Transcription
Я на самом деле лично считаю, что специфические акции публичного рынка являются одной из самых сложных областей знаний для освоения. К слову Кея, многие из наших клиентов как бы создают дашборды с облачным кодом, но эта тема агентского долга и эта тема токеномики как бы раздувают бюджеты. Когда вы читаете поверхностные отчёты, у них будет одна интерпретация. Но когда у вас есть более глубокие предметные знания, вы придёте к другому выводу.
Здравствуйте и добро пожаловать в «Инвестируй с ИИ», где мы исследуем пересечение фундаментальных инвестиционных исследований и искусственного интеллекта. Мы очень рады, что сегодня с нами в подкасте Ин Хуа из компании Implied. Здравствуйте и добро пожаловать, Ин.
Привет, большое спасибо, что пригласили меня. Рада быть здесь.
Спасибо, э-э, спасибо, что пришли. Не могли бы вы, э-э, начать с того, чтобы рассказать нам историю становления Ин, э-э, своего рода, знаете, краткое изложение вашей карьеры и того, чем вы занимаетесь сейчас?
Да. Эм, мой опыт — в фундаментальном инвестировании. Э-э, я начала свою карьеру в Goldman в отделе анализа акций. Затем перешла в Citadel, проработала там около пяти лет. Эм, а затем, э-э, перешла в Valley Aznney примерно на три года. Э-э, а затем я основала Implied, эм, в 2023 году. Эм, я была портфельным менеджером по финансовым технологиям и финтеху в Valley. Эм, но я также управляла квантоментальным портфелем. Так что, я думаю, у меня был опыт как в фундаментальном инвестировании, так и в своего рода количественных, не совсем ИИ, но количественных, эм, э-э, инструментах. Ещё один интересный момент: между Citadel и Valley, поскольку у меня был очень долгий запрет на конкуренцию, э-э, я в итоге выучила Python, эм, и освоила науку о данных, а также играла с языковой моделью тогда, до того, как она стала популярной. Так что до того, как большие языковые модели, э-э, стали мейнстримом, эм, это было время, когда BERT всё ещё был передовым достижением. Эм, так что у меня на самом деле была возможность поэкспериментировать с этим, когда я была в BAM тоже.
И даже тогда, в своего рода более, эм, в, эм, в стиле 2026 года, чтобы уйти с бай-сайда в стартап в области ИИ, но в 2023 году это была скорее контрпозиция. Что, что дало вам такую уверенность, что вы увидели из того, э-э, вашего опыта тогда, когда, честно говоря, базовые модели были довольно, ну, не очень хороши для моего варианта использования, что именно дало вам уверенность, чтобы заявить о себе и начать бизнес в области ИИ?
Да, я думаю, было два, э-э, катализатора. Номер один — эм, я считаю, что ChatGPT-4 был, я помню, отчётливым поворотным моментом. Я думаю, эм, когда я изначально экспериментировала с вещами, многое из того, что я хотела сделать, оно не могло по-настоящему выполнить. Эм, к ChatGPT-4, я чувствую, что с достаточным количеством подсказок и достаточным количеством цепочек, я могу добиться этого в основном. Эм, и чтобы немного отредактировать вещи. Эм, так что это номер один: я определённо увидела потенциал в том, чтобы заставить это работать, и прекрасно понимала, что всё будет улучшаться и тому подобное, верно? Так что это номер один. Эм, номер два: в то время было несколько, эм, вариантов, э-э, инструментов ИИ для инвестирования. Эм, многие из них — это компании, которые как бы начали до появления ИИ, а затем с выпуском чипов как бы попытались переориентироваться, и, эм, у меня на самом деле была возможность поэкспериментировать со многими из них. Эм, я сидела рядом с нашей командой ИИ, так что у меня была возможность увидеть многое. Эм, и я не совсем нашла инструмент, который действительно мне помог. Так что, и я думаю, что пробел, который я увидела, эм, я подумала, что для его решения нужен кто-то с предметными знаниями, и поэтому я подумала, что мой, мой, мой опыт интересен тем, что это своего рода пересечение, верно? Я очень хорошо знаю фундаментальные вещи, я достаточно знаю о количественных вещах, я не лучший программист, но я достаточно знаю о квантовом анализе, чтобы действительно заполнить эти пробелы, эм, так что это была причина.
Это звучит здорово, и одна из, эм, я не думаю, что часть причины, по которой Кей и я начали этот подкаст, в том, что у нас нет ответов, но мы знаем вопросы, и один из ключевых вопросов, который мы как бы планируем исследовать, — это своего рода конкуренция между горизонтальной базовой лабораторией и вертикальными финансовыми агентами.
Да.
Э-э, как бы вы охарактеризовали это конкурентное напряжение сегодня, э-э, и как, по вашему мнению, это напряжение будет развиваться в течение следующих 9, 18, 36 месяцев? Да, я думаю, э-э, особенно с недавним улучшением агентов, я думаю, многие люди считают, что, о, модельная компания поглотит мир. Эм, очевидно, я начинаю компанию, поэтому мой ответ будет предвзятым. Я не думаю, что это будет так в долгосрочной перспективе. Так что я приведу вам аналогию, которую обычно использую с, э-э, нашими клиентами, и я дам вам ещё одно, своего рода, более глубокое, э-э, обоснование этого. Номер один: я думаю о языковых моделях очень похоже на университеты, верно? Они [прочищает горло] производят интеллект, который, эм, способен к рассуждению на базовом уровне, э-э, они производят интеллект, способный использовать инструменты, Excel, PEP, что бы это ни было сейчас, верно? Эм, они производят своего рода базовый уровень, с которым вы можете многое сделать, это универсал, вы можете делать много вещей, но когда вы копаете глубже, это похоже на то, как вы нанимаете кого-то очень умного из университета, когда вы приводите их на свой бай-сайд, вам нужно провести много обучения в вашей собственной команде: как ваш портфельный менеджер думает о вещах, как всё работает, помимо даже просто уровня акций, просто с точки зрения процесса, есть много вещей, которым нужно научиться, а затем на уровне акций это ещё сложнее, верно? Я, я, я на самом деле лично считаю, что специфические акции публичного рынка являются одной из самых сложных областей знаний для освоения, потому что, в отличие от некоторых других областей, подумайте о медицине, праве — закон есть закон, он редко меняется, верно? Эм, и в медицине болезнь есть болезнь, она редко меняется. Фундаментальное инвестирование — это сложно, оно всегда меняется, то, что вы знали вчера, может измениться на основе одной единственной новости, это номер один. Номер два — это взаимосвязанность. Я раньше говорил, что если вы сможете понять знания всего рынка, вы сможете по-настоящему понять весь мир, потому что любая концепция в этом мире имеет какое-то