чтобы заставлять людей подчиняться логике машины.

Что привлекло меня к финансам, было осознание, полученное при создании с помощью больших языковых моделей: впервые можно было взять действительно неструктурированные данные и построить на их основе надежную автоматизацию, что ранее было невозможно. Из всех ручных, человеко-ориентированных процессов, которые вот-вот будут переформированы ИИ, подготовка финансовых отчетов является одним из наиболее чистых. Тезис, с которым я пришел, и который подтверждается всем, что мы строим, прост: работа подготовщика должна сдвинуться в сторону проверяющего. Это изменение стоит того, чтобы работать над ним.

Финансовая отчетность и проверка остались упорно ручными на протяжении многих лет. Что заставило вас поверить, что это, наконец, категория, где ИИ может принести значительные изменения?

Если вы посмотрите внимательно на то, что делает финансовый подготовщик, это на самом деле конвейер данных. Вы тянете данные из десятков систем, которые не общаются друг с другом, таких как ваша система ERP, система учета акций и PDF-файлы, полные контрактов и графиков. Вы превращаете все это в понятные выходные данные, такие как балансы, отчеты о прибыли и убытках и таблицы сносками. Затем вы добавляете слой суждения: комментарии, которые объясняют, что означают цифры. Это осталось ручным так долго, потому что эти системы никогда не соединялись, а более старая автоматизация, такая как движки правил и RPA, скриптовые боты, имитирующие клики, была слишком хрупкой, чтобы выдержать разнообразие и краевые случаи.

Два фактора изменились. Во-первых, модели теперь могут взять сильно различающиеся входные данные и структурировать их, и, что не менее важно, выявить краевые случаи для человека, чтобы проверить, вместо того, чтобы молча ломаться, если только вы не построите шаг проверки за ними. Во-вторых, они могут создать обоснованные комментарии, потому что финансы не являются чисто субъективными. Есть реальная книга правил, на которую можно опираться, от FASB о том, как вещи признаются и измеряются до SEC о том, как они раскрываются, с тысячами предыдущих подач, которые можно изучить. То, что убедило меня, что это реально, было наблюдение за проверкой, которую одна модель никогда не могла сделать правильно, такого рода, который требует многих зависимых шагов, начало работать надежно, когда мы запустили его через набор координирующих агентов. С правильной архитектурой проблемы, которые кажутся невозможными для одной модели, становятся разрешимыми.

Почему корпоративные финансы были труднее преобразовать с помощью ИИ, чем многие люди ожидали?

Прямой ответ в том, что это работа, за которую люди могут сесть в тюрьму. Ставки чрезвычайно высоки, поэтому планка для автоматизации любой части работы соответствующе высока. Это другая вселенная, чем потребительский продукт, где ошибка является раздражением. Здесь одна неправильная цифра может нести юридические и регуляторные последствия, и человек, который подписывает их, несет их лично.

Помимо этого, каждая компания делает это немного по-разному, и работа полна исключений. Правила и шаблоны обрабатывают обычный путь, а затем разваливаются именно там, где живет реальная работа. То, что победило ранее программное обеспечение, никогда не было какой-либо отдельной цифрой, это была необходимость понять весь конечный рабочий процесс со всеми его если и но. Высокие ставки, глубокая настройка и действительно запутанные рабочие процессы – это то, почему эта категория осталась нетронутой, пока ИИ преобразовал более яркие категории.

Какой пробел существует между универсальными инструментами ИИ и специально разработанными инструментами ИИ, необходимыми для финансовой отчетности и соблюдения требований?

Это то место, где я бы возразил против идеи, что все дело в модели. У всех одни и те же модели. Разница заключается во всем, что окружает их: какой контекст вы ставите перед моделью, в какой момент, с какими проверками. Специально разработанная система также накапливается. Чем больше она работает внутри одной организации, тем больше она учится конкретных закономерностей и условностей компании, что универсальный инструмент начинает с нуля каждый раз.

Для финансистов есть несколько вещей, которые нельзя пропустить. Выход должен быть основан на исходных данных, и каждая цифра должна быть прослеживаема до того места, откуда она взята, кто или что ее произвело, и почему. И система должна знать пределы своей собственной уверенности, флагируя то, о чем она не уверена, для человека, а не угадывая. Реальное мастерство заключается в опыте вокруг всего этого. Вы не можете просто бросить ответ на стену и оставить пользователя защищать его. Проектирование для основы, прослеживаемости и грациозной передачи человеку – это то, что отделяет универсальный инструмент от чего-то, что контроллер будет готов поставить свое имя.

