Anekha Sokhal, a Moshi vezérigazgatója és korábbi energia derivatív kereskedő (JP Morgannál), az AI Engineer New York konferencián beszélt arról az eszközről, amelyet akkor szeretett volna használni, amikor még kereskedett: egy ajánlórendszerről, amely összekapcsolja a piaci információkat a kereskedő portfóliójához releváns jelzésekkel.
Kik és miért
Sokhal matematikai és statisztikai alapképzéssel kezdte pályáját (Warwick), majd JP Morgannál dolgozott feltörekvő piacok és árupiaci derivatívák területén. A Fulbright-ösztöndíjjal az Egyesült Államokba költözött, részt vett gépi tanulás kutatásban (publikáció ICLR-en együttműködésben a Stability AI-val), dolgozott NASA-kapcsolatú projekteken, és ezekből az élményekből született a Moshi ötlete.
Mit csinál a Moshi
Moshi valós idejű, portfólió-központú piaci insightokat ad kereskedőknek, elsősorban árupiaci, energia- és makropiacokra fókuszálva. A termék alapelve, hogy olyan mennyiségű és összetettségű adatot dolgozzon fel, amelyet egy ember képtelen átlátni, majd ebből a kereskedő számára releváns információkat, ajánlásokat emeljen ki.
Konkrétan:
- Sokhal szemlélete szerint Moshi másodpercenként nagy mennyiségű új információt dolgoz fel: például „négy másodperc alatt Moshi 300 új dolgot tanul meg”, ami érzékelteti az adatfeldolgozás volumenét.
- Adattípusok, amelyeket a rendszer kezel: strukturált idősorok (futures, technikai indikátorok, mozgóátlagok), fundamentális idősorok (kereslet-kínálat adatok, fizikai események), valamint nagy mennyiségű nem strukturált adat (hírek, alternatív adatok, podcastok, X/Twitter).
- A felhasználó privát adatait is figyelembe veszik: előfizetések, belső adatok, analitikusok és egyedi források, például hajózási számlálások.
- Az adatok tisztítása, transzformálása, címkézése és egy n-dimenziós gráfon való reprezentálása után szoftveres felületen jelennek meg a kereskedő portfóliójához kötődő, azonnal hasznosítható jelzések és válaszok.
Miben különböznek a klasszikus platformoktól
Sokhal nem definiálja a Moshit „új Bloombergként”; szerinte a termék más kategória: a piaci adatok feldolgozása és egy személyre szabott ajánlórendszer kombinációja. Képletesen úgy jellemzi a Moshi-t, mintha „Bloomberg, Claude és Netflix gyermeke” lenne — azaz piaci adat és munkafolyamat-interfész, nagy nyelvi modellek által támogatott válaszadás és ajánlórendszer, amely a felhasználó figyelmét fókuszba helyezi.
A Moshi ajánlórendszere a kapcsolódó, másod- és harmadrendű hatásokat is megpróbálja felmutatni: például ha egy energiavállalat lépése közvetett hatással lehet olajpiaci pozíciókra, a rendszer ezt kiemeli a felhasználónak.
Bizalom, jel és zajszűrés
Sokhal kiemelte, hogy a kereskedőknek vannak „megbízható hangjaik” és forrásaik az alternatív adatok között; Moshi ezért a források közötti konszenzust és eltérést is mutatja, valamint konfidencia-score-okat ad, hogy a felhasználó lássa, milyen mértékben alátámasztott egy információ. Divergens jelentések önmagukban is jeladat lehetnek (például különböző források eltérő hajózási számokat közölnek — ez kereskedési lehetőséget jelezhet).
Dokumentumfeldolgozás és modelldöntés
A Moshi képes felhasználói feltöltött, rendezetlen PDF-eket is feldolgozni: a cég saját vision–language modelljét használja az ilyen dokumentumok értelmezésére és az adatok adatbázisba emelésére. Sokhal szerint fontos, hogy a felhasználók adatait ne küldjék harmadik félhez engedély nélkül; hogy melyik megoldást választják (saját modell vagy külső vendor) inkább a csapat és az erőforrások függvénye.
Konferenciaélmény, vevői beszélgetések és toborzás
A beszélgetés során Anekha beszámolt arról, hogy az AI Engineer New York után sok bejövő üzleti érdeklődés érkezett: kereskedők, tanácsadók és AI mérnökök keresték a Moshi-t, továbbá partneri megkeresések is voltak. A Moshi csapata úgy szervezi a follow-upokat, hogy először megértse a konkrét problémát, és csak utána lépjen további tárgyalásokra; emiatt tervben van webináriumok és hatékonyabb streaming-megoldások bevezetése.
A toborzás kapcsán Sokhal megemlítette, hogy egyetlen meghirdetett pozícióra 2 500 jelentkezés érkezett, ami nagy zajt jelent, és a vállalat számára a jelenlegi prioritás az ügyféltalálkozók lebonyolítása, nem az intenzív felvételi kampány.
Összegzés
Moshi célja egy olyan kereskedői munkafolyamatot támogató platform nyújtása, amely nagy mennyiségű, heterogén piaci adatot dolgoz fel, személyre szabott ajánlásokat ad, és a felhasználó munkastílusához illeszkedve tolja a releváns információkat. A projekt mögött Anekha Sokhal kereskedői, matematikai és gépi tanulás kutatói tapasztalata áll, és a cég hangsúlyt fektet a források megbízhatóságára, a dokumentumfeldolgozásra és a felhasználókkal folytatott korai beszélgetésekre a további fejlesztések előtt.
Mellékletek említése a beszélgetésből
- Moshi — a vállalat
- Anekha Sokhal — háttér és munkásság
- GIQ kutatás — a beszélgetésben említett kutatás
- Reducto — dokumentumfeldolgozásra említett alternatíva
- AI Engineer New York — konferencia
Timestamps a podcastból (röviden): 0:00–25:55 — a teljes beszélgetés külön témablokkjaival (bemutatkozás, szakmai út, Moshi működése, adatforrások, ajánlórendszer, trusted sources, build vs buy, toborzás, közönségkapcsolat).
