تصور کنید یک تحلیلگر مالی ارشد باشید که تمام استراتژی‌های سرمایه‌گذاری‌اش را بر اساس یک عدد اشتباه در گزارش سالانه بنا کرده است؛ در دنیای مالی، یک رقم غلط یعنی شکست کامل. برای کسانی که در صنایع «غیرحسی» (non-vibes) فعالیت می‌کنند، هوش مصنوعی‌ای که حتی یک رقم را توهم بزند، عملاً بی‌فایده است.
به نقل از وینو گانش (Vinoo Ganesh)، مدیرعامل Kepler، اصرار صنعت بر ساخت مدل‌های بزرگ‌تر یک اشتباه است؛ زیرا یک ماشین احتمالات، فارغ از تعداد پارامترهایش، همیشه احتمالی باقی می‌ماناند. او این روند را به راندن یک ماشین همر (Hummer) برای خرید خواربار تشبیه می‌کند؛ ابزاری بیش از حد بزرگ که هیچ‌کدام از نیازهای واقعی سفر را بهتر نمی‌کند، بلکه فقط هزینه را بالا می‌برد. گانش معتقد است برای حرکت از فضای «حس‌ها» به فضای تولید واقعی، تنها راه viable این است که یک هوش مصنوعی مالی ساخته شود که قادر نباشد حتی یک رقم را توهم بزند.
بسیاری از شرکت‌ها در حال حاضر با هوش مصنوعی مانند یک لایه لوکس برخورد می‌کنند و صرفاً یک رابط کاربری Copilot را به چند پرس‌وجو اضافه می‌کنند. اما در صنایعی مثل امور مالی، حقوق و بیمه، این رویکرد شکست می‌خورد، زیرا در این حوزه‌ها یک عدد نادرست می‌تواند منجر به شکست مادی و عملیاتی شود. طبق گزارش گانش، وضعیت فعلی جهان به گونه‌ای است که شرکت‌ها کورکورانه داده‌های حساس خود را به آزمایشگاه‌های هوش مصنوعی می‌فرستند و در واقع مزیت رقابتی اختصاصی خود را با راحتیِ موقت معاوضه می‌کنند. گانش با تکیه بر تجربیاتش در Palantir، این وضعیت را «شگفت‌انگیز» می‌داند و اشاره می‌کند که بسیاری از مؤسسات مالی بزرگ قراردادهایی را امضا می‌کنند و سپس تمام داده‌های مشتریان خود را به آزمایشگاه‌ها می‌فرستند، که در واقع در حال کندن قبر خود هستند. این نگرانی‌ها با چالش‌های امنیتی گسترده‌تر در سازمان‌ها همسو است، جایی که استفاده از عامل‌های هوش مصنوعی می‌تواند ریسک‌های داخلی جدیدی را برای داده‌های حساس ایجاد کند.
پیشینه و تخصص تیم
شرکت Kepler توسط تیمی بنا شده است که تاریخچه‌ای عمیق در محیط‌هایی دارد که در آن دقت داده‌ها (Data Fidelity) حیاتی‌ترین مسئله است. این شرکت به شدت از استعدادهای سابق Palantir تشکیل شده است، از جمله «سارا» که رهبر مهندسی برای هستی‌شناسی (Ontology) پالانتیر بود و «کریس» که ۱۵ سال در پالانتیر بر روی بهینه‌سازی تمرکز داشت.
فراتر از پالانتیر، این تیم شامل متخصصانی از شرکت‌های زیر است:
- Meta
- Reflection AI
- Datavant
- Goldman Sachs
- Oddity
این تمرکز بر استعدادها کاملاً عمدی است. گانش معتقد است که استعدادها اثر مرکب دارند و استانداردی «به شدت بالا» برای استخدام حفظ می‌کند. او مهندسانی را هدف قرار می‌دهد که توسط مسائل عمیق فنی انگیزه می‌گیرند، نه کسانی که به دنبال ساخت «پوسته‌های ChatGPT» (ChatGPT wrappers) هستند. او اذعان می‌کند که برخی از متقاضیان از پیشینه تیم می‌ترسند و می‌پرسند: «آیا واقعاً می‌خواهم برای تیمی از سابقه‌ی پالانتیر و سیتادل کار کنم؟ ترسناک به نظر می‌رسد»، اما او تأکید می‌کند که تیم بسیار خوش‌برخورد و منطقی است. در این راستا، بحث بر سر نحوه ارزیابی صحیح این استعدادها در عصر AI مطرح است، تا جایی که برخی پیشنهاد می‌کنند به جای تست‌های نرم‌افزاری سنتی، از «مدل‌های منابع انسانی» برای ارزیابی دقیق‌تر ایجنت‌های هوش مصنوعی استفاده شود.