Какие являются самыми большими проблемами машинного обучения при построении систем, которые могут надежно понять структуру, отношения и логику финансовых отчетов?

Начните с конкретного примера. Сверка – это когда вы убеждаетесь, что цифра согласуется повсюду, где она появляется: таблица против других таблиц, таблица против окружающего текста, текст против себя, на протяжении всего подачи. Подготовщики делают это каждый день. Это звучит тривиально, но вы не можете просто бросить весь документ в модель с умным提示ом и доверять результату, не на том уровне точности, который требует эта работа. Чтобы сделать это надежным, нам пришлось разбить его на координированную систему из меньших, проверяемых шагов. Даже самая рутинная проверка в финансах не может быть просто заменена на один вызов модели.

Это ядро проблемы машинного обучения, и оно имеет три уровня. Система должна понимать, как работает конкретный клиент, и продолжать учиться на его обратной связи. Она должна действительно понять отношения внутри финансового отчета, поскольку цифры сверкают через отчеты, сноски согласовываются, и периоды переносятся вперед, а не просто читать текст. И когда многие агенты сотрудничают, вы тихо взяли на себя проблему распределенной системы: получение правильного контекста на правильный шаг, установка проверок и охранников, смешивание автоматического обзора с человеческим обзором и построение внутренних наборов данных, которые позволяют измерить, является ли что-либо из этого действительно правильным. Трудная часть никогда не заключалась в том, чтобы заставить модель прочитать финансовый отчет. Это построение системы вокруг нее, которая может рассуждать, проверять себя и объяснять, откуда взялась каждая цифра.

Как вы думаете об точности модели, объяснимости и толерантности к ошибкам, когда ИИ применяется к финансовым рабочим процессам, где небольшие ошибки могут иметь серьезные последствия?

Нет единой планки точности, и притворяться, что она есть, – это то место, где люди ошибаются. Эти системы не являются 100% точными, и то, что достижимо, сильно варьируется в зависимости от задачи. Итак, настоящая работа заключается в том, чтобы честно сообщать о том, что сделала система, и где лежит риск. Вместо того, чтобы размахивать общим показателем успеха, вы указываете проверяющему на пункты, которые несут наибольший риск, материальные, и явно указываете, что система не коснулась. Это то, как вы закрываете разрыв, вместо того, чтобы притворяться, что его нет.

Объяснимость должна быть конкретной, а не принципом на слайде. Когда мы запускаем проверки подвалов таблицы, мы показываем мини-калькулятор: точные ячейки, которые были объединены, и арифметику, которую система использовала. Если она сделала ошибку, вы можете увидеть это за секунду. На стороне модели самый важный инструмент – это сильные оценочные наборы, которые измеряют точность на реальных задачах. За пределами этого все сводится к тому, чтобы научиться видеть глазами модели. Это удивительно легко забыть, что может видеть модель. Итак, вы изучаете, что перед ней, вы изучаете, как эксперт рассуждает через одну и ту же проблему, и вы сокращаете расстояние, давая модели контекст, который имел бы эксперт.

Что нужно, чтобы заслужить доверие финансовых директоров, контролеров и аудиторов при развертывании ИИ в средах, требующих соблюдения требований?

Доверие начинается с того, что сделать легко увидеть, что сделала система. Пользователь никогда не видит вашу оценочную систему и не заботится о том, что вы в среднем достигаете 95%. Они смотрят на свою подачу, и на своей подаче система может работать хуже, чем в среднем, может быть, это ее худший запуск дня. Никакая агрегатная цифра не может утешить кого-либо в тот момент.

Итак, все зависит от опыта вокруг ИИ. Вы показываете явно, что было сделано, делаете это тривиальным, чтобы проверить и исправить, и убедитесь, что это исправление действительно учитывает систему. Это люди, которые лично отвечают за цифры, поэтому они не хотят черный ящик. Они хотят оставаться в контроле и видеть работу.

