AIE CODE jegyek és jelentkezések most elérhetők — ez az év utolsó zászlóshajó AIE eseménye. AI Engineer New York konferencián Anekha Sokhal, a Moshi alapító‑vezérigazgatója beszélt arról, hogyan formálódott karrierje a matematikától és a JPMorgan‑tól a startupig, és miért tartja fontosnak, hogy az igazán hasznos mesterséges intelligencia illeszkedjen a felhasználók tényleges munkafolyamataihoz.
Ki az és mit csinál a Moshi?
Anekha Sokhal korábban energetikai derivatívákkal kereskedett, és saját tapasztalatai alapján építi meg azt az eszközt, amelyre akkor kíváncsi lett volna: egy ajánlórendszert, amely a piacról beérkező információkat a kereskedő portfóliójához kapcsolja. A Moshi célja valós idejű, portfólió‑sajátos betekintések nyújtása pénzügyi kereskedők számára, kezdve az árupiaci, energia‑ és makro piacokkal.
Sokhal a beszélgetésben úgy jellemezte a Moshit: mintha a Bloomberg, Claude és a Netflix kombinációja született volna — piaci adatok, olyan felület, amellyel dolgozni lehet, és ajánlások, amelyek a kereskedő számára releváns módon jelennek meg.
Milyen adatokat és mekkora mennyiséget dolgoznak fel?
Sokhal szemléletes példával érzékeltette a volumen nagyságát: míg négy másodperc alatt ő egy mondatot mond ki, a Moshi ugyanannyi idő alatt körülbelül 300 új információt tud megtanulni. A Moshi két fő adatkategóriát dolgoz fel:
- strukturált idősorok és technikai indikátorok (futures, mozgóátlagok, statisztikai mutatók),
- fundamentális idősorok különösen árupiacoknál (kereslet‑kínálat jelzők), valamint
- strukturálatlan adatok: hírfolyamok, alternatív adatok (például X/Twitter, podcastok, audio), és a felhasználó privát adatai (előfizetések, belső jelentések, saját megfigyelések).
A Moshi a bemenetek tisztítását, transzformálását és címkézését követően egy többdimenziós gráfra helyezi az információkat, ebből generálja a felhasználóra szabott kimeneteket: minden Moshi‑megnyitáskor a kereskedő a portfóliójához kapcsolódó, friss releváns információt lát.
Ajánlórendszer, munkafolyamatok és UI
A Moshi belső ajánlórendszere nemcsak a releváns híreket hozza fel, hanem a másod- és harmadrendű hatásokat is felkutatja: ha például egy energiavállalat bejelentése közvetetten hatással lehet egy olajkereskedésre, a rendszer ezt felhozza, mert a kapcsolódó gráfban összeköti az eseményeket.
Sokhal hangsúlyozta, hogy a hatékony ajánlórendszer és a jól tervezett felhasználói felület együtt növeli az elfogadottságot: az adatok aktív „tolása” a felhasználó felé (push) és a beágyazott munkafolyamatok segítik azt, hogy a szoftver ne csak létezzen, hanem valóban része legyen a napi döntéshozatalnak.
Források, bizalom és ellentmondó jelzések
A Moshi figyelembe veszi, hogy a felhasználók gyakran követnek bizonyos „megbízható hangokat” az iparágon belül. A rendszer konfidenciaszintet is ad: ha több forrás — például Reuters, Bloomberg és Wall Street Journal — eltérően kommunikál, maga az eltérés is adatként szolgálhat arra vonatkozóan, hogy lehetőség vagy bizonytalanság áll fenn.
Dokumentumkinyerés, modellek saját fejlesztése vs. külső szolgáltatók
A Moshi olyan vision‑language megoldást is fejlesztett, amely a felhasználók által feltöltött rendezetlen PDF‑eket és dokumentumokat feldolgozza, strukturált rekordokká alakítva azokat. Sokhal elmondása szerint a döntés, hogy saját modelleket építenek vagy külső szolgáltatást használnak, a bizalmi és erőforrás‑kérdések függvénye: ha ügyfelek érzékeny adatokat adnak át, a Moshi nem szeretné harmadik félhez továbbítani azokat anélkül, hogy azfeldolgozás módja és jogai ne lennének egyértelműek.
Konferenciaélmények, ügyfélbeszélgetések és toborzás
Sokhal megosztotta, hogy az AI Engineer New York előadására jelentős érdeklődés érkezett; találkozói között kereskedők, tanácsadók és AI mérnökök is szerepeltek. Többen jelezték, hogy ugyan panaszkodnak egy problémára, de nem kattintanak a megoldást kínáló eszközre — ebből is az derült ki, hogy a felhasználói bevezetés és a munkafolyamatba illesztés kritikus.
A Moshi toborzás kapcsán ugyancsak tapasztalható nagy érdeklődés: Sokhal említette, hogy egy megnyitott pozícióra 2 500 pályázat érkezett néhány nap alatt, ami sok zajt eredményez. Ezért a prioritás jelenleg ügyfelek megtalálása és a termék‑piac illeszkedés (product‑market fit), a toborzás másodlagos, mert a személyes ügyfélbeszélgetésekből szerzett visszajelzések előrébb valók a fejlesztési döntésekben.
A személyes pálya: matematika, Fulbright, ICLR és a Moshi alapítása
Sokhal elmondta karrierútját: egyetemi tanulmányai a Warwick Egyetemen zajlottak (matematika, operációkutatás, statisztika és közgazdaságtan), később a JPMorgan feltörekvő piacok és commodity/energia derivatívák területén dolgozott. Fulbright‑ösztöndíjjal jutott az Egyesült Államokba, majd gépi tanulás kutatásokban vett részt: publikált az ICLR konferencián együttműködésben a Stability AI‑val, dolgozott NASA‑val közös projekteken, és ezek a tapasztalatok vezettek a Moshi megalapításához.
Összegzés
A Moshi célja olyan szoftver nyújtása, amely a kereskedők számára feldolgozza az ember által követhetetlen mennyiségű adatot, és a portfólió szempontjából releváns, személyre szabott jelzéseket ad. A cég kombinálja a strukturált és strukturálatlan forrásokat, felhasználói privát adatokat, saját dokumentumfeldolgozó megoldást és ajánlórendszert, miközben érzékeny az adatok kezelése és a modellépítés kérdéseire. Sokhal hangsúlyozta, hogy a felhasználókkal folytatott személyes beszélgetések és a valós munkafolyamatok megértése megelőzik a gyors bővítést és a tömeges felvételt.
Megtekintés
Az interjú teljes epizódja elérhető YouTube‑on és az AI Engineer New York programjában; a beszélgetés automatikus átírása is elérhető a műsorjegyzetek között.
Timestamps a konferencia‑felvétel alapján szerepeltek az eredeti anyagban (például 0:00–25:55 között részletezett témák).