زمینه: مسیر بنیان‌گذار
وینو گانش تلاقی خاصی از تجربیات را به Kepler آورده است. او هفت سال در Palantir سپری کرد و رهبری Spark و بخش محاسباتی عملیات را بر عهده داشت. پس از آن، یک شرکت داده‌های جایگزین (Alternative Data) ساخت و آن را رشد داد تا در نهایت خریداری شد.
او اخیراً به عنوان رئیس مهندسی کسب‌وکار در Citadel فعالیت می‌کرد. در آن نقش، او بر ساخت نرم‌افزارها و محصولات داده‌ای به‌طور خاص برای مدیران پرتفوی (Portfolio Managers) تمرکز داشت. او اشاره می‌کند که کار در سیتادل به طرز عجیبی شبیه به کاری است که Kepler اکنون انجام می‌دهد: ایجاد ابزارهای با دقت بالا برای کاربرانی که تحمل هیچ‌گونه عدم دقتی را ندارند.
زمینه: مزیت نیویورک
در حالی که بسیاری از شرکت‌های هوش مصنوعی در سان فرانسیسکو تجمع کرده‌اند، Kepler در نیویورک مستقر است. گانش این موضوع را یک ضرورت استراتژیک می‌بیند. او به عنوان یک مهندس سابق مستقر در محل مشتری (Forward-deployed engineer)، معتقد است که نزدیکی جغرافیایی و عاطفی به مشتریان حیاتی است.
نیویورک محیطی منحصر‌به‌فرد برای Kepler فراهم می‌کند زیرا:
- پایگاه اصلی مشتریان در بخش مالی در آنجا مستقر هستند.
- این شهر فوریت خاصی را در مورد سرعت توسعه و پذیرش فناوری بازتاب می‌دهد.
- میل به «اولین بودن» و «باهوش‌تر بودن» به طور منحصربهفردی در اکوسیستم نیویورک متمرکز است.
اگرچه او اذعان می‌کند که سان فرانسیسکو برای تحقیقات قدرتمند است، اما Kepler بر جنبه‌های کاربردی هوش مصنوعی تمرکز دارد، حتی در حالی که تحقیقات داخلی خود را نیز پیش می‌برد.
معماری اعتماد
Kepler برای تولید واقعیت‌ها به LLM تکیه نمی‌کند. در عوض، از یک جداسازی سخت‌گیرانه وظایف استفاده می‌کند. سیستم مراحل پیش‌پردازش گسترده‌ای را اجرا می‌کند تا واقعیت‌های خاص مانند اعداد، موجودیت‌ها و روابط را استخراج کرده و آن‌ها را با متادیتای مربوطه برچسب‌گذاری کند. برای یک عدد، این متادیتا شامل بزرگی، مقیاس و این است که آیا مقدار به دلار، پوند یا واحد دیگری است.
برای تضمین دقت مطلق، Kepler از یک دفتر کل ردیابی (provenance ledger) استفاده می‌کند. این دفتر هر گامی را که سیستم برمی‌دارد ثبت می‌کند، از جمله:
- هر تصمیمی که توسط LLM گرفته شده است، که به کاربران اجازه می‌دهد هر پیچ و خم منطقی را ببینند.
- هر تغییر قطعی (Deterministic)، مانند جمع یا ضرب دو عدد.
- زنجیره کامل تبدیلات که یک عدد پیش از رسیدن به کاربر طی می‌کند.
با ذخیره این سوابق، Kepler می‌تواند بین بخش‌های قطعی و غیرقطعی گردش کار جابه‌جا شود و تضمین کند که خروجی نهایی بر اساس یک ردپای حسابرسی‌پذیر مبنی شده است. این زیرساخت همان چیزی است که گانش معتقد است برای حرکت از پذیرندگان اولیه به افرادی که از هوش مصنوعی در ۹۵٪ از موارد روزانه خود استفاده می‌کنند، ضروری است.
