Анкіт Арья, керівник відділу штучного інтелекту в Inscope – Серія інтерв’ю

Анкіт Арья, керівник відділу штучного інтелекту в Inscope, має великий досвід роботи в галузі лідерства штучного інтелекту, машинного навчання, автоматизації підприємств та прикладних досліджень. Як член засновницької команди Inscope, він допомагає створювати програмне забезпечення, яке дозволяє компаніям надавати точні та відповідні фінансові дані зацікавленим сторонам. Його попередній досвід включає роботу співзасновником та технічним директором Mariana, де він займався розробкою штучного інтелекту для ринку та конкурентних досліджень, а також керівництво стратегією продукції машинного навчання та штучного інтелекту в HackerRank. На початку своєї кар’єри Арья працював у Meta над автоматизацією штучного інтелекту для підбору персоналу та продуктивності у віртуальній реальності, допомагав розробляти聊бот-базовану автоматизацію підприємств як засновник-інженер у Astound, а також створював системи машинного навчання у Collective[i]. Його кар’єра охоплює практичне впровадження штучного інтелекту, стратегію продукції, автоматизацію та системи, засновані на даних, у сфері як стартапів, так і великих підприємств.

Inscope – це платформа фінансової звітності, заснована на штучному інтелекту, створена для бухгалтерських фірм, фінансових команд та підприємств, які потребують підготовки, перевірки та надання фінансових звітів більш ефективно. Платформа зосереджена на автоматизації ручної роботи, пов’язаної з фінансовою звітністю, включаючи ролловер, форматування, розкриття, підсумки, перевірки та перевірки узгодженості. Inscope позиціонує свою технологію як засіб зменшення помилок у звітності, скорочення терміну підготовки та полегшення створення звітів, готових до аудиту. Компанія оголосила про отримання 14,5 мільйонів доларів серії А у лютому 2026 року для розширення своєї платформи фінансової звітності, заснованої на штучному інтелекту, з продуктом, розрахованим на заміну фрагментованої роботи зі таблицями на більш систематичний, відповідний та масштабований процес звітності.

Ви працювали у сфері автоматизації підприємств, машинного навчання, штучного інтелекту для підбору персоналу, продуктивності у віртуальній реальності та лідерства штучного інтелекту до того, як зайняти посаду керівника відділу штучного інтелекту в Inscope. Як цей досвід підготував вас до вирішення однієї з найбільш ручних та чутливих фінансових робіт?

На протяженні роботи з автоматизацією підприємств, машинного навчання, штучного інтелекту для підбору персоналу, продуктивності у віртуальній реальності та лідерства штучного інтелекту я займався різними варіантами однієї й тієї ж складної задачі: перетворення ручної роботи людини на роботу, яку може виконувати система штучного інтелекту, достатньо надійно, щоб реальні команди могли на неї покладатися. Кожна галузь навчила мене різних аспектів. Розгортання продукції машинного навчання у великих масштабах навчило мене, що витримує реальний об’єм. Будування з великими мовними моделями як засновник навчило мене, як ці моделі насправді поводяться, де вони ламаються та як їх формувати для реальної точності, а не тільки для виходу, який виглядає добре у демонстрації. І всюди, де я працював, продукти, які заслужили довіру, тримали людину під контролем та віддзеркалювали, як вже працює експерт, замість того, щоб примушувати людей підкорятися логіці машини.

Що спонукало вас до фінансів, було усвідомлення, отримане під час будівництва з великими мовними моделями: вперше стало можливим взяти справжню неструктуровану дані та побудувати надійну автоматизацію на її основі, чого раніше було неможливо зробити. Серед усіх ручних, людських процесів, які ось-ось будуть змінені штучним інтелектом, підготовка фінансових звітів – одна з найбільш чистих. Теза, з якою я прийшов, і до якої повертається все, що ми будемо, проста: робота підготовника повинна змінитися на роботу рецензента. Це та зміна, над якою варто працювати.

Фінансова звітність та її перевірка залишаються надзвичайно ручними процесами протягом років. Що змусило вас повірити, що це, нарешті, категорія, де штучний інтелект може принести суттєві зміни?

