Bridgewater ने अपने AI अनुसंधान सहायक Pat की पूरी डिजाइन विचारधारा को पहली बार सार्वजनिक किया है। Pat का उपयोग सैकड़ों निवेशक रोजाना कर रहे हैं, जो स्वयं डेटा खोज, विश्लेषण कोड लिखने और इंटरएक्टिव रिपोर्ट उत्पन्न कर सकता है, जिससे पहले अनुसंधानकर्ताओं को दिनों या सप्ताहों लगने वाले कार्य मिनटों में पूरे हो जाते हैं। Bridgewater की मुख्य रणनीति AI को अधिक बुद्धिमान बनाने की बजाय अधिक विश्वसनीय बनाना है, जिसमें दो स्पष्ट रूप से विभाजित बुद्धिमान प्रणालियाँ (चैट एजेंट संवाद संभालता है, कोडिंग एजेंट कोड उत्पन्न करता है) और कंपाइलर-जैसी निश्चितता तंत्र का उपयोग किया जाता है, जिससे एक ही प्रश्न को दोबारा पूछने पर 95% मामलों में पूरी तरह समान कोड उत्पन्न होता है। यह परिणाम Bridgewater के पिछले 50 वर्षों में एकत्रित बाजार डेटा, व्यापार तर्क और पद्धति संपत्ति पर निर्भर करता है।लेखक, स्रोत: AI नेटिव लैब
दुनिया का सबसे बड़ा हेज फंड, ब्रिजवॉटर, ने हाल ही में अपने आंतरिक AI सहायक पैट की पूरी डिजाइन विचारधारा को पहली बार सार्वजनिक किया।
पैट का उपयोग हर दिन सैकड़ों निवेशक कर रहे हैं। इसे एक वास्तविक शोध प्रश्न दें—जैसे "वर्तमान मध्य पूर्व संघर्ष ऐतिहासिक तेल आपूर्ति के सदमे को दोहराएगा क्या"—यह स्वयं डेटा ढूंढेगा, विश्लेषण कोड लिखेगा और इंटरएक्टिव शोध रिपोर्ट बनाएगा। पहले जितने दिनों या सप्ताहों में शोधकर्ता को काम पूरा करना होता था, अब कुछ ही मिनटों में परिणाम प्राप्त होने लगते हैं।
लेकिन ब्रिजवॉटर द्वारा इस बार सार्वजनिक किए गए सबसे महत्वपूर्ण बात यह नहीं है कि AI अनुसंधान कर सकता है, बल्कि एक अन्य बात है: उन्होंने AI को अधिक बुद्धिमान नहीं बनाया, बल्कि इसे अधिक विश्वसनीय बनाया।
AI को कई अरब डॉलर के निवेश अनुसंधान निर्णयों में शामिल करने के लिए, ब्रिजवॉटर ने अधिक शक्तिशाली मॉडल पर निर्भरता नहीं की, बल्कि AI के चारों ओर एक पूरी "निश्चितता" प्रणाली बनाई: कार्यों की योजना पहले बनाई जाती है, फिर उन्हें निष्पादित किया जाता है, कोड की अनिवार्य जांच की जाती है, परिणामों की पुनर्लब्धि योग्यता सुनिश्चित की जाती है, और किसी भी निवेशक का अनुभव स्वचालित रूप से संगठन की एक नई क्षमता में परिणत हो जाता है।
और पैट के पीछे वह रास्ता, जो AI की ओर जाता है, उसे ब्रिजवॉटर ने AI आने से पहले ही बिछा दिया था।
हाल के एक सार्वजनिक तकनीकी भाषण में, ब्रेंडन मैकमैनस, माइकल रैंड और संती वेट, जो क्रमशः ब्रिजवाटर के AI टीम, निवेश और तकनीक के प्रमुख हैं, ने पैट की पूरी डिजाइन विचारधारा को पहली बार सामने रखा।
डेटा इकट्ठा करना — यह काम ब्रिजवॉटर ने लगभग 50 साल तक किया है। बरेन का स्पीच 1980 के एक पीले कानूनी स्टिकी नोट से शुरू हुआ।
