دنیس ایگناتوویچ، بنیانگذار و مدیرعامل مشترک ایماندرا، بیش از یک دهه تجربه در زمینه تجارت، مدیریت ریسک، مدلسازی کمی و طراحی سیستمهای معاملاتی پیچیده دارد. قبل از تأسیس ایماندرا، او مسئول میز تجارت مرکزی ریسک در دویچه بانک لندن بود، جایی که به نقش حیاتی هوش مصنوعی در بخش مالی پی برد. بینشهای او در این دوره به شکلگیری مجموعه محصولات مالی ایماندرا کمک کرد. مشارکتهای دنیس در منطق محاسباتی برای پلتفرمهای تجارت مالی شامل چندین اختراع است. او دارای مدرک کارشناسی ارشد در امور مالی از دانشکده اقتصاد لندن و مدارک تحصیلی در علوم کامپیوتر و امور مالی از UT Austin است.
ایماندرا یک موتور استدلال مبتنی بر هوش مصنوعی است که از هوش مصنوعی نوروسمبولیک برای خودکارسازی تأیید و بهینهسازی الگوریتمهای پیچیده، بهویژه در تجارت مالی و سیستمهای نرمافزاری استفاده میکند. با ترکیب استدلال نمادین با یادگیری ماشین، ایمنی، انطباق و کارایی را افزایش میدهد و به موسسات کمک میکند تا ریسک را کاهش داده و شفافیت را در تصمیمگیری مبتنی بر هوش مصنوعی بهبود بخشند.
چه چیزی به شما و دکتر گرانت پاسمور الهام بخشید تا ایماندرا را به طور مشترک تأسیس کنید و چگونه پیشینههای شما بر چشمانداز شرکت تأثیر گذاشت؟
بعد از دانشگاه وارد تجارت کمی شدم و در نهایت به لندن رفتم. گرانت دکترای خود را در ادینبورگ گرفت و سپس به کمبریج رفت تا روی کاربردهای استدلال منطقی خودکار برای تجزیه و تحلیل ایمنی سیستمهای خلبان خودکار (الگوریتمهای پیچیدهای که شامل محاسبات غیرخطی هستند) کار کند. در کارم، من نیز با الگوریتمهای پیچیدهای با محاسبات غیرخطی زیاد سر و کار داشتم و متوجه شدیم که ارتباط عمیقی بین این دو زمینه وجود دارد. نحوه ایجاد چنین الگوریتمهایی توسط بخش مالی واقعاً مشکلساز بود (همانطور که در بسیاری از اخبار مربوط به "اشکالات الگوریتمی" برجسته شده است)، بنابراین ما تصمیم گرفتیم با توانمندسازی مهندسان در امور مالی با ابزارهای منطقی خودکار برای آوردن تکنیکهای علمی دقیق به طراحی و توسعه نرمافزار، این وضعیت را تغییر دهیم. با این حال، آنچه در نهایت ایجاد کردیم، مستقل از صنعت است.
آیا میتوانید توضیح دهید که هوش مصنوعی نوروسمبولیک چیست و چگونه با رویکردهای سنتی هوش مصنوعی تفاوت دارد؟
حوزه هوش مصنوعی (به طور کلی!) دارای دو حوزه است: آماری (که شامل LLMها میشود) و نمادین (معروف به استدلال خودکار). هوش مصنوعی آماری در شناسایی الگوها و انجام ترجمه با استفاده از اطلاعاتی که از دادههایی که روی آن آموزش داده شده است، آموخته، فوقالعاده است. اما، در استدلال منطقی ضعیف است. هوش مصنوعی نمادین تقریباً برعکس است - شما را مجبور میکند در کاری که میخواهید انجام دهید بسیار دقیق (از نظر ریاضی) باشید، اما میتواند از منطق برای استدلال به گونهای استفاده کند که (1) از نظر منطقی سازگار باشد و (2) نیازی به داده برای آموزش نداشته باشد. تکنیکهای ترکیب این دو حوزه هوش مصنوعی "نوروسمبولیک" نامیده میشوند. یکی از کاربردهای مشهور این رویکرد، پروژه AlphaFold از DeepMind است که اخیراً برنده جایزه نوبل شد.
