Денис Игнатович, сооснователь и со-CEO Imandra – Интервью

Денис Игнатович, сооснователь и со-CEO Imandra, имеет более десяти лет опыта в торговле, управлении рисками, количественном моделировании и проектировании сложных торговых систем. До основания Imandra он возглавлял центральный трейдинговый стол риска в Deutsche Bank (DB ) London, где он осознал критическую роль, которую ИИ может сыграть в финансовом секторе. Его идеи в это время помогли сформировать линейку финансовых продуктов Imandra. Вклад Дениса в вычислительную логику для платформ финансовой торговли включает несколько патентов. Он имеет степень магистра финансов Лондонской школы экономики и степени в области компьютерных наук и финансов Университета Техаса в Остине.

Imandra – это движок рассуждений, работающий на основе ИИ, который использует нейросимволический ИИ для автоматизации проверки и оптимизации сложных алгоритмов, особенно в финансовой торговле и программных системах. Объединяя символическое рассуждение с машинным обучением, он повышает безопасность, соблюдение требований и эффективность, помогая учреждениям снижать риски и улучшать прозрачность в процессах принятия решений на основе ИИ.

Что вдохновило вас и доктора Гранта Пассмора на создание Imandra, и как ваш опыт повлиял на видение компании?

После колледжа я пошел в количественную торговлю и оказался в Лондоне. Грант сделал свой PhD в Эдинбурге, а затем переехал в Кембридж, чтобы работать над применением автоматического логического рассуждения для анализа безопасности автопилотных систем (сложных алгоритмов, включающих нелинейные вычисления). В своей работе я также занимался сложными алгоритмами с множеством нелинейных вычислений, и мы осознали, что между этими двумя областями существует глубокая связь. То, как финансы создавали такие алгоритмы, было действительно проблематичным (как подчеркивалось во многих новостных историях, связанных с “algo-глюками”), поэтому мы решили изменить это, наделив инженеров в финансах автоматическими логическими инструментами для введения строгих научных методов в проектирование и разработку программного обеспечения. Однако то, что мы в конечном итоге создали, оказалось независимым от отрасли.

Можете ли вы объяснить, что такое нейросимволический ИИ и как он отличается от традиционных подходов к ИИ?

Область ИИ (очень примерно!) делится на две области: статистическую (которая включает в себя модели языка) и символическую (также известную как автоматическое рассуждение). Статистический ИИ невероятно хорош в выявлении закономерностей и переводе с помощью информации, которую он выучил из обучающих данных. Но он плох в логическом рассуждении. Символический ИИ почти является полной противоположностью – он заставляет вас быть очень точным (математически) с тем, что вы пытаетесь сделать, но он может использовать логику для рассуждения таким образом, который является (1) логически последовательным и (2) не требует обучающих данных. Техники, сочетающие эти две области ИИ, называются “нейросимволическими”. Одним из известных применений этого подхода является проект AlphaFold от DeepMind, который недавно получил Нобелевскую премию.

Что, по вашему мнению, отличает Imandra в лидерстве нейросимволической революции ИИ?

Существует много невероятных символических рассуждающих инструментов (большинство из которых находятся в академии), которые нацелены на конкретные ниши (например, сворачивание белков), но Imandra наделяет разработчиков возможностью анализировать алгоритмы с беспрецедентной автоматизацией, что имеет гораздо более широкие применения и более широкую целевую аудиторию, чем эти инструменты.

Как автоматическое рассуждение Imandra устраняет распространенные проблемы ИИ, такие как зрительные галлюцинации, и улучшает доверие к системам ИИ?

С нашим подходом модели языка используются для перевода запросов человека в формальную логику, которая затем анализируется движком рассуждения с полной логической аудиторской трассировкой. Хотя могут возникать ошибки перевода при использовании модели языка, пользователю предоставляется логическое объяснение того, как были переведены входные данные, и логические аудиты могут быть проверены с помощью открытого программного обеспечения. Наша конечная цель – привнести действенную прозрачность, при которой системы ИИ могут объяснить свое рассуждение таким образом, который является независимо логически проверяемым.