Якщо уважно придивитися до того, що робить фінансовий підготовник, це насправді трубопровід трансформації даних. Ви витягуєте дані з десятка систем, які не спілкуються одна з одною, наприклад, вашу ERP, систему обліку акцій, та PDF-документи, повні контрактів та розкладів. Ви перетворюєте все це на зрозумілі виходи, такі як балансові відомості, звіт про доходи, та таблиці приміток. Потім ви додаєте шар суджень на вершину: коментарі, які пояснюють, що означають ці числа. Все це залишилося ручним протягом так довго, тому що ці системи ніколи не були пов’язані, а старша автоматизація, така як двигуни правил та RPA, скриптові боти, які імітують кліки, була надто крихкою, щоб витримати різноманітність та крайні випадки.

Дві речі змінилися. По-перше, моделі тепер можуть взяти різноманітні входи та структурувати їх, а також, що не менш важливо, видати крайні випадки для перевірки людиною, а не мовчазно ламатися, якщо тільки ви не побудуєте крок верифікації за ними. По-друге, вони можуть створити ґрунтовні коментарі, оскільки фінанси не є чисто суб’єктивними. Є справжня книга правил, на яку можна спертися, від FASB щодо того, як речі визнаються та вимірюються, до SEC щодо того, як вони розкриваються, з тисячами попередніх заяв, з яких можна вивчити. Що переконало мене, що це реально, було спостереження за перевіркою, яку одна модель ніколи не могла б правильно виконати,那种 перевірки, яка потребує багатьох залежних кроків, почала працювати надійно, коли ми chạy її через набір координованих агентів. З правильною архітектурою проблеми, які виглядають неможливими для однієї моделі, стають досяжними.

Чому фінанси підприємств були складніше трансформувати за допомогою штучного інтелекту, ніж багато людей очікували?

Відкрита версія полягає в тому, що це робота, за яку люди можуть потрапити до в’язниці. Ставки надзвичайно високі, тому бар’єр для автоматизації будь-якої частини цього процесу також надзвичайно високий. Це інший всесвіт порівняно з споживчими продуктами, де помилка є лише незручністю. Тут одна неправильна цифра може мати юридичні та регуляторні наслідки, а людина, яка підписує звіт, несе ці наслідки особисто.

Окрім того, кожна компанія робить це трохи по-різному, а робота повна винятків. Правила та шаблони обробляють звичайний шлях, а потім руйнуються саме там, де знаходиться справжня робота. Що перемогло попереднє програмне забезпечення, ніколи не було жодної окремої цифри, а потреба зрозуміти весь кінцевий робочий процес з усіма його якщо та але. Високі ставки, глибока настройка та真正 тangles процеси – це те, чому ця категорія залишилася недоторканою, тоді як штучний інтелект трансформував інші галузі.

Яка різниця між загальними інструментами штучного інтелекту та інструментами штучного інтелекту, спеціально створеними для фінансової звітності та відповідності?

Це місце, де я б заперечив ідеї, що все це тільки про модель. У всіх однакові моделі. Різниця полягає в усьому, що оточує їх: контексті, який ви передаєте моделі, в який момент, з якими перевірками. Система, спеціально створена для певної мети, також накопичує знання. Чим більше вона працює всередині однієї організації, тим більше вона вчиться конкретних патернів та конвенцій цієї компанії, чого загальний інструмент починає з нуля кожен раз.

Для фінансів є кілька речей, яких не можна пропустити. Вихід повинен бути заснований на джерельних даних, а кожна цифра повинна бути простежуваною до місця її походження, того, хто або що її виробило, та чому. І система повинна знати межі своєї власної впевненості, виділяючи те, про що вона не впевнена, для людини, а не гадає. Справжнє ремесло полягає в досвіді довкола всього цього. Ви не можете просто кинути відповідь на стіну та залишити користувача захищати її. Проєктування для засновування, простежуваності та елегантного передавання контролю людині – це те, що відрізняє загальний інструмент від чогось, за що контролер буде готовий поставити своє ім’я.

Які найбільші виклики машинного навчання при будівництві систем, які можуть надійно зрозуміти структуру, відносини та логіку фінансових звітів?

