데니스 이그나토비치Imandra의 공동 창립자이자 공동 CEO는 거래, 위험 관리, 정량적 모델링 및 복잡한 거래 시스템 설계 분야에서 10 년 이상의 경험을 보유하고 있습니다. Imandra를 설립하기 전에 그는 Deutsche Bank London의 중앙 위험 거래 데스크를 이끌었고 AI가 금융 부문에서 할 수있는 중요한 역할을 인정했습니다. 이 기간 동안 그의 통찰력은 Imandra의 금융 상품 제품군을 형성하는 데 도움이되었습니다. 금융 거래 플랫폼의 계산 논리에 대한 Denis의 기여에는 여러 특허가 포함됩니다. 그는 London School of Economics에서 금융 석사 및 UT Austin의 컴퓨터 과학 및 금융 학위를 취득했습니다.
이만드라 Neurosymbolic AI를 사용하여 특히 금융 거래 및 소프트웨어 시스템에서 복잡한 알고리즘의 검증 및 최적화를 자동화하는 AI 기반 추론 엔진입니다. 상징적 추론을 기계 학습과 결합함으로써 안전, 규정 준수 및 효율성을 향상시켜 기관이 위험을 줄이고 AI 중심 의사 결정의 투명성을 향상시킵니다.
당신과 그랜트 패스 모어 박사는 이만드라를 공동 창립하도록 영감을 주었으며, 당신의 배경은 회사의 비전에 어떤 영향을 미쳤습니까?
대학을 졸업 한 후 나는 양적 거래에 참여하여 런던에서 끝났습니다. Grant는 에든버러에서 박사 학위를 취득한 후 캠브리지로 이사하여 자동 조종 시스템의 안전성 분석을위한 자동화 된 논리적 추론 (비선형 계산과 관련된 복잡한 알고리즘)을 사용했습니다. 내 작업에서 나는 또한 비선형 계산이 많은 복잡한 알고리즘을 다루었 고, 우리는이 두 분야 사이에 깊은 연결이 있음을 깨달았습니다. 금융이 그러한 알고리즘을 만드는 방식은 실제로 문제가되었습니다 (“Algo Glitches”를 다루는 많은 뉴스 기사에서 강조), 우리는 소프트웨어 설계 및 개발에 엄격한 과학적 기술을 제공하기 위해 자동화 된 논리 도구를 사용하여 재무에 엔지니어를 강화함으로써이를 변경하기 시작했습니다. 그러나 결국 우리가 창조 한 것은 산업에 대한 정보입니다.
Neurosymbolic AI가 무엇인지, 전통적인 AI 접근 방식과 어떻게 다른지 설명 할 수 있습니까?
AI의 분야에는 통계 (LLM 포함)와 상징적 (일명 자동 추론)의 두 가지 영역이 있습니다. 통계 AI는 패턴을 식별하고 교육을받은 데이터에서 배운 정보를 사용하여 번역을 수행하는 데 놀랍습니다. 그러나 논리적 추론에 좋지 않습니다. 상징적 인 AI는 거의 정반대입니다. 그것은 당신이하려는 일과 매우 정확하게 (수학적으로) 논리를 사용하여 (1) 논리적으로 일관되고 (2) 훈련을위한 데이터가 필요하지 않습니다. AI 의이 두 영역을 결합한 기술을 “신경 상징”이라고합니다. 이 접근법의 유명한 적용 중 하나는 최근 노벨상을 수상한 DeepMind의 Alphafold 프로젝트입니다.
Imandra가 신경 상징적 AI 혁명을 이끌어내는 데 어떤 점이 차별화되었다고 생각하십니까?
특정 틈새 시장 (예 : 단백질 폴딩)을 대상으로하는 많은 놀라운 상징적 추론자가 있지만, Imandra는 개발자가 전례없는 자동화로 알고리즘을 분석하여 해당 도구보다 훨씬 더 많은 응용 프로그램과 대상 청중을 분석 할 수 있도록합니다.
Imandra의 자동화 된 추론은 환각과 같은 일반적인 AI 문제를 어떻게 제거하고 AI 시스템에 대한 신뢰를 향상 시키는가?
우리의 접근 방식으로 LLM은 인간의 요청을 공식 논리로 변환하는 데 사용되는 다음 전체 논리 감사 트레일로 추론 엔진에 의해 분석됩니다. LLM을 사용할 때 번역 오류가 발생할 수 있지만, 사용자는 입력을 번역하는 방법에 대한 논리적 설명이 제공되고 제 3 자 오픈 소스 소프트웨어로 논리 감사를 확인할 수 있습니다. 우리의 궁극적 인 목표는 AI 시스템이 독립적으로 논리적으로 검증 가능한 방식으로 그들의 추론을 설명 할 수있는 실행 가능한 투명성을 가져 오는 것입니다.