представление на рынке, так что эта взаимосвязанность, я думаю, очень уникальна для этой, эм, отрасли, а также, и последнее — это, эм, она требует понимания, которое перетекает между качественным и количественным. Это не просто качественное. Вам нужно думать о количественных вещах. Так что я думаю, что эти три характеристики делают получение предметных знаний действительно трудным. И лично я думаю, что предметные знания — это та часть, которую, эм, горизонтальные модельные компании не будут делать. Как вы думаете, они действительно смогут найти способ усваивать постоянно меняющиеся знания для, для, для финансов, для рынка? Верно. Эм, так что это номер один. Эм, я думаю, это сложно. Э-э, это в основном просто грязная работа. Я просто не думаю, что они заинтересованы в выполнении этой грязной работы. Эм, но второе — я думаю, что исходя из первого принципа, нужно понимать ограничения языковой модели, верно? Языковая, языковая модель, по крайней мере, архитектура BERT сегодня, эм, э-э, вы знаете, это предсказание следующего токена. Это означает, эм, что язык — это на самом деле тоже кодирование. Это язык кодирования. Это как мы помещаем информацию в наш язык, и на основе этой информации вы пытаетесь предсказать, какая следующая часть информации, вероятно, появится. Это по определению ретроспективно. Это по определению сопоставление с образцом. Это по определению не истинное понимание. Э-э, то есть, это просто своего рода ощущение образца. Аналогия, которую я приведу, — подумайте о качественном инвестировании. Хорошо. Качественное инвестирование — это своего рода похоже на это. Это просто информация, закодированная в числах. Вы пытаетесь предсказать, какое следующее число появится. В этом случае это информация, закодированная в языке. Вы выясняете, какое следующее слово появится, верно? Итак, когда у вас есть такая архитектура рыночной модели, по определению, вы столкнётесь с несколькими вещами. Номер один: это не истинное понимание. Эм, это и не истинное рассуждение. Это скорее просто то, как вы, э-э, даёте ей достаточно информации на вашем языке в этом контекстном окне, чтобы она могла делать это предсказание более точно. Это всё, что это такое, верно? Это номер один. Эм, номер два: она никогда не сможет понять вещи, которые не происходили раньше. Это сопоставление с образцом, количественное, ретроспективное, верно? Оно всегда ретроспективно. Когда происходит рутинное изменение, когда меняются образцы, оно не может их идентифицировать. То же самое с языковыми моделями. Если информация, которую вы даёте до этого момента, если что-то меняется, она не сможет это предсказать. Итак, это ограничения. Я думаю, исходя из этого, эм, я думаю, что всё ещё есть много пробелов, которые нужно заполнить в каждой вертикали. Э-э, и я думаю, что именно здесь мы и вступаем в игру.
Могу я вмешаться здесь, э-э, по этому вопросу о сопоставлении с образцом, Ин?
Да.
Эм,
Я полностью согласен с вами, что существует масса ретроспективного сопоставления с образцом. Однако, разве нельзя утверждать, что огромный объём паттернов, которые могут быть извлечены, э-э, является в некотором роде своим собственным набором знаний, в некотором роде своим собственным набором понимания. Да. Что вы думаете об этом?
Да, я думаю, это верно. Э-э, но я думаю, это зависит от входных данных для этого сопоставления с образцом. Так позвольте мне привести пример. Как вы думаете, как языковая модель обучается на основе, э-э, результатов по прибыли? Помните, в ранние дни, даже когда Bloomberg обучал свою собственную модель, мы говорили обо всей финансовой торговле, верно? Идея обучения — вы просто засовываете в неё много документов, отчётов 10K, 10 стенограмм, бла-бла, хорошо. Эм, я думаю, э-э, если вы когда-либо читали отчёт о прибыли, хорошо, руководство всегда будет говорить: у нас был отличный квартал, у нас был отличный квартал. Неважно, насколько хорошим или плохим на самом деле был квартал, у нас был отличный квартал. Когда вы загружаете эту стенограмму в языковую модель, языковая модель скажет вам, что у них был отличный квартал. Верно. Так что, так что мой пункт номер один заключается в том, что я согласен, э-э, если вы можете, если вы можете вывести правильный паттерн, то сам паттерн достаточен, но я думаю, что есть ограничение на то, как эти модели обучаются, потому что им подаются необработанные данные, и другой вопрос в том, что, и я, я не, я освещала финансовый сектор, поэтому я гораздо более остро это чувствую, но, эм, каждый раз, когда я читаю, например, Wall Street Journal о том, как это делает AIG, это на самом деле никогда не является правильным прочтением, потому что они смотрят на неправильные, неправильные метрики. Есть что-то, чего они не знали. Это потому, что каждый похож на того, кто не понимает отрасль. Когда вы читаете поверхностные отчёты, у них будет одна интерпретация. Но когда у вас есть более глубокие предметные знания, вы придёте к другому выводу. Так что моя точка зрения заключается в том, что я не думаю, что эти модели когда-либо обучались правильным способом усвоения знаний, кроме как просто на необработанных данных. И это, так сказать, моё мнение. Но я, я, я согласен с вами. Если мы сможем найти способ обучить её правильным причинно-следственным образом, верно, как, эм, вы знаете, Snowflake вырос на 35% сегодня, потому что бла-бла-бла-бла-бла против ожиданий, тогда, если вы обучите модель, э-э, с этим, я думаю, они действительно смогут имитировать правильный тип рассуждений, э-э, что означает, что она сможет, в следующий раз, когда я увижу что-то подобное, сказать: хорошо, я думаю, она отреагирует таким образом, но модели не обучаются таким образом, модели обучаются исключительно на базовых, э-э, данных.
Не могли бы вы рассказать нам о проблеме данных? Я имею в виду, часть причины, по которой я на самом деле не пришёл к выводу, что большие языковые модели были институционального уровня в 2025 году, заключалась в том, что большая часть, э-э, данных, которые формировали выходные данные, поступала, э-э, из открытого интернета, а обучающий корпус — это, по сути, своего рода сжатый веб-скрейпинг.
Да. И я думаю, вы знаете, открытый интернет может быть отличным для, вы знаете, кодирования, эм, своего рода инструментов, но с точки зрения, например, финансовых рабочих процессов и данных институционального уровня, э-э, не так уж и много. Как вы как бы пытались решить эту, э-э, проблему, и как вы видели, как экосистема развивалась, чтобы как бы справиться с этой проблемой данных институционального уровня?