نقش هستی‌شناسی (Ontology)
انسان‌ها به روابط فکر می‌کنند، نه ردیف‌های پایگاه داده. برای پل زدن بر این شکاف، Kepler یک هستی‌شناسی برای سهام عمومی ساخته است. این به سیستم اجازه می‌دهد تا موجودیت‌ها را حل کند — مثلاً تشخیص دهد که «Palantir» و «PLTR» یک موجودیت هستند — که این مسئله برای LLMهای استاندارد بسیار دشوار است. این مشکل زمانی پیچیده‌تر می‌شود که با نسخه‌های متنی صحبت‌های مدیران مالی (CFOs) سروکار داشته باشیم، جایی که نام‌ها ممکن است به اشتباه ثبت شده باشند.
این هستی‌شناسی به عنوان ابزاری برای LLM عمل می‌کند. به جای اینکه از مدل بخواهند یک واقعیت را به خاطر بسپارد، مدل از یک ابزار قطعی برای پیمایش در گراف دانش استفاده می‌کند. این رویکرد همچنین هزینه توکن‌ها را بهینه می‌کند و از «بیشینه کردن توکن» به سمت بازگشت سرمایه (ROI) بالاتر در هر دلار هزینه شده برای استنتاج حرکت می‌کند. در عصری که استفاده از بیشترین توکن‌های ممکن دیگر هدف نیست، پیمایش گراف دانش اغلب راهکاری بسیار کارآمدتر از یک مدل با چندین تریلیون پارامتر است.
حل مسئله «مایل آخر» در Claude
ادغام با مدل Claude شرکت Anthropic از طریق پروتکل زمینه مدل (MCP) یک ریسک ایجاد می‌کند: مدل همچنان ممکن است در خروجی نهایی توهم بزند. این ادغام در واقع درخواستی از سوی Anthropic بود، اما خطر این را ایجاد می‌کند که مدل در لحظه تحویل نهایی، عدد اشتباهی را بیرون بکشد.
Kepler این مشکل را با ارسال «اپلیکیشن‌ها» در داخل Claude حل می‌کند. به جای بازگرداندن متن، سیستم یک بلوک کد یا بصری‌سازی (Visualization) را برمی‌گرداند. Claude صرفاً رابط کاربری (UI) شرکت Kepler را رندر می‌کند. این امر تضمین می‌کند که هر عدد نمایش داده شده، خروجی یک برنامه رندر شده است، نه یک حدس متنی توسط LLM.
برای حفظ این اصل تغییرناپذیر، Kepler از مکانیزم «گیرنده و فرستنده» (getter/setter) استفاده می‌کند:
- سیستم شناسه‌های منحصربهفردی را به واقعیت‌های پیش‌پردازش شده اختصاص می‌دهد.
- مدل آموزش می‌بیند تا از ابزارهای قطعی برای بازیابی این شناسه‌ها استفاده کند.
- اگر مدل نتواند خروجی خود را با جدول جست‌وجو تطبیق دهد، سیستم کل خروجی را رد می‌کند.
- اگر واقعیت قابل تأیید نباشد، به سادگی در خروجی گنجانده نمی‌شود.
مدیریت داده‌های متناقض
وقتی سیستم با واقعیت‌های متناقض مواجه می‌شود — برای مثال، مدیرعاملی در یک تماس تلفنی یک رقم سود را بیان می‌کند در حالی که گزارش رسمی 10-K رقم دیگری را ذکر کرده است — سیستم سعی نمی‌کند برنده را انتخاب کند. در عوض، هر دو قطعه اطلاعات متناقض را به کاربر ارائه می‌دهد.
در دنیای مالی سطح بالا، این تضادها اغلب جایی است که «آلفا» (مزیت رقابتی) یافت می‌شود. با برجسته کردن تناقض به جای هموار کردن آن، هوش مصنوعی سیگنالی را فراهم می‌کند که یک تحلیلگر انسانی می‌تواند بر اساس آن عمل کند. این شفافیت به کاربر اجازه می‌دهد تعیین کند که آیا این اختلاف یک اشتباه است یا منبع جدیدی از اطلاعات اثرگذار بر بازار.