به نظر شما چه چیزی ایماندرا را در رهبری انقلاب هوش مصنوعی نوروسمبولیک متمایز میکند؟
بسیاری از استدلالگرهای نمادین فوقالعاده (بیشتر در دانشگاهها) وجود دارند که نیچههای خاصی را هدف قرار میدهند (به عنوان مثال، تا کردن پروتئین)، اما ایماندرا توسعهدهندگان را قادر میسازد تا الگوریتمها را با اتوماسیون بیسابقهای تجزیه و تحلیل کنند که کاربردهای بسیار بیشتر و مخاطبان هدف بیشتری نسبت به آن ابزارها دارد.
چگونه استدلال خودکار ایماندرا چالشهای رایج هوش مصنوعی، مانند توهمات را حذف میکند و اعتماد به سیستمهای هوش مصنوعی را بهبود میبخشد؟
با رویکرد ما، از LLMها برای ترجمه درخواستهای انسان به منطق رسمی استفاده میشود که سپس توسط موتور استدلال با مسیر حسابرسی منطقی کامل تجزیه و تحلیل میشود. در حالی که ممکن است هنگام استفاده از LLM خطاهای ترجمه رخ دهد، به کاربر یک توضیح منطقی از نحوه ترجمه ورودیها ارائه میشود و حسابرسیهای منطقی ممکن است توسط نرمافزار متن باز شخص ثالث تأیید شود. هدف نهایی ما ارائه شفافیت عملی است، جایی که سیستمهای هوش مصنوعی میتوانند استدلال خود را به گونهای توضیح دهند که به طور مستقل از نظر منطقی قابل تأیید باشد.
ایماندرا توسط گلدمن ساکس و DARPA، از جمله دیگران، استفاده میشود. آیا میتوانید یک مثال واقعی از نحوه حل یک مشکل پیچیده توسط فناوری خود را به اشتراک بگذارید؟
یک مثال عمومی عالی از تأثیر واقعی ایماندرا در دنیای واقعی در برد مقام اول مسابقه UBS Future of Finance ما برجسته شده است (جزئیات با کد ایماندرا در وب سایت ما موجود است). در حین ایجاد یک مطالعه موردی برای UBS که یک سند نظارتی را که به SEC ارائه کرده بودند کدگذاری میکرد، ایماندرا یک نقص اساسی و ظریف در توضیحات الگوریتم شناسایی کرد. این نقص ناشی از شرایط منطقی ظریفی بود که باید برای رتبهبندی سفارشها در داخل یک دفتر سفارش برآورده میشد - چیزی که برای انسانها غیرممکن بود که "به صورت دستی" تشخیص دهند. بانک به ما مقام اول را اهدا کرد (از بین بیش از 620 شرکت در سطح جهانی).
تجربه شما در دویچه بانک چگونه کاربردهای ایماندرا را در سیستمهای مالی شکل داده است و تأثیرگذارترین مورد استفادهای که تاکنون دیدهاید چیست؟
در دویچه بانک ما با کدهای بسیار پیچیدهای سروکار داشتیم که تصمیمات تجاری خودکار را بر اساس ورودیهای مختلف ML، شاخصهای ریسک و غیره میگرفتند. مانند هر بانک دیگری، ما نیز مجبور بودیم از مقررات متعددی پیروی کنیم. آنچه گرانت و من متوجه شدیم این بود که این، در سطح ریاضی، بسیار شبیه به تحقیقی بود که او برای ایمنی خلبان خودکار انجام میداد.
فراتر از امور مالی، به نظر شما کدام صنایع بیشترین پتانسیل را برای بهرهمندی از هوش مصنوعی نوروسمبولیک دارند؟
ما دیدهایم که AlphaFold جایزه نوبل را دریافت کرده است، بنابراین بیایید قطعاً آن را حساب کنیم… در نهایت، اکثر کاربردهای هوش مصنوعی با استفاده از روشهای نمادین سود زیادی خواهند برد، اما به طور خاص، ما روی عوامل زیر کار میکنیم که به زودی منتشر خواهیم کرد: تجزیه و تحلیل کد (ترجمه کد منبع به مدلهای ریاضی)، ایجاد مدلهای دقیق از مشخصات انگلیسی-منثور، استدلال در مورد مدلهای SysML (زبانی که برای توصیف سیستمها در صنایع حیاتی برای ایمنی استفاده میشود) و اتوماسیون فرآیندهای تجاری.
تجزیه منطقه ایماندرا یک ویژگی جدید است. آیا میتوانید توضیح دهید که چگونه کار میکند و اهمیت آن در حل مسائل پیچیده چیست؟
سوالی که هر مهندسی هنگام نوشتن نرمافزار به آن فکر میکند این است که "موارد حاشیهای کدامند؟". وقتی شغل آنها QA است و نیاز دارند موارد تست واحد بنویسند یا در حال نوشتن کد هستند و به این فکر میکنند که آیا الزامات را به درستی پیادهسازی کردهاند یا خیر. ایماندرا دقت علمی را برای پاسخ دادن به این سوال به ارمغان میآورد - کد را به عنوان یک مدل ریاضی در نظر میگیرد و به طور نمادین تمام موارد حاشیهای آن را تجزیه و تحلیل میکند (در حالی که یک اثبات در مورد کامل بودن پوشش تولید میکند). این ویژگی مبتنی بر یک تکنیک ریاضی به نام "تجزیه جبری استوانهای" است که ما آن را به الگوریتمها به طور کلی "ارتقا" دادهایم. این ویژگی ساعتهای بیشماری را برای مشتریان ما در امور مالی ذخیره کرده و خطاهای حیاتی را کشف کرده است. اکنون ما این ویژگی را در دسترس مهندسان در همه جا قرار میدهیم.
ایماندرا چگونه با مدلهای زبانی بزرگ ادغام میشود و چه قابلیتهای جدیدی را برای هوش مصنوعی مولد باز میکند؟
LLMها و ایماندرا با هم کار میکنند تا ورودی انسان (چه کد منبع، چه نثر انگلیسی و غیره) را رسمی کنند، در مورد آن استدلال کنند و سپس خروجی را به گونهای برگردانند که درک آن آسان باشد. ما از چارچوبهای عامل (به عنوان مثال، Langgraph) برای سازماندهی این کار و ارائه تجربه به عنوان یک عامل استفاده میکنیم که مشتریان ما میتوانند مستقیماً از آن استفاده کنند یا آن را در برنامهها یا عوامل خود ادغام کنند. این گردش کار همزیستی بسیاری از چالشهای استفاده از ابزارهای هوش مصنوعی فقط LLM را برطرف میکند و کاربرد آنها را فراتر از دادههای آموزشی قبلی گسترش میدهد.
چشمانداز بلندمدت شما برای ایماندرا چیست و چگونه میبینید که کاربردهای هوش مصنوعی را در صنایع مختلف متحول میکند؟
ما فکر میکنیم تکنیکهای نوروسمبولیک پایهای خواهند بود که راه را برای ما هموار میکنند تا وعده هوش مصنوعی را محقق کنیم. تکنیکهای نمادین عنصر گمشده برای اکثر کاربردهای صنعتی هوش مصنوعی هستند و ما هیجانزده هستیم که در خط مقدم این فصل بعدی هوش مصنوعی باشیم.
از مصاحبه عالی شما سپاسگزاریم، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از ایماندرا بازدید کنند.