Да, я думаю, что данные — это более простая проблема для решения сейчас, верно? Потому что это интересно, я помню, мы начали компанию в 2023 году, и в течение нескольких месяцев мы просто увидели, как множество компаний начинают свою деятельность, а затем, когда мы с моим соучредителем подумали: интересно, многие компании, многие основатели на самом деле не имеют инвестиционного опыта, почему они начинают такую компанию? А затем нас осенило: о, документы SEC, существует большой корпус бесплатных данных, которые вы можете просто загрузить, подать в большую языковую модель, и она выдаст какой-то ответ, это очень естественная реакция. Так что номер один, я думаю, это источник данных, эм, вы хотите обратиться к источнику, обратиться в SEC, на веб-сайты компаний, вы идёте, чтобы получить, эм, стенограммы, эм, и это номер один. А номер два — мы применили немного другой подход: мы не покупаем много данных, мы фактически обрабатываем все данные сами. Мы сами выполняем всю предварительную обработку, а затем, эм, чтобы дать вам пример, эм, я думаю, каждый конкурент там более или менее покупает данные стенограмм. Мы фактически делаем свою собственную живую транскрипцию, и нам задавали много вопросов: зачем вы это делаете? Кстати, это даже не так. Это не так просто построить. Есть много, э-э, эм, э-э, такой рутинной работы, верно? Э-э, много не такой уж и славной работы, которую нам нужно было сделать, эм, в этом. Но причина, по которой мы это делаем, номер один — мы получаем контроль над тем, как данные обрабатываются. Номер два — мы получаем контроль над тем, когда данные поступают. Так, например, наша живая транскрипция, она живая. Задержка менее одной секунды. Как только прибыль поступает, она, э-э, проходит. Номер три — это позволяет нам собирать необработанные данные. Что мы получаем от необработанных данных? Итак, если вы поговорите с большинством квантов, которые покупают данные, они скажут: о, эм, каково настроение по этой теме от руководства, верно? Эм, но они используют чистую стенограмму. Как вы можете определить настроение по теме, если вы не включаете все слова-паразиты, необработанную стенограмму, эм, паузы, пробелы между предложениями? Вы на самом деле не можете этого сделать. Поэтому мы хотели найти способ получить максимально необработанные данные, которые можно было бы обработать как можно быстрее, и контролировать весь этап предварительной обработки. Так что это номер один, я думаю, то, что мы сделали. Номер два — очень рано мы подумали, что качественные наборы данных более или менее очевидны для людей, но есть много количественных наборов данных, которые люди туда не включают. Эм, и это имеет два аспекта. Номер один — многие вопросы не должны извлекаться из качественных данных, э-э, так что очень просто, это очень распространённый пробный вопрос, верно, извлечь продажи Apple в Китае за последние 20 кварталов, как, э-э, раньше многие люди делали это как пример вопроса, этот вопрос не должен извлекаться из 20 разных стенограмм, это должен быть структурированный набор данных, это должен быть опрос Bloomberg, я шутил, что это ужасный вопрос, потому что многие люди могут получить эти данные гораздо быстрее, используя код Bloomberg, чем вы набираете всё это предложение о том, что нужно извлечь. Это номер один. Так что я думаю, что некоторые данные должны быть структурированы изначально, и я думаю, что это возвращает нас к некоторым вопросам качества данных, эм, создания моделей и тому подобного, это должно быть структурировано. Э-э, второе — это, эм, институциональный уровень также означает, что мы пытаемся найти данные, которые люди хотели бы получить, но с которыми связано много препятствий. Эм, так что я имею в виду под этим? Некоторые альтернативные данные, э-э, не альтернативные данные, такие как отчёты по кредитным картам или что-то ещё, что используют все хедж-фонды. Существует много данных, которые работают только для одной или двух компаний. Никто на самом деле не скребёт эти данные, потому что это нежизнеспособный бизнес для скрейпинга этих данных. Кому вы собираетесь их продавать? Это работает только для двух компаний. Кванты не будут это покупать, верно? Недостаточно данных для бэктестинга. Поэтому мы очень рано помогли клиентам сказать: "Эй, вы можете на самом деле использовать инструмент для скрейпинга этих данных. Мы можем помочь вам скрейпить эти данные, и всё интегрировано." Так что мы заполняем слой данных, во-первых, обращаясь к источникам. Мы стараемся выполнять много предварительной обработки сами. Во-вторых, эм, мы заполняем много пробелов с помощью количественных, э-э, с помощью структурированных наборов данных, чтобы, во-первых, улучшить качество, но также дать больше возможностей, э-э, для доступности наших наборов данных.
Какие, какие были бы один или два примера таких, таких данных?
Я, я, я приведу вам скучный пример, потому что, я думаю, на самом деле никто об этом не заботится. Эм, так что я не раскрываю ничего, что нам говорят наши клиенты, но я раньше освещала страховые компании, эм, компании автострахования. Эм, и компания автострахования, э-э, вы, вы оцениваете коэффициент убыточности. Часто это делается, так сказать, по наитию, знаете, типа: о, погода примерно такая же, у нас немного холоднее, так что я повышу коэффициент убыточности на несколько базисных пунктов. Эм, когда я была в BAM, одной из квантоментальных вещей, которые мы делали, было то, что мы, эм, фактически, э-э, создали трекер или скрейпер для семи самых крупных, например, веб-сайтов дорожной полиции, эм, и мы извлекали, эм, данные об авариях. Так что для каждого крупного города, крупного, например, семи крупнейших из 10 рынков, что, я думаю, составляет более 70% доли рынка, эм, мы на самом деле точно знаем, сколько автомобильных аварий происходит, а затем мы смотрим на продолжительность автомобильной аварии, когда она была устранена, как на показатель серьёзности. Затем у нас фактически есть индекс. Он просто работает в фоновом режиме. У нас есть индекс, который показывает, должен ли это быть более высокий, э-э, более высокий коэффициент убыточности или нет. А затем мы объединяем это с предметными знаниями, верно? Подумайте, эм, мы знаем, что каждый третий квартал, э-э, страховая компания проводит исследование резервов. Думаем ли мы, что они собираются снова высвободить резервы? Если да, мы добавим это к тем данным, которые у нас есть. Так вот как я думаю о, эм, своего рода данных, которые, кстати, только три компании автострахования используют эти данные. Но в этом и моя мысль: кто будет создавать эти данные? Это, это не, это не простые данные для создания. Кто будет их создавать? Верно? Так что это пример, я думаю, полезного набора данных. Я думаю, эм, это будет становиться всё более и более важным, потому что это наборы данных, которые попадают в трещину квантового анализа, и недостаточно данных для бэктестинга, чтобы сделать это правильно, у вас может быть 30 лет данных, четыре квартала — это 120 точек данных, умноженных на три, это недостаточно данных для бэктестинга, э-э, но фундаментальные аналитики могут использовать это как часть мозаики.
И делать это вручную для фундаментального инвестора, это, вероятно, не, вероятно, не принесёт достаточной окупаемости инвестиций, чтобы быть на пять битов точнее, но своего рода объединение многих из этих сигналов вместе в механизм прогнозирования, прогнозирования, своего рода, могло бы масштабировать эту точность и прогнозирование в, э-э, Да.
И теперь, теперь это, подумайте, каждая часть этого процесса намного проще, например, нам потребовалось несколько месяцев, чтобы построить это самим, но теперь скрейпинг намного проще, анализ намного проще. Я могу запланировать его запуск намного проще. Мне даже не нужно делать, как раньше. Есть также технические проблемы, например, мы пишем программу на Python, она выдаёт число. Как мне перенести это число в мою таблицу Excel? Моя модель, даже это было препятствием, верно? Потому что, потому что, э-э, мне, по сути, приходилось писать скрипт, чтобы открыть мою таблицу Excel, вставить туда число, обновить её, сохранить. Многие вещи теперь намного проще. Так что я думаю, моя догадка в том, что всё больше и больше таких вещей, как "альфа-преимущество", которые, э-э, было бы хорошо делать раньше, теперь у вас на самом деле есть время, чтобы это сделать, и это намного проще сделать, я думаю, будут становиться всё более и более важными.
Да. Могу я просто спросить по этому, эм, вопросу о скрейпинге данных? Это навык, специфичный для ИИ, в том смысле, что, э-э, ИИ [прочищает горло] сам это делает, или потому что это кажется мне, как вы сказали, детерминированным процессом на Python, э-э, когда вы, вы находите сайт, вы, вы очищаете данные и помещаете их в другое место, и поэтому можете ли вы уточнить роль ИИ в этом: это просто легче закодировать это в существование, или есть ли на самом деле, например, нативная активность ИИ, да, э-э, в том, что вы только что описали?
Да. Итак, я разделю это на две части. Я думаю, во-первых, это проще со стороны сбора данных. Так что получить необработанные данные. Хорошо, это, э-э, мы, вероятно, одни из первых, у кого есть своего рода агент, который занимается скрейпингом. Так что он выполняет большую часть скрейпинга, человек в цикле, мы очищаем его, д, эм, но есть вторая часть, э-э, это очень похоже на то, как каждый читает отчёт 10K немного по-разному. Каждый должен обрабатывать данные немного по-разному, и, э-э, с этого момента это уже не детерминировано. Так что сбор данных детерминирован. Очистка данных детерминирована. Есть правильный ответ. Но то, как каждая команда использует эти данные, как каждая команда, э-э, какую информацию они пытаются получить из этих данных, является недетерминированным. Эм, но эта часть, я думаю, также ускоряется ИИ, и это особенно важно для, у нас есть много, даже команды внутри крупных фирм, хотя у них много технических ресурсов, но всё ещё есть много вещей, о которых вы думаете: ах, мне потребуется слишком много времени, чтобы объяснить это команде по данным, или к тому времени, когда я объясню это команде по данным, катализатор уже исчезнет, теперь они могут просто сделать это, эм, это занимает слишком мало минут, они могут сделать первую попытку, и стоит ли это большего времени, вложенного, тогда, если да, то позвольте мне сделать глубокое погружение, и ничего я не могу. Так что я думаю, эта часть — это часть ИИ.
И вот по этому поводу, вы думаете, что мы с Бреттом обсуждали это, например, распространённость облачного кода для не-программистов?
Да.
Вы, будучи ближе к этому, а мы, будучи своего рода, ну, не-программистами, но кодерами? Реалистично ли, что не-программирующий аналитик может зайти и сказать: "Хорошо, облачный код, помоги мне сгенерировать этот скрейпер, который извлекает эти детерминированные данные и так далее", или это своего рода несбыточная мечта, которая, вы знаете, очень жёстко столкнётся с реальностью?
Эм, э-э, я предварю это тем, что скажу, что я определённо думаю, что мы предвзяты, верно? Например, если каждый может использовать облачный код для создания каждого процесса, тогда, я думаю, нам на самом деле не нужно существовать, верно? Так что я предварю это тем, что считаю свой ответ предвзятым. Эм, я не думаю, что это полностью работает, и я расскажу вам, почему, эм, с нескольких, нескольких сторон. Номер один — это конвейер данных. Так что, э-э, вам нужно запланировать его создание, верно? Э-э, что-то легко, вы запускаете это каждый день, каждый раз, когда-то нет. Некоторые данные появляются с случайными интервалами. Как вы узнаете, когда скрейпить, верно? Это номер один. Номер два — вам нужно где-то это хранить. Вы не собираетесь запускать всё сразу, верно? Вам нужно где-то хранить эти данные. Номер три: если кто-то делал скрейпинг вручную, вы будете знать, что веб-сайты меняются. Э-э, любая детерминированная вещь сломается, э-э, почти наверняка в течение года, каждый скрейпер, который вы создадите, вероятно, претерпит некоторые изменения. Как вы к этому приспособитесь, верно? Эм, и наконец, я скажу, я расскажу вам это, и это, я думаю, эм, я не думаю, что это полностью решено, но когда мы только начинали Implied, мы на самом деле хотели заниматься количественными вещами, то есть количественными вещами на естественном языке, и мы быстро решили, что языковая модель не справлялась с этим, и хотя языковая модель улучшилась, я не думаю, что некоторые проблемы были решены, я расскажу вам, почему, эм, ИИ генерирует код Python, как вы проверяете что-то? Как вы проверяете, что логика, которую вы там строите, верна для нетехнического человека, который не может читать код Python, верно? Эм, это как мы думаем, что ИИ может помочь, но я не думаю, что он решает полностью, эм, и причина, по которой это важно, заключается в том, что я очень отчётливо помню, когда я была в Citadel, у нас были, эм, э-э, специалисты по данным, или они размещали специалистов по данным в нашей команде, и мы описывали что-то, и они возвращались с ответом: это релевантно, это не релевантно. И каждый раз я говорила: мне нужно увидеть ваш код. Э-э, и я освоила Python, когда была в Citadel, но мне нужно было прочитать код, чтобы понять, что вы написали. И тогда я могла сказать вам: о, вы допустили логическую ошибку здесь. Это, это могло быть просто различие в одном знаке. Это может быть очень маленьким. И нетехническим людям действительно трудно по-настоящему оценить это, верно? Так что, эм, я думаю, что часть этого — это всё, как мы подходим к этому, эм, вы можете не знать код, но вы должны знать, каков правильный ответ. Так что вы можете оценить, хорош или плох ответ, основываясь на определённых моментах, вроде проверки на адекватность. Это как если ваш стажёр передаёт вам Excel, вы не проверяете каждую ячейку. Вы проверите несколько мест. Есть способы это сделать, но я думаю, что многое, особенно более сложные вещи, я думаю, действительно сложно. Так что эти две вещи, я думаю, действительно, действительно сложны. Это как я думаю, что создание чего-то с помощью облачного кода очень хорошо для одноразовых вещей. Это, э-э, сложнее для непрерывного, производственного уровня, самосовершенствующегося, эта часть сложна, и я думаю, возвращаясь к просто отраслевой перспективе, я не думаю, что это на самом деле верно для, э-э, сегодняшних процессов людей, э-э, например, я думаю, что большая часть работы, которую выполнила отдельная команда, является дублирующей работой, что означает, например, подумайте о том, как компания публикует отчёты о прибыли, сколько Amazon заменяет отчёты о прибыли, сколько команд прямо сейчас обновляют свою модель, верно? Должен быть один единственный источник истины, э-э, это не должно быть, э-э, каждый делает своё дело, то же самое с конвейерами данных, я не думаю, что имеет смысл для каждого пытаться, э-э, вы знаете, я покрываю 50 акций, у меня 50 источников данных, чтобы управлять всеми этими 50 источниками данных с помощью конвейера, я бы предпочла просто использовать компанию, которая может позаботиться обо всём этом, а то, как я это анализирую, зависит от меня, но то, как данные собираются, должно быть одной компанией, так что это ещё один способ подумать об этом.
Итак, мы находимся в таком моменте, когда в дебатах о горизонтальном против вертикального, лаборатории как бы восходят, в частности, в частности, Claude восходит, к слову Кея, многие из наших клиентов как бы строят дашборды с облачным кодом, э-э, но эта тема агентского долга и эта тема токеномики как бы [смех] раздувают её собственные бюджеты, эм, как вы видите эти вещи, потому что это, это соблазнительно, как бы быстро создать дашборд.