فراتر از امور مالی
اگرچه نقطه شروع Kepler امور مالی است، اما خود را به عنوان موتور محرکی برای هر صنعت تحت نظارت — آنچه گانش «صنایع غیرحسی» می‌نامد — معرفی می‌کند. گسترش‌های احتمالی عبارتند از:
- بیمه: تنظیم خسارت‌ها جایی که دقت از نظر قانونی الزامی است.
- حقوق: خلاصه‌های پرونده و سوابقی که ساختاری ذاتی و ماهیت زمانی دارند (مثلاً یک سابقه جدیدتر که جایگزین سابقه قدیمی‌تر می‌شود).
- دفاعی: اطلاعات حساس با ریسک بالا که در آن ردیابی منبع (Provenance) غیرقابل مذاکره است.
- صندوق‌های صندوق (Fund of Funds): لایه‌های پیچیده داده‌های سرمایه‌گذاری که نیازمند دقت سخت‌گیرانه هستند.
- بهداشت و درمان: کاهش خطاهای نسخه‌نویسی ناشی از دست‌خط بد یا اشتباهات در دوز مصرفی، که گانش آن را فرصتی عظیم برای نسل بعدی مهندسان می‌بیند.
استراتژی استقرار On-Prem
گانش هشدار می‌دهد که ارسال داده‌های خصوصی به آزمایشگاه‌های هوش مصنوعی «کندن قبر خود» است. او استقرار مدل‌ها در ابر خصوصی مجازی (VPC) خود شرکت را توصیه می‌کند.
اجرای یک مدل به صورت محلی (On-prem) اغلب دلهره‌آور به نظر می‌رسد، اما گانش ادعا می‌کند که این یک کار مهندسی ساده است. او پیشنهاد می‌کند که وقتی یک شرکت دو ثانیه درباره آن فکر کند، متوجه می‌شود که می‌تواند به راحتی مدل را در VPC خود اجرا کرده و ایجنت‌ها را در پلتفرم خود ویرایش کند. حفظ حاکمیت داده‌ها تنها راهی است که یک سازمان می‌تواند «آلفای» منحصر‌به‌فرد خود را در عصری که همه به مدل‌های پایه یکسانی دسترسی دارند، محافظت کند. این رویکرد با استراتژی‌هایی مشابه است که در آن تجربه کارکنان به یک مرکز هوش مصنوعی حاکم تبدیل می‌شود تا کنترل داده‌ها در سطح سازمانی حفظ گردد.
آینده مهندسی هوش مصنوعی
برای نسل بعدی مهندسان، گانش هوش مصنوعی را نه به عنوان نویدبخش پایان جهان، بلکه به عنوان یک فناوری تحول‌آفرین دیگر، مشابه انقلاب صنعتی یا عصر دات‌کام می‌بیند. او معتقد است فرصتی منحصر‌به‌فرد برای بازسازی جهان از این منظر وجود دارد و این سوال را مطرح می‌کند که «نسخه هوش مصنوعی» شرکت‌هایی مانند McKinsey یا Lazard چگونه خواهد بود.
این تغییر نشان می‌دهد که نسل بعدی رهبران صنعت، کسانی نخواهند بود که از بزرگ‌ترین مدل‌ها استفاده می‌کنند، بلکه کسانی هستند که مطمئن‌ترین حفاظ‌ها (Harnesses) را دور این مدل‌ها می‌سازند. هدف این است که از پذیرش اولیه — جایی که شرکت‌ها فقط Copilot را برای چند پرس‌وجو به کار می‌برند — به وضعیتی برسیم که هوش مصنوعی در ۹۵٪ از موارد حرفه‌ای روزانه با اعتماد کامل استفاده شود.
گام بعدی شما
- اگر از مدل‌های زبانی برای تحلیل داده‌های عددی استفاده می‌کنید، خروجی‌ها را با یک ابزار قطعی (مانند اسکریپت پایتون) اعتبارسنجی کنید.
- برای داده‌های حساس سازمانی، به جای APIهای عمومی، استقرار مدل در VPC را بررسی کنید.
- در تحلیل‌های خود به دنبال «تضاد داده‌ها» بگردید، زیرا در بازارهای مالی، تضادها حاوی بیشترین ارزش هستند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو