Рекомендательная система для трейдера: чему учит Moshi

Рекомендательная система для трейдеров звучит как экзотика, пока не услышишь, как её описывает человек, который десять лет сидел на энергетических деривативах. В выпуске подкаста Latent Space Анека Сокхал, основательница стартапа Moshi, рассказывает, какой инструмент ей не хватало на торговом столе, и почему она собирает его как смесь Bloomberg, Claude и Netflix. Для читателя блога про AI-инструменты здесь интересно не столько финансовое приложение, сколько архитектурные и продуктовые решения.

Что делает Moshi и откуда берутся данные

Идея простая: обработать больше данных, чем под силу человеку, и сказать, что важно для вашего портфеля прямо сейчас. Сокхал приводит наглядную цифру: пока она произносит одну фразу за четыре секунды, система успевает узнать около 300 новых вещей.

Данные она делит так, как делал бы трейдер:

• структурированные: временные ряды фьючерсов, технические индикаторы, фундаментальные данные по спросу и предложению;
• неструктурированные: новости, посты в X, аудио подкастов;
• приватные данные пользователя: подписки, аналитики, которым он доверяет, внутренние источники, например собственный подсчёт танкеров СПГ в Ормузском проливе.

Всё это чистится, размечается статистикой и ML, собирается в онтологию и кладётся в многомерный граф. Поверх граф отдаёт два режима: push, когда новое появляется при каждом открытии продукта, и pull, когда LLM отвечает за 30 секунд на вопрос, который раньше съедал дни.

Рекомендации вместо ленты новостей

Самая сильная мысль разговора касается связей второго и третьего порядка. Если вы торгуете нефтью, а энергетическая компания совершает действие, косвенно влияющее на нефть, знать об этом нужно сразу. Новостная лента такого не покажет, а связный граф покажет. Поэтому команда построила внутреннюю рекомендательную систему: она имитирует то, что раньше умел делать только опытный человек, держащий в голове всю картину.

Ведущий подкаста Свикс отмечает, что RecSys остаётся одной из самых недооценённых областей AI: на соответствующий трек конференции почти никто не ходит, хотя именно такие системы крутят YouTube, Netflix, Instagram и TikTok.

Доверие, расхождения и свои модели

Интересна и работа с шумными источниками. Пользователи следят за доверенными голосами в отрасли, например за поставщиками сырья и операторами терминалов в X. Moshi фильтрует поток и показывает оценку уверенности. Отдельная находка: расхождение источников само является сигналом. Если Reuters, Bloomberg и Wall Street Journal сообщают разное, в этом может быть возможность, потому что рынок ещё не определился.

С приватными документами команда использует собственную vision language model для разбора грязных PDF. Аргумент простой: чужие данные не хочется отправлять третьей стороне, а если в команде есть инженеры (по словам Сокхал, многие из них работали с NASA), строить своё разумнее. Но она честно оговаривается, что всё зависит от состава команды.

UI-проблема и давление на AI-инженеров

Здесь главный продуктовый вывод. Сегодня любой может быстро собрать собственный дашборд, но заставить им пользоваться другого человека уже вопрос интерфейса и привычки. Платформы вроде Spotify и Instagram удерживают тем, что сами приносят вам контент. Тезис Moshi: решив рекомендации, вы заодно решаете и UI.

Ту же тревогу Сокхал слышала от AI-инженеров на конференции. Менеджмент говорит: команда не нужна, команда это ты. Один человек должен построить систему, которую раньше делали десять. Отсюда вопросы про рой агентов и про то, что делать, если что-то сломается, и истории вроде «я построил систему, о которой просили, но в письме на неё никто не нажимает».

Вывод

Разговор показывает, где сейчас проходит граница ценности. Обработка данных и генерация ответов дешевеют, а доставка нужной информации нужному человеку в нужный момент остаётся трудной. Если вы строите агентов или внутренние инструменты, стоит думать не только о модели, но и о том, как результат сам находит пользователя. И о том, что связь между событиями часто ценнее самих событий.