Да.
И, эм, и как бы думать, что это институциональный уровень. Хотя большинство, своего рода, глубоких поставщиков ИИ, таких как вы, с которыми мы говорили, как бы, вы знаете, называют это плохим, своего рода плохим, э-э, своего рода не очень хорошими решениями. Как бы вы охарактеризовали эти две категории, и что, по вашему мнению, ждёт клиентов в плане использования и создания дашбордов?
Да, я бы никогда не сказала, что дашборд — это плохо. Я, я думаю, э-э, я думаю, эм, вы знаете, эм, я думаю, Бретт, вы видели наш продукт, верно? Мы один из немногих, э-э, поставщиков, у которых на самом деле есть дашборд, мы, мы на самом деле считаем, что есть определённые вещи, которые не должны, не каждый ответ должен быть ответом в чате, верно? Некоторая информация должна быть предоставлена вам без необходимости спрашивать, она просто должна быть там, есть причина, по которой люди любят смотреть на данные, верно? В этом есть ценность, так что я бы никогда не сказала, что дашборд — это плохо, э-э, но две вещи, эм, номер один — я думаю, что идея статичного дашборда плоха. Даже для одной и той же компании, даже для одной и той же отрасли, то, как должен выглядеть дашборд сегодня, по сравнению с тем, как он должен выглядеть через два месяца к следующему сезону отчётности, может быть разным, верно? Это основано на предметных знаниях. Итак, первое — как часто вы хотите менять этот дашборд? Хотят ли аналитики и портфельные менеджеры тратить своё время на принятие решения о том, как изменить, или вы можете использовать такую платформу, как наша, чтобы сказать: у вас уже есть все данные. Я просто хочу, чтобы вы представили данные по-разному, или я хотел бы, или переупорядочили данные по-разному, чтобы вы могли показать мне, что важно, а что нет. Так что номер один — это просто сколько времени вы хотите на это потратить. Второе, эм, я действительно думаю, что конечная форма того, как должно выглядеть инвестирование, инвестирование, процесс не будет в основном управляться дашбордами. Э-э, так что я имею в виду под этим? Эм, э-э, приведу вам пример. Я раньше любила книги с графиками. Я не знаю, любите ли вы, ребята, смотреть книги с графиками, например, вы делаете определённые графики, будь то реверсия оценок акций или что-то ещё, а затем у вас есть, вы знаете, PDF, вы листаете его, верно? Вы получаете много информации, вы получаете много интуиции, для меня это здорово, но как только вы доходите до книги с графиками номер шесть, вы на самом деле никогда не просматриваете книги с графиками, верно? Вы на самом деле не просматриваете: хорошо, что нового, что стоит того, верно? Так что дашборд, я думаю, будет иметь похожую динамику, э-э, вы будете создавать много дашбордов, всё будет очень круто, в какой-то момент у вас будет слишком много дашбордов для ручной проверки. Эм, так что, что мы считаем конечной целью, например, э-э, инвестирования с ИИ? Я, я, я думаю, для нас это так: вы должны иметь возможность создавать дашборды или сколько угодно представлений, дашборд — это просто то, как я хотел бы просматривать этот конкретный источник данных, верно? Это всё, что это такое, просто у каждого свои предпочтения, что я считаю важным, что я кричу, во-первых, вы должны иметь возможность создавать дашборды очень легко, создавать любую метрику, любой визуальный элемент очень легко, это номер один, но во-вторых, у вас должен быть кто-то, кто просматривает это и говорит вам, это не должно быть просто создание дашбордов. На этом не должно останавливаться. Это должно быть: эй, э-э, Бретт, по сути, у вас есть дашборд, который отслеживает 100 различных точек данных. Я проверю эти 100 точек данных для вас, чтобы сказать вам: эй, Бретт, вам следует посмотреть на эту, эта интересна, у этой большая задача, это что угодно, моя точка зрения такова: дашборд — это средство для достижения цели, чтобы вы пришли к какому-то выводу, и цель ИИ должна заключаться в том, чтобы относиться к нему так, как будто у вас есть стажёр, который читает эти дашборды для вас, который строит дашборд для вас, они читают дашборд для вас, отфильтровывают то, что важно, и оповещают вас, чтобы вам не приходилось умственно тратить время на обдумывание этого.
Это очень, это очень логично для меня. Я имею в виду, я думаю, что одна из фундаментальных проблем программного обеспечения для инвестиций в фронт-офисе была, э-э, эта глубокая гетерогенность инвестиционного процесса, своего рода, по стилю и по области охвата, верно? Э-э, и поэтому на самом деле единственным масштабируемым программным обеспечением были, например, терминалы, которые представляют собой своего рода агрегацию данных, э-э, и позволяют настраивать это в лаунчпаде, верно? Например, все наши лаунчпады выглядят по-разному. Э-э, как вы думаете, как мы можем взять ту же концепцию, как вы, как вы масштабируете это на массовом рынке до такой степени? Когда вы как бы создаёте программное обеспечение, как вы обеспечиваете такую массовую настройку дашбордов для ваших клиентов?
Это очень легко. Теперь, эм, так что, э-э, давайте, давайте, давайте, э-э, эм, давайте подумаем об этом так. Итак, допустим, у вас есть 50 точек данных для отслеживания, э-э, разных источников данных, верно? Эм, во-первых, вы можете автоматически запускать каждый из них, э-э, а затем вы можете заставить каждый из них решать, является ли это интересной вещью. Э-э, и, э-э, скажем, из 100, которые я запускаю сегодня, например, у меня есть ежедневный запуск 100, э-э, источников данных, э-э, а затем из 20 из них интересны, ИИ определяет интересное, это может быть значительное изменение, может быть по сравнению с консенсусом, что бы это ни было, и затем вы можете просто иметь агента сверху: эй, эти интересные вещи, сделай для меня дашборд, я хочу только несколько интересных вещей, это полностью настраиваемо, верно? Это, это, это определённо выполнимо, эм, но я, я думаю, есть ещё один уровень настройки, о котором вы упомянули. Я думаю, это на самом деле более сложная проблема. Вы говорите о предметных знаниях другой отрасли. Я возвращаюсь к своей точке зрения о предметных знаниях. Я думаю, как вы анализируете технологическую компанию, очень отличается от того, как вы анализируете страховую компанию. Метрика, которая вас волнует, отличается. Так что, так что, если вы подумаете о терминалах, если вы подумаете о некоторых текущих поставщиках, эм, когда они генерируют ИИ, многое из стандартизированного, верно, как стандартизированное, будь то модель, KPI, это не очень полезно. Это, это не полезно. Но эта часть настройки становится немного сложнее, потому что вам, слою модели или слою платформы, нужно иметь предметные знания, чтобы выдавать вещи, которые имеют значение. Так что один простой пример, который я, я использовала для проверки этого для каждого из наших конкурентов, каждого конкурента, которого я пробую, я раньше спрашивала их: эй, дайте мне, например, сводку звонка по прибыли для JP Morgan, если они когда-либо выдавали маржу, выручку, типа: ах, эта, эта, эта, эта платформа ничего не знает, никто не заботится о выручке для, э-э, JP Morgan или страховой компании, верно? Это просто очень очевидная вещь, эм, так что эта часть настройки, я думаю, намного сложнее, эм, чем то, что дашборд для вас обслуживает. Я думаю, эта часть — это та часть, на которую мы потратили последние два с половиной года, создавая предметные знания на уровне тикера по этой причине, я думаю, что это, это, это самая сложная часть из всего этого: как вы связываете разные знания? Как вы узнаете, какие знания важны в какой момент? Э-э, и как вы узнаете, когда пользователь задаёт вопрос, вам нужно извлечь этот конкретный фрагмент знаний, чтобы правильно ответить на этот вопрос. Так что я думаю, часть этого легко, часть этого, я полагаю, ещё предстоит определить.
Да. Интересно. Один вопрос, э-э, одна тема, которая часто возникает у некоторых моих инвестиционных клиентов, — это такое разделение синтеза и суждения.
Да.
Верно. И поэтому я часто слышу, э-э, как кто-то говорит, что мы согласны, чтобы ИИ выполнял синтез и сбор, но когда дело доходит до суждения, оно остаётся за человеком, оно остаётся за аналитиком.
Да. Во-первых, я не думаю, что это очень, что эта граница не так бинарна, как можно было бы полагать.
Да.
Но в ваших примерах вы говорили, что, вы знаете, хорошо, вы знаете, у вас есть эти данные, эти расхождения в данных, а затем у вас есть агент, который как бы отмечает расхождение, э-э, [прочищает горло], так что вы, вы, по сути, даёте агенту некоторую форму суждения.
Да. Но мне было бы интересно узнать ваше, своего рода, э-э, ваше мнение о таком разделении: ИИ делает синтез, люди выносят суждения, э-э, а затем, когда ИИ, когда ИИ начинает выносить больше суждений, откуда, откуда берётся это обучение?
Эм, я думаю, это отличный вопрос. Эм, так что я думаю, в примере с дашбордом я на самом деле в большинстве случаев, которые мы строим, не думаю, что мы на самом деле полагаемся на большую языковую модель для вынесения суждений. Так что мы, по сути, дадим рубрику: отметь меня, когда эти критерии будут достигнуты. Так что это всё ещё человеческий фильтр того, что важно, а что нет. Очевидно, в этом есть недостаток. Это может быть новая среда, о которой я не подумала. Я на самом деле не отметила это из-за этого. Так что это, это, я думаю, но большая часть этого будет человеческой, э-э, рубрикой, которую большая языковая модель отмечает, эм, суждение интересно, эм, я бы сказала, в текущем состоянии, эм, учитывая, учитывая тот факт, что несколько вещей, номер один, я не верю, что модели по-настоящему рассуждают или по-настоящему понимают, нет истинного чувства понимания, это как имитация понимания или имитация рассуждения, учитывая, что нет непрерывного оповещения, что означает, эм, любое изменение не включается, и учитывая, что я не думаю, что модели обучены правильным образом для решения финансовых, эм, головоломок, и, кстати, я думаю, что финансовая головоломка также одна из самых сложных, верно? Я думаю, по сравнению с AlphaGo, по сравнению с покером, это намного, намного сложнее, учитывая все эти ограничения, я на самом деле согласна с тем, что суждение должно оставаться за человеком, так что позвольте мне привести пример того, как мы, мы, мы думаем об этом, эм, номер один — очень рано мы проинструктировали нашу платформу не давать, э-э, субъективных вещей, если только их не попросят об этом. Эм, так что всё должно основываться на проверяемых, верифицируемых, объективных вещах, это номер один. Э-э, номер два: если вы подумаете о слое знаний, который мы построили, база знаний, которую мы построили, — это чисто факты, вещи, которые могут быть проверены фактами. Это может быть синтез, к вашему слову, верно, это может быть, например, насколько заслуживает доверия это руководство, верно? Эм, оно может дать вам оценку, но оценка подкреплена истинной статистикой, например, каждый раз, вы знаете, 30% шанс, что они на самом деле не выполнили данные ими прогнозы, это не очень хороший послужной список, так что, хотя это и даёт мнение, но оно подкреплено отслеживанием, так что все вещи, на которых мы сосредоточены, — это эти отслеживаемые фактические вещи, эм, от субъективных вещей мы стараемся держаться подальше. Я, я лично не думаю, что языковая модель находится на том уровне, где она может это делать. Эм, у нас есть некоторые идеи, как это можно улучшить. Эм, мы, мы, мы экспериментируем с некоторыми вещами. Это похоже на то, как человеческие аналитики начинают с нуля, строят интуицию, верно? Это очень похоже на то, что я формирую гипотезу. Я её проверяю. Я смотрю на реакцию акций. Я правильно поняла? Я ошиблась? И узнала ли я [прочищает горло] что-то новое? Хорошо, я попробую снова. Я, я думаю, э-э, мы определённо можем это построить, но я не думаю, что модель ещё там. Да. Так что я в целом согласна оставить суждение человеку. И ещё одно: я думаю, что человек просто естественно лучше формирует паттерны, особенно новые паттерны. Эм, у меня есть трёхлетний ребёнок, сравнивая ИИ с трёхлетним ребёнком, вы увидите, насколько лучше человек в том, чтобы просто соединять точки и на самом деле, например, выдвигать гипотезу, типа: ну, на самом деле это довольно разумно, тогда как ИИ очень похож, я думаю, слишком ретроспективен, слишком похож на поиск паттернов, эм, так что я в целом согласна с этим мнением.
Да, что, эм, один из разговоров, которые у нас были в прошлом, который всегда был своего рода острым вопросом для квантов и сохраняется в ИИ, — это, э-э, своего рода вопрос существенности, даже я сегодня просматривала SpaceX и, э-э, мой ИИ, мой агент был действительно убеждён, что, э-э, Starlink ARPU был как бы ядром, как бы, самой важной вещью, которая будет иметь значение. Я говорю: ну, а как насчёт воспринимаемой терминальной стоимости, например, космических путешествий и, вы знаете, ИИ?
Да.
Эм, и почему эти системы всё ещё имеют, своего рода, нативные, например, существенные, э-э, э-э, своего рода ограничения, по вашему мнению?
Это предметные знания. Например, дайте мне пример. Если вы зададите тот же вопрос: что наиболее важно для SpaceX, но предварите его предоставлением большого контекста, что, вы знаете, это то, что происходит на рынке прямо сейчас, это оценки акций ИИ, это все твиты, которые сказал Илон, это всё это, если вы дадите достаточно контекста, он будет знать, что, вы знаете, Starlink, вероятно, не самая важная вещь, эм, но этот контекст опирается на предметные знания, и это та же причина, по которой кванты, эм, исторически тоже с этим боролись, верно? Как бы, э-э, я однажды разговаривала с квантом, который сказал, что они могут имитировать, они могут, например, автоматически делать модель построчно, но они всё ещё не знают, какой пункт имеет значение для данного квартала, поэтому они не могут ставить на каждую строку, им приходится выбирать три, но они не знают, какую. Эм, я думаю, опять же, это возвращается к предметным знаниям и тому, как вы формируете эти предметные знания, я думаю, это самая сложная часть, я думаю, это та часть, что человеческий аналитик, своего рода, преимущество человеческого аналитика основано на всех предметных областях, на всех отраслях, которые у них были, на всех предметных знаниях, которые у них есть, у них есть ментальная карта того, что важно, что не важно, это, это. Другое дело, я думаю, честно говоря, я думаю, это сложно, э-э, я помню, ближе к концу моего времени в BAM, иногда я говорила: эй, если вы дадите мне, эм, пресс-релиз, отчёт о прибыли за день до этого, даже если бы вы это сделали, я не думаю, что моя точность предсказания того, как отреагируют акции, будет 100%. Но даже людям трудно это делать. Что имеет значение? Что учтено? Верно? Так что я думаю, это сложная проблема. Так что я думаю, это проблема предметных знаний, и это действительно зависит от того, когда вы задаёте этот вопрос, какие другие релевантные контексты элементу нужно иметь, чтобы понять, что существенно, а что нет.
Да. Да. Ещё одна острая проблема, с которой я, я как бы сталкиваюсь в своём развитии, — это своего рода текущее превосходство Excel как своего рода рабочего места инвестора, и я как бы, как бы узнаю, что Excel не очень эффективен с точки зрения токенов, и я как бы исторически возражала против людей, занимающихся ИИ, говорящих, что Excel не является отличным, не является своего рода лучшим количественным дашбордом, его нужно перенести в Python. И так далее. Эм, как мы решаем проблему Excel, своего рода, входа, выхода, как своего рода мозга инвестиционного процесса сегодня? Эм, как мы, как мы решаем это, и как выглядит будущее? Э-э, с точки зрения электронных таблиц.
Да, это отличный вопрос. Эм, я, я дам вам несколько, своего рода, тезисных мыслей по некоторым вещам, которые вы упомянули. Эм, номер один: я не думаю, что каждая, я не думаю, что функциональность или преимущество Excel может быть полностью воспроизведено дашбордами или Python, чем бы то ни было. Эм, я думаю, многое из этого может, например, если вы занимаетесь временными рядами, вы должны делать это в Python, а дашборд вы не должны делать в Excel, но если вы делаете модель, где она интерактивна, вы меняете одно своё предположение, вы хотите увидеть, как всё остальное меняется, это должно оставаться в Excel, нет лучшей платформы для этого, чем Excel, так что это номер один, вы думаете, Excel необходим. Эм, номер два, эм, это, эм, я думаю, текущая методология, которую используют большинство поставщиков, заключается в том, чтобы рассматривать Excel как инструмент для кодирования, эм, э-э, э-э, и, э-э, позвольте мне просто написать код для написания Excel, имеет естественные ограничения, и есть несколько ограничений, некоторые исходят со стороны больших языковых моделей, некоторые исходят со стороны Excel, со стороны языковых моделей это очень легко, эм, так что, допустим, я хочу, эм, чтобы модель запомнила, э-э, чтобы обновить. Хорошо, Excel для агента, чтобы обновить модель. Тогда что агент имеет
чтобы сделать, это пойти прочитать документ. Он должен запомнить все эти эти эти числа, а затем он должен запомнить, куда поместить это число. Верно? Так что это как запоминание этого, размещение здесь. Здесь становится сложной языковая модель, предсказывающая следующий токен, следующее слово, где у вас есть поток случайных чисел вместе, очень вероятно, что она что-то пропустит, потому что это это нет, нет никакого шаблона, как вы, как вы делаете следующий числовой токен. Я не знаю, сталкивались ли вы с этим, так что когда мы создаем, так иногда, когда мы делаем даже что-то вроде более простого, вроде временного файла, который имеет длинную строку случайных чисел, слов, и иногда, например, языковая модель просто пропустит это или испортит букву, число, и внезапно ничего не работает. Но это та же проблема, вы делаете числа, чтобы чтобы чтобы чтобы запомнить числа, чтобы поместить их в Excel, я думаю, это проблема.
Затем возникают проблемы, связанные с ограничением Excel, так что в моем в моем мире мечты я думаю, что процесс должен быть таким: когда выходит отчет о доходах, кто-то должен обновлять все мои модели, я должен сосредоточиться на чтении, делать другие вещи, что угодно. Но у меня часто бывает 50 компаний, например, от пяти до десяти компаний, отчитывающихся одновременно, что, когда у меня есть надстройка Excel. Что я должен делать? Я должен позволить ИИ взять под контроль мой компьютер и открыть 10 файлов Excel и попытаться обновить их? Я не думаю, что это очень практично, верно?
Итак, наше видение таково: должен существовать Excel. Что ж, должен быть лучший Excel, нативный для ИИ Excel, который существует и решает первую проблему. Второе: должен быть нативный для ИИ Excel, который существует и существует в облаке, чтобы они могли вручную обновлять данные за за, хм, например, вы отходите от компьютера, и он может автоматически обновляться. Так что подумайте, когда компания отчитывается о доходах, он может все обновить, когда компания проводит звонок, он должен быть в состоянии обновить ваше прогнозное число и сказать вам: "Эй, в конце звонка, Бретт, твоя оценка должна вырасти на 5% на основе консенсус-оценки". Так что он должен делать все это в облаке, теперь вы должны иметь возможность загрузить это в Excel, чтобы поиграть с вещами, но я думаю, что это окончательная форма.
>> последнее, что дало мне своего рода идею, вроде почти Google Таблиц, верно, где это как будто это может быть обновлено, обновлено в облаке. Да.
>> Как это
>> совместно?
>> Да, совместно. Как такая архитектура появляется в экосистеме Microsoft, вроде Excel?
>> Я не уверен. [смех]
Я я я я я я определенно думаю, что наше мнение не является консенсусным. Я думаю, мы посмотрели на всех, я думаю, все более или менее по умолчанию решили: давайте строить поверх Excel, потому что, я думаю, во-первых, он уже доступен. Я почти уверен, что каждый клиент скажет: "Нам нужно, чтобы вы были плагином. Нам нужно, чтобы вы были в Excel", как все клиенты говорят об этом. Но я действительно думаю, что вы естественным образом столкнетесь с ограничением. Это как бы снова ИИ. Я действительно думаю, что вы должны, вам нужно подумать, переосмыслить каждый отдельный инструмент. Какой инструмент, который раньше работал для человека, теперь должен работать для агента. Как сделать так, чтобы агенту было легче это делать?
Так что, как мы это сделали, у нас есть нативная электронная таблица Excel. Агенту не нужно ничего запоминать. Агенту просто нужно запомнить формулу. Он строит одну единственную формулу для каждой отдельной вещи. Как каждый опытный пользователь Excel знает, что весь смысл Excel в том, что вы никогда на самом деле не делаете много вручную. Вы просто делаете это для одного столбца или одной строки. Вы перетаскиваете это вниз. Это ведь вся цель, верно? У вас нет этого преимущества при использовании кода для написания Excel. У вас этого нет. Вы теряете эту возможность перетаскивания, понимаете?