Розпочнімо з конкретного прикладу. Перевірка узгодженості – це коли ви переконуєтеся, що цифра узгоджується всюди, де вона з’являється: таблиця проти інших таблиць, таблиця проти оточуючого тексту, текст проти самого себе, по всьому файлу. Підготовники роблять це щодня. Це звучить тривіально, але ви не можете просто покласти весь документ у модель з хитрим запитом та довіряти результату, не на тому рівні точності, який вимагається ця робота. Щоб зробити це надійним, нам довелося розбити це на координовану систему менших, перевірних кроків. Навіть найбільш звичайна перевірка у фінансах не може бути просто замінена на один виклик моделі.

Це центральний виклик машинного навчання, і він має три рівні. Система повинна зрозуміти, як працює конкретний клієнт, і продовжувати навчання з його відгуку. Вона повинна真正 зрозуміти відносини всередині фінансової звіту, оскільки цифри узгоджуються між заявами, примітками, періодами та ролловерами, а не просто читає текст. І коли багато агентів співпрацюють, ви тихо прийняли проблему розподілених систем: отримання правильного контексту до правильного кроку, встановлення перевірок та охорони, змішування автоматичної перевірки з людською перевіркою, та будівництво внутрішніх наборів даних, які дозволяють виміряти, чи будь-яке з цього справді правильне. Складна частина never була в тому, щоб модель могла прочитати фінансову заяву. Це будівництво системи довкола неї, яка може розуміти, перевіряти себе та пояснювати, звідки взялася кожна цифра.

Як ви думаєте про точність моделі, пояснюваність та толерантність до помилок, коли штучний інтелект застосовується до фінансових робочих процесів, де маленькі помилки можуть мати великі наслідки?

Немає єдиного рівня точності, і приховування цього факту – це те місце, де люди помиляються. Ці системи не є 100% точними, а те, що можна досягти, варіюється залежно від завдання. Тому справжня робота полягає в чесному спілкуванні про те, що зробила система, та де лежить ризик. Замість того, щоб махати загальним успіхом, ви вказуєте рецензента на речі, які несутимуть найбільший ризик, матеріальні речі, та ви явно зазначаєте, чого система не торкнулась. Це те, як ви закриваєте розрив, а не приховуєте його.

Пояснюваність повинна бути конкретною, а не принципом на слайді. Коли ми проводимо перевірки підсумків таблиці, ми показуємо міні-калькулятор: точні клітинки, які були об’єднані, та арифметику, яку система використала. Якщо вона зробила помилку, ви можете побачити це за секунду. На стороні моделі найважливішим інструментом є сильні оціночні набори, які вимірюють точність на реальних завданнях. Окрім того, це полягає в навчанні бачити очима моделі. Дуже легко забути, що насправді бачить модель. Тому ви вивчаєте, що перед нею, вивчаєте, як експерт розуміє ту саму проблему, та закриваєте відстань, надаючи моделі контекст, який мав би експерт.

Що потрібно, щоб заслужити довіру фінансових директорів, контролерів та аудиторів при розгортанні штучного інтелекту в середовищах, повних вимог?

Довіра починається з того, що робиться легко бачити, що зробила система. Користувач ніколи не бачить вашої оціночної суїти та не турбується тим, що ви в середньому набираєте 95%. Вони дивляться на свій звіт, і в цьому звіті система може працювати гірше за середнє, можливо, це її найгірший результат дня. Ні жодний агрегатний номер не може заспокоїти когось в той момент.

Тому все залежить від досвіду довкола штучного інтелекту. Ви показуєте явно, що було зроблено, робите це тривіально простим для перевірки та корекції, та переконуєтеся, що ця корекція справді вчить систему. Це люди, які особисто відповідають за цифри, тому вони не хочуть чорної скриньки. Вони хочуть залишатися під контролем та бачити роботу.

Одна справа змусила мене зрозуміти це. Користувач виділив помилку розрахунку в таблиці та запитав, чому штучний інтелект не помітив цього. Через те, що кожна дія була задокументована, ми могли пройти крок за кроком, що відбулося: система справді виділила цю цифру як сумнівну, та вона була відхилена. Суть не в тому, хто був правий. Суть в тому, що повний, спільний запис перетворив те, що могло б стати вказівкою пальцем, на п’ятихвилинну реконструкцію. Такий документований слід дозволяє фінансовій команді розглядати систему як справжнього партнера.

Де, на вашу думку, багато підприємств помиляються, коли вони намагаються впровадити штучний інтелект у критичні фінансові робочі процеси?

Найпоширеніша помилка полягає в тому, щоб спрямовувати свою увагу на повну автоматизацію з першого дня. Інстинкт полягає в тому, щоб прибрати людину; кращий хід – зробити експерта значно продуктивнішим та спрямувати його судження туди, де воно справді має значення. Коли ви намагаєтеся прибрати людину повністю, ви отримуєте щось, чим ніхто не довіряє та не використовує.

Друга помилка полягає в тому, щоб розглядати це як суто проблему моделі та позбавляти частину, з якою користувач справді працює. Як робота представляється, наскільки легко її перевірити та виправити, часто визначає, чи прийматиме інструмент користувач чи тихо відкине. Багато команд пізно виявляють, що модель була легкою частиною.

Якщо б я радив фінансовому директорові, який починає сьогодні: виберіть вузьке, болюче, добре зрозуміле завдання, а не спробуйте охопити все, тримайте своїх експертів твердо за кермо, та вкладіть стільки ж у досвід та зворотний зв’язок, скільки й у саму модель. Це те, що відрізняє пілотний проєкт, який тихо помирає, від того, який змінює, як команда працює.

Як ви бачите зміну ролі фінансових фахівців протягом наступних кількох років, коли штучний інтелект стане все більш інтегрованим у звітність та перевірку?

Це місце, де теза, з якою я почав, справджується. Зміна полягає в тому, що робота підготовника зміниться на роботу рецензента. Сьогодні більшість часу підготовника йде на механіку: витягування даних з розрізнених систем, будівництво таблиць, виконання тих самих перевірок знову та знову. Коли штучний інтелект поглинає це, робота змінюється на перевірку виходу, застосування суджень там, де це справді потрібно людині, та обробку винятків.

Я бачу це як те, що робить фінансових фахівців більш цінними, а не менш. Їхнє судження, їхня інституційна пам’ять та відповідальність, яку вони несуть, витрачаються на рішення, які справді мають значення, а не на збірку роботи, яку може виконувати машина. Найкращі з них будуть excelente у керуванні та перевірці виходу штучного інтелекту, ловленні того, що виглядає субтильно неправильним, та роботі плавно поряд з цими системами.

Я був би точним щодо прискорення. Штучний інтелект стискає підготовку, яка може зайняти тижні, до частини цього часу. Але він не стискає частини, які обмежені зовнішніми аудиторами та термінами подачі звітів, які є підлогою, яку він не може змінити. Але скорочення підготовки змінює ритм функції: швидке закриття, звітність, яка наближається до безперервної, та більше часу, витраченого на те, що означають цифри для бізнесу, а не на їхнє виробництво. Це більш стратегічне майбутнє для професії, а не менше.

Когда ви дивитеся на корпоративний ландшафт штучного інтелекту, що відокремлює компанії, які розв’язують глибокі оперативні проблеми, від тих, хто просто катиться на хвилі штучного інтелекту?

Я оцінюю це за одним тестом, і він не має нічого спільного зі штучним інтелектом: наскільки сильно постраждає клієнт, якщо продукт зникне завтра? Якщо відповідь – “дуже”, то це справжня компанія. Якщо чесна відповідь – “вони майже не помітять”, то це компанія, яка катиться на хвилі гіпу. Штучний інтелект не змінює цього тесту. Він просто робить дешевшим будівництво блискучої демонстрації, яка провалює цей тест.

Йдіть глибше, і стійка перевага приходить від того, наскільки далеко ви готові зайти у роботі. Попереднє покоління програмного забезпечення будувало місце, де відбувається робота, поверхню, на якій люди працюють. Це покоління може будувати системи, які роблять саму роботу, включаючи складні, багатокрокові корпоративні випадки, яких більшість інструментів тихо обходять. Як тільки ви зайшли так далеко, з накопиченим контекстом та довірою, яку потрібно років, щоб заслужити, велика лабораторія не може просто зайти та взяти бізнес з кращою базовою моделлю. Ця глибина – це вся гра, і це те місце, де ми поставили нашу ставку в Inscope.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Inscope.