Imandra используется Goldman Sachs (GS ) и DARPA, среди других. Можете ли вы поделиться реальным примером того, как ваша технология решила сложную проблему?

Отличным примером реального воздействия Imandra является наш победа в конкурсе UBS Future of Finance, которая подчеркивается на нашем сайте. При создании кейс-стади для UBS, который закодировал нормативный документ, представленный в SEC, Imandra выявил фундаментальную и тонкую ошибку в описании алгоритма. Ошибка возникла из-за тонких логических условий, которые должны быть выполнены для ранжирования заказов внутри книги заказов – что было бы невозможно для человека обнаружить “вручную”. Банк наградил нас первым местом (из более чем 620 компаний во всем мире).

Как ваш опыт в Deutsche Bank повлиял на применения Imandra в финансовых системах, и какой самый значимый случай использования вы видели на данный момент?

В Deutsche Bank мы занимались множеством очень сложного кода, который принимал автоматические торговые решения на основе различных входных данных модели машинного обучения и индикаторов риска и т. д. Как и любой банк, мы также должны были соблюдать множество правил. То, что Грант и я осознали, заключалось в том, что это, на математическом уровне, было очень похоже на исследования, которые он проводил для безопасности автопилотных систем.

За пределами финансов, какие отрасли, по вашему мнению, имеют наибольший потенциал для выгоды от нейросимволического ИИ?

Мы видели, как AlphaFold получил Нобелевскую премию, поэтому давайте обязательно посчитаем это… В конечном итоге, большинство применений ИИ будут сильно выигрывать от использования символических методов, но в частности мы работаем над следующими агентами, которые мы скоро выпустим: анализ кода (перевод исходного кода в математические модели), создание строгих моделей из английских спецификаций, рассуждение о моделях SysML (языке, используемом для описания систем в отраслях, критичных к безопасности) и автоматизация бизнес-процессов.

Разделение регионов Imandra – это новая функция. Можете ли вы объяснить, как она работает и ее значение в решении сложных проблем?

Вопрос, о котором каждый инженер думает, когда пишет программное обеспечение, – “какие краевые случаи?”. Когда его работа заключается в обеспечении качества и он должен писать тестовые случаи, или он пишет код и думает о том, правильно ли он реализовал требования. Imandra привносит научную строгость, чтобы ответить на этот вопрос – она рассматривает код как математическую модель и символически анализирует все его краевые случаи (при этом производя доказательство полноты покрытия). Эта функция основана на математической технике, называемой “Цилиндрическим Алгебраическим Разделением”, которую мы “подняли” до алгоритмов в целом. Она спасла бесчисленные часы для наших клиентов в финансах и раскрыла критические ошибки. Теперь мы приносим эту функцию инженерам повсюду.

Как Imandra интегрируется с большими языковыми моделями, и какие новые возможности это открывает для генеративного ИИ?

Модели языка и Imandra работают вместе, чтобы формализовать входные данные человека (будь то исходный код, английский текст и т. д.), проанализировать его и затем вернуть выходные данные таким образом, который легко понять. Мы используем агентские фреймворки (например, Langgraph), чтобы оркестрировать эту работу и доставить опыт как агент, который наши клиенты могут использовать напрямую или интегрировать в свои приложения или агенты. Этот симбиотический рабочий процесс решает многие проблемы использования только инструментов ИИ и расширяет их применение за пределы ранее виденных обучающих данных.

Каково ваше долгосрочное видение Imandra, и как вы видите ее трансформацию применений ИИ в различных отраслях?

Мы считаем, что нейросимволические методы будут основой, которая проложит путь для нас, чтобы реализовать обещание ИИ. Символические методы – это недостающий ингредиент для большинства промышленных применений ИИ, и мы рады быть на переднем крае этой следующей главы ИИ.

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