Так что это так. Есть еще одна вещь, я думаю, хм, я не знаю. Мы начинаем слышать слухи об этом, но я не знаю, насколько это будет большим или что-то еще. Я думаю, что надстройки Excel имеют больше рисков безопасности. Хм, так что Excel Ultimate — это это это язык программирования. Хм, и поэтому вы позволяете ИИ писать формулы в вашем Excel. Некоторые могут быть видимыми. Вы можете писать невидимые формулы для себя, и он может делать все, что захочет. Э-э, так что я думаю, это хм, это немного сложно.
Поэтому мы в основном придерживаемся мнения, что мы позволяем нашему нативному для ИИ Excel находиться в в в облаке, хм, мы стремимся к автоматическому обновлению, не вмешиваясь в ваш обычный рабочий процесс, а затем мы просто уведомляем вас, когда все готово. Э-э, так что это своего рода подход, который мы приняли.
>> Да. Так что, может быть, может быть, Ин просто как бы сформулирует, хм, если бы вы сформулировали момент времени, вроде того, что все хотят знать, что делают все остальные? Это как бы мем про Человека-паука, указывающий на всех. Хм.
>> Что, по вашему мнению, делают суперпользователи с этими инструментами прямо сейчас? Как выглядит своего рода движение по колоколообразной кривой сегодня? Как это изменилось? И мы как бы заставим вас достать ваш хрустальный шар и будем рады услышать любые прогнозы о том, куда, по вашему мнению, это пойдет в ближайшие три, шесть, девять месяцев.
>> Да. Хм, я думаю, я расскажу вам о прогрессе, который мы видели, верно? Я думаю, что самые ранние пользователи ИИ, использование мощности, я думаю, это прославленный инструмент поиска и суммирования, верно? Что говорит руководство? Как меняются вещи, это в основном поиск и агрегация или поиск и синтез. Это в основном так. Хм, я думаю, мы начинаем делать более сложные вещи. Так что подумайте о многошаговых, э-э, вроде того, как раньше было, хм, вы знаете, что сказало руководство, но это могла быть всего лишь одна секция в предварительном просмотре. Я думаю, мы начали видеть, как люди это объединяют. Я думаю, это то, что агент сделал доступным или легким для выполнения.
Хм, у нас определенно есть несколько опытных пользователей, которые используют нашу платформу очень интересным способом. Э-э, я был, добавлю еще, хм, я разговаривал с нашим клиентом, и он сказал: "Для некоторых компаний я даже больше не смотрю на свой Excel. У меня просто есть Implied, даже не в нашей нативной электронной таблице Excel, а просто в чате, хм, мы они они используют все данные, которые ему нужны, все комментарии, которые ему нужны, вы предсказываете число, вычисляете консенсус, вот и все". Он сказал: "Мне не нужно ничего другого". Так что это было очень интересно.
Хм, а затем другой опытный пользователь, которого мы видели, это автоматизация. Хм, так что недостаточно сказать: "О, я могу сделать отчет о доходах, вы можете сделать предварительный просмотр отчета о доходах из шести частей", верно, вроде, э-э, да, вы можете это сделать, но что вы собираетесь делать? Вводить "сделать предварительный просмотр для этого тикера", "сделать предварительный просмотр для того тикера", делать это 50 раз, если у вас 50 компаний, это не имеет смысла.
Так что, хм, то, что мы начали видеть, как люди используют нас, это в основном, как вы автоматически планируете вещи, которые я всегда должен запускать, чтобы мне больше не приходилось это делать. Я делаю это один раз, я настраиваю это как свою основу для предварительного просмотра отчетов о доходах. Теперь запустите это за три недели до того, как любая компания в моем покрытии автоматически опубликует отчеты о доходах. Я просто прихожу и просто вижу результат. Верно?
Хм, вы даже можете сделать, например, хм, э-э, это у меня есть тезис об этой компании каждый день. Я хочу, чтобы вы каждый день собирали все соответствующие стенограммы, все соответствующие новости и сообщали мне, какие данные подтверждают мой тезис, какие данные не подтверждают мой тезис, давали мне оповещение и сообщали, если есть значимое изменение. Верно? Так что это, хм, так что я думаю, мы движемся к этому.
Хм, мой взгляд на следующий этап — это хм, действительно, вместо чат-бота, вместо платформы, вы действительно пытаетесь имитировать наличие стажера, наличие младшего сотрудника, наличие еще одной дополнительной пары рук, которая всегда там, которая хм, учится на вашей вашей вашей обратной связи. Они говорят: "Никогда больше этого не делай", и он действительно не будет этого делать. Он изучает ваш процесс. Он изучает ваш процесс, а затем он делает его настраиваемым, и он просто всегда там. Это больше не одиночный чат. Это один непрерывный чат.
Хм, так что это своего рода то, что мы, наша последняя функция, прототип, это своего рода то, я думаю, это направление, в котором все должны двигаться, это в основном как человек, с которым вы разговариваете, вы приходите и говорите: "Эй, вот пять вещей, которые мне нужно сделать", он делает это в фоновом режиме, а затем, возможно, у вас есть быстрый вопрос, например, "почему Сноу так сильно вырос", вы можете подтянуть руководство или что-то еще, и он отвечает вам, э-э, а затем предварительно запланированный, например, у нас есть что-то вроде: "Эй, предупреди меня, когда любое название в моем покрытии изменило прогноз по выручке", хм, и сегодня была горячая конференция, куча компаний фактически дали новые прогнозы, он меня помечает, это проактивно, верно?
Так что я думаю, это будущее того, как будет выглядеть инвестиционная работа, так что я думаю, один человек с ИИ может охватить гораздо больше, может быть, хм, хм, может может может расширить свой охват, может проводить более глубокий анализ, может сосредоточиться на вещах, которые действительно важны, действительно приносят прибыль, так что я думаю, это будущее, которое мы ожидаем.
>> какое какое какое захватывающее время, чтобы э-э быть инвестором или наблюдателем, или строителем в этом пространстве, потому что я как бы полностью согласен, что мы сейчас находимся на экспоненциальном росте в инвестировании, и хм, мы как бы переходим от прославленного поиска к действительно своего рода агентному клонированию процессов. Итак, большое спасибо, Ин, за то, что поделились своими мыслями об этом пространстве, и мы как бы вернем вас через несколько месяцев, чтобы как бы э-э посмотреть, сбылся ли ваш прогноз, э-э [смех]
>> сбылся, когда вы выясните этот эквивалент Google Таблиц в Excel. Дайте нам знать тоже, потому что это звучит довольно э-э
>> довольно интересно. Э-э, что э-э, как люди могут узнать больше о Implied или связаться, если у них есть э-э дополнительные вопросы?
>> Да, просто посетите www.imply.com или напишите мне по адресу yingimply.com. Хм, а затем я с удовольствием покажу вам продукт, э-э, как бы проведу вас по тому, что у нас есть. Хм, и да, рад э-э быть здесь и говорить об этом.
>> Звучит хорошо. Большое спасибо.
>> Спасибо.
>> Спасибо.