A Moshi nevű startupot Anekha Sokhal alapította, aki korábban energia‑derivatívákkal kereskedett, és most azt a szoftvert építi meg, amelyre kereskedőként szüksége lett volna. A cég célja valós idejű, portfólióra szabott jelzések nyújtása – különösen az energia- és árupiacok, valamint makrogazdasági piacok számára. Sokhal a AI Engineer New York konferencián swyx‑szal beszélgetve ismertette a vállalat működését és saját pályafutását.
A megalakulás és a vezetői háttér
Anekha Sokhal matematikai, operációkutatási és statisztikai képzettséget szerzett a Warwick Egyetemen, majd a JPMorgannál kezdett kereskedőként dolgozni, elsősorban feltörekvő piacok és áruk (commodities), később energia‑derivatívák területén. Fulbright‑ösztöndíjjal érkezett az Egyesült Államokba, majd mélyebben a gépi tanulás és AI kutatás irányába lépett: publikált a ICLR konferencián együttműködésben a Stability AI‑val, és dolgozott projektekben a NASA‑val. Ezek a tapasztalatok vezettek ahhoz, hogy létrehozza a Moshi‑t.
Mit csinál a Moshi?
A Moshi célja, hogy az ember számára áttekinthetetlen adatáradatot feldolgozva pillanatnyi, a kereskedő pozíciójára releváns információkat adjon. A cég által ismertetett megközelítés a következő elemeket tartalmazza:
- Strukturált piaci idősorok és technikai indikátorok (futures, mozgóátlagok stb.).
- Fundamentális adatok, például kínálat‑kereslet jelzések az árupiacokon.
- Nem strukturált nyilvános adatok: hírek, közösségi média (például X/Twitter), podcastok és egyéb alternatív adatsorok.
- Felhasználói és belső adatok: a kereskedők privát előfizetései, belső jelentések és egyedi, vállalati adatok (például hajóforgalmi adatok LNG‑szállításokra vonatkozóan).
A Moshi saját ontológiát és n‑dimenziós gráfot épít a különböző források összekapcsolására. Sokhal érzékeltetésként elmondta: amíg egy ember négy másodperc alatt elmond egy mondatot, a Moshi nagyjából 300 új jelenséget dolgoz fel ugyanabban az időben – ezzel érzékeltetve a feldolgozott adatmennyiség nagyságrendjét.
A platform szoftveres felületet kínál, amely minden megnyitásnál a kereskedő portfóliójához kapcsolódó, friss jelzéseket tol elénk, valamint lehetőséget ad gyors, LLM‑alapú összefoglalók és válaszok lekérésére, amelyek manuális vizsgálattal napokat vennének igénybe.
Ajánlórendszer és munkafolyamat‑központúság
Sokhal hangsúlyozta, hogy a Moshi nem pusztán „új Bloomberg” próbál lenni: szerinte a termék más típusú szoftverként pozícionálható. Képileg ő úgy fogalmazott, hogy ha a Bloomberg, Claude és Netflix „gyereke” lenne, az nagyjából a Moshi lenne — utalva arra, hogy van piaci adathozzáférés, nyelvi modell‑interfész és ajánlórendszer is. A vállalat belső ajánlórendszere másod‑ és harmadrendű következmények felismerésére törekszik: például ha egy energiavállalat bejelentése közvetetten hatással lehet egy árucikkre, azt a rendszer képes kapcsolni és időben megjeleníteni a felhasználónak.
A termékfejlesztésnél kiemelt fontosságú a UI‑/workflow‑integráció: nem elég egy dashboardot adni az ügyfélnek, a szoftvernek a felhasználó munkafolyamatába kell illeszkednie és proaktívan adatot tolni a felhasználó elé.
Szűrés, források és bizalom
A Moshi a források hitelességét és az eltérő információk egymáshoz viszonyított jelentőségét is kezeli: ha például különböző médiumok vagy szereplők eltérő adatokat közölnek (például hajóforgalmi jelentésekben), az ellentmondás maga is információként értelmezhető. A platform ezért konfidenciaszintet és kontextust biztosít, hogy a kereskedők lássák, milyen környezeti adatok járultak a jelzéshez.
Dokumentumfeldolgozás és modellépítés kérdései
A Moshi olyan vizuális‑nyelvi (vision‑language) modelleket használ, amelyek képesek a feltöltött, gyakran rendezetlen PDF‑eket és egyéb dokumentumokat feldolgozni és strukturált adatként tárolni. Sokhal elmondta, hogy a vállalat általában kerülni akarja, hogy ügyféltől származó érzékeny adatokat harmadik félhez továbbítson, így a döntés a saját modellek építése és külső szolgáltatások használata között a csapat képességeitől és a bizalmi követelményektől függ. Megjegyezte, hogy Moshi mérnöki csapatának tagjai többségükben sokféle kutatási háttérrel rendelkeznek (például NASA‑projektekben szerzett tapasztalatok), ezért vonzó számukra a saját modellek fejlesztése.
Visszajelzések a rendezvényről és üzleti következmények
A Moshi alapítójától erős érdeklődés érkezett az AI Engineer New York konferencia után: személyes találkozók, ügyfélmegbeszélések és potenciális partnerségek követték az eseményt. Sokhal azt mondta, hogy a cégnél a jelenlegi prioritás az ügyfelek megismerése és az értékesítési kapcsolatok kiépítése, nem pedig az aktív toborzás — noha a toborzási inbound is folyamatos: említette, hogy egy pozícióra 2 500 pályázat érkezett, miután az álláshirdetést négy napig hagyták nyitva.
A konferencián felmerült problémák közt szerepelt, hogy az AI mérnökökre gyakran óriási nyomás nehezedik („you are the team” — sokszor azt várják el, hogy egyetlen mérnök építsen fel egy tízfős csapat munkáját), valamint hogy a termékek használhatósága és elfogadtatása sokszor nem technikai, hanem UI/UX kérdés.
Összegzés
A Moshi célja egy olyan eszköz létrehozása, amely a kereskedő napi munkáját támogatja: a hatalmas adatmennyiséget strukturált jelzésekké és személyre szabott ajánlásokká alakítja, figyelembe véve a felhasználó saját, belső adatait is. A cég hangsúlyt fektet a források megbízhatóságára, a dokumentumok lokális feldolgozására, valamint arra, hogy a termék a kereskedők munkafolyamatába illeszkedjen — nem csupán egy új piaci feed legyen.
Megemlített szervezetek és hivatkozások
- Moshi (Anekha Sokhal cége)
- Anekha Sokhal — alapító, korábbi energia‑derivatíva kereskedő
- JPMorgan — korábbi munkáltató
- Fulbright ösztöndíj — amerikai ösztöndíj, amely segítségével Sokhal az USA‑ba került
- ICLR, Stability AI — kutatási publikációk és együttműködések
- NASA — kutatási együttműködések
- Bloomberg, Claude, Netflix — a termék összehasonlítására használt analógiák
- Reducto — dokumentumfeldolgozó megoldásként említve
- AI Engineer New York — ahol az interjú és a bemutató történt
A Moshi továbbra is ügyféltalálkozókat szervez és webináriumokat indít az érdeklődés menedzselésére, miközben a termék fejlesztése és a felhasználói integrációk finomítása a középpontban marad.