Один случай запечатлел это. Пользователь отметил ошибку расчета в таблице и спросил, почему ИИ не поймал ее. Потому что каждое действие было на записи, мы могли пройти назад через то, что произошло: система действительно отметила эту цифру как сомнительную, и она была отклонена. Точка не в том, кто был прав. Это то, что полная, общая запись превратила то, что могло бы быть упражнением в указывании пальцем, в пятиминутную реконструкцию. Этот тип задокументированной трассировки – это то, что позволяет финансовой команде относиться к системе как к настоящему партнеру.

Где, по вашему мнению, многие предприятия ошибаются, когда пытаются ввести ИИ в критические финансовые рабочие процессы?

Самая распространенная ошибка заключается в том, чтобы стремиться к полной автоматизации с первого дня. Инстинкт – удалить эксперта; лучший ход – сделать эксперта намного более продуктивным и направить его суждение туда, где оно действительно имеет значение. Когда вы пытаетесь полностью исключить человека, вы получаете что-то, что никто не доверяет и никто не использует.

Второй – это то, что это рассматривается как чисто проблема моделирования и лишение части, которую пользователь фактически касается. Как работа представлена, насколько легко проверить и исправить, часто решает, будет ли инструмент принят или тихо брошен. Многие команды обнаруживают слишком поздно, что модель была легкой частью.

Если бы я советовал финансовому директору, начинающему сегодня: выберите узкую, болезненную, хорошо понятную задачу, а не пытайтесь вскипятить океан, сохраните своих экспертов твердо в водительском кресле и инвестируйте столько же в опыт и обратную связь, сколько и в саму модель. Это разница между пилотом, который тихо умирает, и тем, который меняет, как работает команда.

Как вы думаете, что роль финансовых специалистов будет меняться в течение следующих нескольких лет, когда ИИ становится более встроенным в отчетность и проверку?

Это то место, где тезис, с которым я начал, оправдывается. Сдвиг происходит от подготовки к проверке. Сегодня большая часть времени подготовщика уходит на механику: извлечение данных из разрозненных систем, построение таблиц, запуск одних и тех же проверок снова и снова. Когда ИИ поглощает это, работа смещается в сторону проверки выходных данных, применения суждения, где это действительно требует человека, и обработки исключений.

Я вижу это как то, что делает финансовых специалистов более ценными, а не менее. Их суждение, их память учреждения и ответственность, которую они несут, тратятся на решения, которые действительно имеют значение, а не на работу по сборке, которую может выполнить машина. Лучшие из них будут отличными в направлении и проверке выходных данных ИИ, в ловле того, что выглядит тонко неправильно, и в работе в тандеме с этими системами.

Я был бы точным относительно скорости. ИИ сжимает подготовку, которая может перейти от недель до доли этого. Это не сжимает части, которые регулируются внешними аудиторами и сроками подачи, которые являются полом, который он не может переместить. Но сжатие подготовки само по себе меняет ритм функции: более быстрое закрытие, отчетность, которая приближается к непрерывной, и больше времени, потраченного на то, что означают цифры для бизнеса, а не на их производство. Это более стратегическое будущее для профессии, а не меньшее.

Когда вы смотрите на ландшафт корпоративного ИИ, что отделяет компании, решающие глубокие операционные проблемы, от тех, кто просто катается на волне ИИ?

Я оцениваю это по одному тесту, и он не имеет отношения к ИИ: насколько сильно пострадает клиент, если продукт исчезнет завтра? Если ответ – “много”, это реальная компания. Если честный ответ – “они едва заметят”, это компания, катящаяся на хайпе. ИИ не меняет этот тест. Он просто делает это дешевле, чтобы построить блестящий демонстрационный вариант, который проваливает его.

Идите глубже, и устойчивое преимущество исходит от того, насколько глубоко вы готовы пойти в работу. Последнее поколение программного обеспечения построило место, где происходит работа, поверхность, на которой люди работают. Это поколение может построить системы, которые выполняют саму работу, включая сложные, многоступенчатые корпоративные случаи, которые большинство инструментов тихо обходят. Как только вы пойдете так глубоко, с накопленным контекстом и доверием, которое занимает годы, чтобы заработать, большая лаборатория не может просто войти и взять бизнес с лучшей базовой моделью. Эта глубина – вся игра, и это то место, где мы поставили нашу ставку в Inscope.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Inscope.