Imandra는 Goldman Sachs와 Darpa가 사용합니다. 기술이 복잡한 문제를 해결하는 방법에 대한 실제 예를 공유 할 수 있습니까?
Imandra의 실제 영향에 대한 훌륭한 공개 예가 우리의 UBS 미래의 금융 경쟁 1 위 승리 (Imandra 코드의 세부 사항은 웹 사이트에 있습니다). Imandra는 SEC에 제출 한 규제 문서를 인코딩 한 UBS에 대한 사례 연구를 작성하는 동안 알고리즘 설명에서 기본적이고 미묘한 결함을 확인했습니다. 결함은 주문서 내에서 주문을 받기 위해 충족되어야하는 미묘한 논리적 조건에서 비롯되었습니다. 인간이“손으로”감지 할 수없는 것입니다. 이 은행은 우리에게 1 위를 차지했습니다 (전 세계 620 개 이상의 회사 중).
Deutsche Bank에서의 경험은 금융 시스템에서 Imandra의 응용 프로그램을 어떻게 형성했으며, 지금까지 본 가장 영향력있는 사용 사례는 무엇입니까?
Deutsche Bank에서 우리는 다양한 ML 입력, 위험 지표 등을 기반으로 자동 거래 결정을 내린 매우 복잡한 코드를 다루었습니다. 모든 은행으로서 우리는 수많은 규정을 준수해야했습니다. 그랜트와 내가 깨달은 것은 수학적 수준에서 그가 자동 조종 장치 안전을 위해 수행 한 연구와 매우 유사하다는 것입니다.
금융을 넘어서, 어떤 산업은 신경 상징적 AI로부터 혜택을 누릴 수있는 가장 큰 잠재력을 가지고 있습니까?
우리는 Alphafold가 노벨상을 얻는 것을 보았습니다. 궁극적으로 AI의 대부분의 응용 프로그램은 상징적 인 방법을 사용하여 크게 혜택을받을 것이지만, 구체적으로, 우리는 곧 출시 될 다음 에이전트를 연구하고 있습니다. 코드 분석 (소스 코드를 수학적 모델로 번역), 영어가 프로세스에서 엄격한 모델을 생성, SYSML 모델을 설명하는 데 사용되는 언어).
Imandra의 지역 분해는 새로운 기능입니다. 복잡한 문제를 해결하는 데 어떻게 작동하는지 설명 할 수 있습니까?
소프트웨어를 작성할 때 모든 엔지니어가 생각하는 질문은“가장자리 사례는 무엇입니까?”입니다. 그들의 직업이 QA이고 단위 테스트 사례를 작성해야하거나 코드를 작성하고 요구 사항을 올바르게 구현했는지 여부에 대해 생각해야합니다. Imandra는 과학적 으로이 질문에 대답 할 수있는 과학적 엄격함을 제공합니다. 코드를 수학적 모델로 취급하고 모든 엣지 사례를 상징적으로 분석합니다 (적용 범위의 완전성에 대한 증거를 생성). 이 기능은 ‘원통형 대수 분해’라는 수학 기술을 기반으로하며, 우리는 알고리즘에 “들어 올렸습니다”. 금융에서 고객에게 수많은 시간을 절약하고 비판적 오류가 발견되지 않았습니다. 이제 우리는이 기능을 모든 곳에서 엔지니어들에게 가져오고 있습니다.
Imandra는 대형 언어 모델과 어떻게 통합되며, 생성 AI에 대한 새로운 기능은 무엇입니까?
LLMS와 Imandra는 함께 협력하여 인간의 의견 (소스 코드, 영어 산문 등)을 공식화하고 이유에 대한 이유를 공식화 한 다음 이해하기 쉬운 방식으로 출력을 반환합니다. 우리는 에이전트 프레임 워크 (예 : Langgraph)를 사용 하여이 작업을 조정하고 고객이 직접 사용할 수 있거나 응용 프로그램이나 에이전트에 통합 할 수있는 에이전트로서의 경험을 제공합니다. 이 공생 워크 플로우는 LLM 전용 AI 도구를 사용하는 많은 과제를 해결하고 이전에 본 교육 데이터를 넘어서 애플리케이션을 확장합니다.
Imandra에 대한 장기 비전은 무엇이며, 산업 전반에 걸쳐 AI 애플리케이션을 어떻게 변화시키는 것을 어떻게 보십니까?
우리는 Neurosymbolic 기술이 AI의 약속을 깨닫는 길을 열어주는 기초가 될 것이라고 생각합니다. 상징적 기술은 AI의 대부분의 산업 응용 분야에서 누락 된 성분이며 AI의 다음 장의 최전선에있어서 기쁩니다.
훌륭한 인터뷰에 감사드립니다. 더 배우고 싶은 독자들은 방문해야합니다. 이만드라.
게시물 Denis Ignatovich, Imanda의 공동 창립자이자 공동 CEO-인터뷰 시리즈 먼저 나타났습니다 Unite.ai.