यह ब्रिजवॉटर का पहला बॉन्ड ट्रेडिंग सिस्टम था। संस्थापक रे डालियो ने एक नियम बनाया: हर ट्रेड के बाद, आपको इसके पीछे के कारण-परिणाम के तर्क को एक-एक करके लिखना होगा। लिखने से ही दूसरे इसे देख सकते हैं, आपकी गलतियाँ ढूंढ सकते हैं, और आपकी सुधार में मदद कर सकते हैं। जब भी आप कुछ नया सीखते हैं, पुराने नियम को काट दें और एक नया नियम लिखें।
इस बात को ब्रिजवाटर ने लगभग 50 साल तक किया है। प्रत्येक ट्रेडिंग निर्णय के पीछे का तर्क, प्रत्येक बाजार निर्णय की विधि, और प्रत्येक विफलता से सीखा गया सब कुछ एक ऐसे एक्सपर्ट सिस्टम में कोड कर दिया गया है जो मनुष्यों के लिए पढ़ने योग्य है और मशीनों के लिए भी पढ़ने योग्य है। बुरेन के शब्दों में: "हमें AI के लिए अचानक क्वालिटी की पुस्तकालय बनाने की आवश्यकता नहीं है। ये डेटा पहले से ही वहाँ मौजूद हैं।"
यह अंतर, AI का उपयोग करने वाले सभी व्यवसायों के लिए सबसे मूलभूत विभाजन बिंदु हो सकता है। यह नहीं कि किसका मॉडल बेहतर है, बल्कि यह है कि AI से पहले किसका डेटा पहले से ही व्यवस्थित किया गया था।
ब्रिजवॉटर की एआई रणनीति दो रेखाओं पर आधारित है।
पहली लाइन एक निवेशक के रूप में AI को समझना है—AI की आपूर्ति और मांग की संरचना, निर्माण चक्र, और मैक्रो और बाजार पर प्रभाव का अध्ययन करना, जैसे कि वे पिछले समय में महामारी और तेल आपूर्ति के सदमे का अध्ययन करते थे। दूसरी लाइन एक व्यावहारिक व्यक्ति के रूप में AI का उपयोग करके अपनी शोध प्रक्रिया को बदलना है—अंतिम लक्ष्य एक "कृत्रिम निवेशक" बनाना है, जो मानव निवेशकों द्वारा प्रतिदिन किए जाने वाले सभी कार्यों को पुनः बनाए। पैट एक चरण—अनुसंधान और विश्लेषण—के लिए जिम्मेदार है।
टेक्नोलॉजी के बारे में बात करने से पहले, बुरेन ने एक ऐसा आयाम बताया जिसे अक्सर नज़रअंदाज़ किया जाता है: संगठन।
उन्होंने इस प्रोजेक्ट को आईटी विभाग को नहीं सौंपा। उन्होंने एक "आंतरिक उद्यमी टीम" बनाई—निवेशक, इंजीनियर और वैज्ञानिक एक साथ क्रॉस-फंक्शनल रूप से बैठे, छोटी टीमें एजाइल रूप से इटरेट करती हैं, जबकि ब्रिजवॉटर के बड़े संगठनात्मक संसाधनों का उपयोग करती हैं।
निवेशक की भूमिका लक्ष्य निर्धारित करना है—क्या अध्ययन करने योग्य है। इंजीनियर की भूमिका वास्तुकला का निर्माण करना है—सिस्टम को कैसे बनाया जाए ताकि यह स्थिर रहे। वैज्ञानिक की भूमिका कठोर मूल्यांकन है—कैसे निर्धारित किया जाए कि पैट के विश्लेषण की गुणवत्ता वास्तव में सुधर रही है, और केवल "अच्छी लग रही है" नहीं।
हजारों निवेशक रोजाना इसका उपयोग कर रहे हैं और निरंतर वास्तविक प्रतिक्रिया संकेत प्रदान कर रहे हैं। जब यह फ्लायव्हील घूमना शुरू हो जाता है, तो उत्पाद के विकास की दिशा प्रोडक्ट मैनेजर के अनुमान पर निर्भर नहीं होती, बल्कि सैकड़ों विशेषज्ञ उपयोगकर्ताओं के व्यवहार द्वारा प्रेरित होती है।
दो एजेंट, प्रत्येक अपना काम संभालता है। पैट की सिस्टम आर्किटेक्चर एक एकल, सर्वशक्तिमान मॉडल द्वारा संचालित नहीं होती है। यह दो स्वतंत्र बुद्धिमान एजेंटों द्वारा कार्यों का विभाजन करती है।
एक चैट एजेंट है। यह केवल निवेशकों के साथ बातचीत करता है और केवल निवेश से संबंधित विषयों पर चर्चा करता है — "यह डेटा पर्याप्त है?", "क्या हमें एक और दृष्टिकोण देखना चाहिए?", "वर्तमान संस्करण में कौन से कारक प्रमुख हैं?"। निवेशक प्रोग्रामर नहीं होते, इसलिए उन्हें कोड के बारे में चिंता करने की आवश्यकता नहीं है। इसलिए, यह चैट एजेंट पूरी तरह से कोई तकनीकी विवरण प्रकट नहीं करता — बातचीत से, उपयोगकर्ता को पता नहीं चलता कि पीछे कोड चल रहा है।
एक और कोडिंग एजेंट है। यह उपयोगकर्ता से बात नहीं करता। इसका कार्य केवल एक ही है: चैट एजेंट द्वारा उत्पन्न योजना को Python और Pandas कोड में "कंपाइल" करना।
संती ने कहा कि अलग होने से तीन अप्रत्याशित लाभ हुए।
पहला, निवेशकों का अनुभव अधिक प्राकृतिक होता है—यह एक प्रोग्रामिंग टूल की तरह नहीं, बल्कि एक अनुभवी शोध सहायक की तरह काम करता है। दूसरा, दोनों बुद्धिमान एजेंट स्वतंत्र रूप से विशेषज्ञता रखते हैं और उनके संदर्भ एक-दूसरे को प्रदूषित नहीं करते—निवेश पर चर्चा करने वालों को कोड की चिंता नहीं करनी पड़ती, और कोड लिखने वालों को निवेश के अर्थ को समझने की आवश्यकता नहीं होती। तीसरा, संवाद प्रक्रिया को एक विश्वसनीय, स्थिर कार्यप्रवाह में उत्पादित किया जा सकता है, न कि कुछ बिखरे हुए ज्ञान के रूप में।
कंपाइलर-जैसी निर्धारणात्मकता: एक ही प्रश्न दो बार पूछने पर, 95% मामलों में कोड बिल्कुल समान होता है। यह पैट के पूरे आर्किटेक्चर का सबसे अधिक तकनीकी हिस्सा है।
संती कहते हैं कि इस ऐसे स्थिति में, जहाँ सटीकता की बहुत बड़ी आवश्यकता है—कई दसों अरब डॉलर के पोजीशन—vibe coding पर भरोसा नहीं किया जा सकता। vibe coding की समस्या यह है कि आप हर बार अलग परिणाम प्राप्त करते हैं, इस बार सही होना इस बात का आश्वासन नहीं देता कि अगली बार भी सही होगा। एक हेज फंड के लिए, इस अनिश्चितता को सहन नहीं किया जा सकता।
इसलिए उसने agentic coding को कंपाइलर समस्या के रूप में हल किया।
पहला कदम, योजना एक टू-डू लिस्ट नहीं है, बल्कि "पायथन प्रोजेक्ट का प्राकृतिक भाषा संस्करण" है। योजना में इस विश्लेषण के दौरान उत्पादित सभी डेटाफ्रेम, प्रत्येक टेबल के क्षेत्र और संरचना, और टेबल के बीच के निर्भरता संबंधों को पहले से ही लिख दिया जाता है। प्रत्येक उप-कार्य एक पायथन फ़ंक्शन की तरह होता है—जिसमें स्पष्ट इनपुट निर्भरता और आउटपुट मानक होते हैं। लक्ष्य यह है कि एक ही योजना को विभिन्न बड़े मॉडल उदाहरणों द्वारा निष्पादित किया जाए, तो उत्पन्न कोड सेमेंटिकली पूरी तरह समान हों और आउटपुट पूरी तरह समान हो।
दूसरा चरण, कोड समानांतर रूप से उत्पन्न किया जाता है। चूंकि स्पष्ट निर्भरता आरेख है, सिस्टम पहले स्थैतिक विश्लेषण करता है, जिससे एक DAG (निर्देशित अचक्रीय ग्राफ) प्राप्त होता है, और फिर स्तरवार समानांतर रूप से कोड उत्पन्न किया जाता है। 3 डेटा तालिकाओं और 30 डेटा तालिकाओं वाले एक विश्लेषण में, कोड उत्पादन का समय लगभग समान होता है।
तीसरा कदम, यह सुनिश्चित करना कि "एजेंट खुद यह निर्णय नहीं लेता कि जांच करनी है या नहीं।" संती ने विशेष रूप से जोर दिया कि उनका हैरन्स सामान्य Python कोड है—जांच अनिवार्य है और आर्किटेक्चर में कोड किया गया है। "एक एजेंट 'भूल' सकता है कि जांच करनी है, लेकिन एक निश्चित कोड पाइपलाइन नहीं।" इस सीमा के तहत, उन्होंने टेस्ट सूट पर प्राप्त परिणाम यह हैं: एक ही योजना द्वारा दो बार उत्पन्न कोड, 95% मामलों में पूरी तरह समान होता है।
चरण 4: निष्पादन के दौरान, बड़े मॉडल को कोड चलाने की आवश्यकता नहीं होती। यह पारंपरिक स्थैतिक विश्लेषण पाइपलाइन का उपयोग करता है, जिसमें कैश टैग स्वचालित रूप से डाले जाते हैं—जो डेटा पहले ही लोड हो चुके हैं, और कौन सी गणनाएँ पहले ही पूरी हो चुकी हैं, इसलिए दूसरी बार उन्हें दोबारा नहीं करना पड़ता। परिणामस्वरूप, यदि उपयोगकर्ता केवल एक ग्राफ के शीर्षक को बदलता है, तो पारंपरिक उपकरण पूरे विश्लेषण प्रक्रिया को दोबारा चला सकते हैं, जबकि पैट लगभग तुरंत परिणाम प्रदान करता है। हर बार संशोधन करने पर यह और तेज़ होता जाता है।
डेटा प्राप्ति में एक कदम अधिक है—प्रारंभिक विश्लेषण से पहले, पैट को डेटा खोजना होगा।
ब्रिजवाटर के पास दो डेटाबेस हैं। एक असंरचित है—कई मिलियन सेक्युरिटीज रिसर्च रिपोर्ट, फाइनेंशियल रिजल्ट्स कॉल मिनट्स, आंतरिक ईमेल और मेमो, जो नियमित रूप से नियमित रूप से अपडेट होते हैं और प्रतिदिन हजारों नए जोड़े जाते हैं। दूसरा संरचित है—दर्ज़ों अरब समय श्रृंखला डेटा, जिसमें बाहरी डेटा (तेल की कीमतें, सूचकांक) और आंतरिक मॉडलिंग की अवधारणाएँ (जैसे "हम 12 महीने के बाद मुद्रास्फीति की दर का अनुमान लगा रहे हैं") शामिल हैं।
खुद की खोज में RAG और पुनर्व्यवस्था जैसे सामान्य तरीके का उपयोग किया गया। लेकिन संती की टीम ने पाया कि एक "मानवीय समीक्षा" चरण जोड़ने के बाद, सही परिणामों की सटीकता लगभग 50% से लगभग 90% तक बढ़ गई।
"मानवीय जांच" का अर्थ है कि एक डेटा सीरीज को ढूंढने के बाद, केवल नाम मिलान पर ही निर्भर न करें—बल्कि एक मानव शोधकर्ता की तरह जांचें: इसकी आवृत्ति सही है? क्रिप्टोकरेंसी सही है? मान आपके पहले से मौजूद निष्कर्षों के साथ संगत हैं? यह चरण अस्पष्ट कीवर्ड खोज को निर्णय-आधारित डेटा सत्यापन में बदल देता है।
पैट के पास दो स्व-उन्नति तंत्र हैं।
इम्प्लिसिटली: बैकग्राउंड एजेंट स्वचालित रूप से पूर्ण संवादों का स्कैन करता है, विफलता के पैटर्न की पहचान करता है, वेरिफिकेशन बेंचमार्क बनाता है, सुनिश्चित करता है कि समस्या को पुनः उत्पन्न किया जा सकता है, और फिर इस बेंचमार्क को पास करने तक पैट के ज्ञान भंडार और सिस्टम निर्देशों को स्वचालित रूप से इटरेट करता है।
अधिक सीधा और स्पष्ट। यदि उपयोगकर्ता विश्लेषण के दौरान महसूस करता है कि Pat बेहतर कर सकता था—जैसे कि एक और ग्राफ़ बनाना चाहिए था, या एक कोण को पहले से सोचना चाहिए था—तो वह "इसे सिखाएं" बटन पर क्लिक कर सकता है।
सिस्टम पूरी बातचीत को स्वचालित रूप से पीछे की ओर जांचेगा, ताकि पता चल सके कि यह व्यवहार में त्रुटि है, संदर्भ की कमी है, या उपयोगकर्ता का निर्देश पहले से ही पूर्वानुमानित हो सकता था। फिर यह स्वचालित रूप से एक "असफल होना चाहिए" वैलिडेशन केस जनरेट करेगा, सुनिश्चित करेगा कि समस्या पुनर्निर्मित की जा सकती है, ज्ञान भंडार को स्वचालित रूप से संशोधित करेगा जब तक कि यह केस सफल न हो जाए, और फिर सभी मौजूदा वैलिडेशन को दोबारा चलाएगा ताकि कोई नया समस्या न उत्पन्न हो। अंत में, एक Pull Request Slack में भेजा जाएगा, जिसे मानवीय समीक्षा के बाद मर्ज किया जाएगा।
अगली बार जब कोई भी इसी तरह का सवाल पूछे, तो वह सुधारित संस्करण प्राप्त करेगा।
निम्नलिखित भाषण पाठ है, जिसे AI की सहायता से अनुवादित किया गया है:
ब्रेंडन मैकमैनस, ब्रिजवाटर फंड के एआई टीम के प्रमुखनमस्ते, मेरा नाम ब्रेंडन मैकमैनस है, मैं ब्रिजवाटर एसोसिएट्स के एआई अनुप्रयोग टीम का प्रमुख हूँ। ब्रिजवाटर एक सिस्टमैटिक मैक्रो हेज फंड है। मैं ब्रिजवाटर में लगभग दस साल से काम कर रहा हूँ, शुरुआत में एक सॉफ्टवेयर इंजीनियर के रूप में, और बाद में एक सिस्टमैटिक निवेशक और शोधकर्ता बन गया। पिछले कुछ वर्षों में, मैंने निवेश और प्रौद्योगिकी के बीच के अंतर को पूरा करने पर ध्यान केंद्रित किया है।आज, मैं अपने सहयोगी माइकल रैंड और सांटी वेट के साथ यहाँ आया हूँ। दोनों क्रमशः इस प्रोजेक्ट के निवेश और तकनीकी प्रमुख हैं। हम आपको अपने आंतरिक रूप से विकसित एक उत्कृष्ट उपकरण, पैट — “पॉकेट एनालिस्ट” (Pocket Analyst) — के बारे में बताएँगे।इस भाषण के अंत तक, आप देखेंगे कि हमने एक AI विश्लेषक कैसे बनाया है, जो विशेषज्ञों को घंटों लगने वाले शोध को कुछ मिनटों में पूरा कर सकता है।यह उपकरण अभी कंपनी के अंदर लागू किया गया है और सैकड़ों निवेशकों द्वारा उपयोग किया जा रहा है; और यह प्रत्येक बार की बातचीत से लगातार सीखता है। इसके अलावा, हम आपको दिखाएंगे कि हमने इस प्रणाली को कैसे डिज़ाइन और बनाया है।अपने बनाए गए उत्पाद को आधिकारिक रूप से प्रस्तुत करने से पहले, मैं ब्रिजवॉटर के AI के प्रति दृष्टिकोण का संक्षेप में परिचय देना चाहूँगा।ब्रिजवाटर ने दशकों—सटीक रूप से 50 वर्ष—तक बाजार और अर्थव्यवस्था के नियमों को एक ऐसी प्रणाली में कोडित करने पर विचार किया है, जो लगातार चक्रवृद्धि वृद्धि कर सके। और यह सब वास्तव में आपके स्क्रीन पर दिख रही चीज़ से शुरू हुआ: हमने 1980 में पीले स्टिकी नोट पर बॉन्ड सिस्टम लिखा।मूल विचार बहुत सरल है: जब भी आप कोई लेन-देन करना चाहें, तो उस लेन-देन के लिए आपके द्वारा मानी जाने वाली नियमों को स्पष्ट रूप से लिख लें; उसमें वास्तविक कारण-परिणाम तर्क को लिखें। क्योंकि एक बार आप ऐसा कर लें, तो अन्य निवेशक आपके द्वारा लिखित सामग्री को देख सकते हैं, आपको यह बता सकते हैं कि कहाँ गलती हुई, और पूरी प्रक्रिया में सुधार में मदद कर सकते हैं।जब भी आप कुछ नया सीखते हैं, तो एक पुराना नियम काट दें और एक नया नियम लिखें। इससे एक बहुत शक्तिशाली सीखने की प्रक्रिया बनती है, जो पिछले 50 वर्षों में ब्रिजवॉटर के सभी कार्यों की नींव है।कई दशकों से, हमने इस प्रक्रिया को बहुत अधिक जमा किया और मजबूत किया है। हमने अपने द्वारा किए गए हर लेन-देन, उनके तरीके और कारणों के बारे में हर अनुभव, हर विधि और हर नियम को एक ऐसे एक्सपर्ट सिस्टम में कोड कर दिया है, जिसे मशीन और मनुष्य दोनों समझ सकते हैं।आज हमारे पास अत्यंत समृद्ध डेटा संपत्ति है। और यही डेटा हमें AI युग का सामना करने में सक्षम बनाता है। हमें बस इतना करना है कि बुद्धिमान एजेंट के लिए सभी चीजों को फिर से रिकॉर्ड करने की आवश्यकता नहीं है—ये चीजें पहले से मौजूद हैं और हम इनका उपयोग कर सकते हैं।इस टूल को आगे बढ़ाने से पहले, मैं ब्रिजवाटर के व्यापक स्तर पर AI के अनुप्रयोग और बुझने के बारे में बात करना चाहता हूँ। हम इस मामले को दो कोणों से आगे बढ़ाते हैं।पहला दृष्टिकोण यह है: निवेशक के रूप में, हमें विश्व बाजार और अर्थव्यवस्था को आकार दे रहे प्रत्येक महत्वपूर्ण प्रवृत्ति और गतिविधि को गहराई से समझना चाहिए।जिस प्रकार हमें कोविड-19 महामारी या हाल के तेल आपूर्ति सदमे को समझना आवश्यक है, उसी प्रकार हमें AI को समझना आवश्यक है। AI के क्षेत्र में आपूर्ति और मांग का असंतुलन किस रूप में प्रस्तुत हो रहा है? बुनियादी ढांचे के निर्माण और विस्तार को बढ़ावा देने वाले कारक क्या हैं? ये कारक अंततः बाजार पर कैसे प्रभाव डालेंगे?हम निवेशकों के लिए, इन समस्याओं को समझना केवल एक बुनियादी बाध्यता है।दूसरा पहलू AI का उपयोग प्रैक्टिशनर के रूप में करना है, जो आज हम मुख्य रूप से चर्चा कर रहे हैं।प्रैक्टिशनर्स के रूप में, हम AI को अनुसंधान प्रक्रिया के सभी चरणों में लागू कर रहे हैं, जिसका अंतिम लक्ष्य एक "कृत्रिम निवेशक" बनाना है—जो हमारे मानव निवेशकों द्वारा प्रतिदिन किए जाने वाले सभी कार्यों को संपन्न कर सके।तो, मानव निवेशक वास्तव में क्या कर रहे हैं?हम इसे एक "अनुसंधान चक्र" के रूप में देखते हैं। निवेशक लगातार बाहरी दुनिया में हो रही चीजों को समझते हैं, और यह पूछते हैं कि क्या सच है, और मैंने क्या छोड़ दिया; फिर इन प्रश्नों के उत्तर देने के लिए विश्लेषणात्मक अनुसंधान करते हैं; इसके बाद अनुसंधान की खोजों को एकीकृत करते हैं; अंत में, सीखी गई सभी बातों को हमारी लगातार बढ़ती हुई ज्ञान प्रणाली और विशेषज्ञ प्रणाली में वापस शामिल कर लेते हैं।यहां अंतिम कदम विशेष रूप से महत्वपूर्ण है।इस प्रक्रिया से प्राप्त सभी ज्ञान को एक साझा स्मृति प्रणाली में संग्रहीत किया जाएगा, जिसे मनुष्य आगे भी उपयोग कर सकते हैं।इसलिए, आप कल्पना कर सकते हैं: यदि एक कृत्रिम निवेशक बनाना है, तो उसे अनुसंधान प्रक्रिया के प्रत्येक अलग-अलग चरणों को पूरा करने में सक्षम होना चाहिए। आप विभिन्न अलग-अलग सब-एजेंट्स का निर्माण करने की कल्पना कर सकते हैं, जो प्रत्येक अनुसंधान चक्र के एक विशिष्ट चरण पर केंद्रित हों।यही हम एआई का उपयोग करने का तरीका है। हम मानव निवेशकों द्वारा किए जाने वाले विभिन्न कार्यों के लिए विशेष उप-बुद्धियाँ बनाते हैं और उन्हें हमारे पिछले 50 वर्षों में एकत्रित एक ही सेट के ज्ञान और समझ का उपयोग करने के लिए प्रेरित करते हैं।हालांकि, आज हम केवल एक एजेंट पर चर्चा करेंगे: यह अनुसंधान प्रक्रिया के "जांच" चरण पर केंद्रित है, जिसमें मानव विश्लेषकों को कई दिनों से लेकर कई सप्ताह तक लगने वाली गहन विश्लेषण कार्य शामिल हैं।हमने इस उपकरण का नाम पैट रखा है, जो "पॉकेट एनालिस्ट टूल" (Pocket Analyst Tool) के लिए है।यहां पहले यह स्पष्ट कर लें कि पैट हमारे व्यापार के तरीके में सीधे शामिल नहीं है। इसका वास्तविक उपयोग गहन अन्वेषणात्मक शोध करना है, ताकि निवेशक उन समस्याओं का अध्ययन कर सकें जिनका पहले समय और ऊर्जा की कमी के कारण वे अध्ययन नहीं कर पाए थे।तो, हमने वास्तव में क्या बनाया?हमने इस पॉकेट एनालिस्ट टूल को पैट के नाम से बनाया है। पहले दिन से ही, इसकी उत्पाद विनिर्देश सरल थे: पैट को हमारे मानव निवेशकों द्वारा जांच और विश्लेषण के कार्यों को पूरा करने में सक्षम होना चाहिए।और यह पहले और सबसे अधिक डेटा क्षमता का अर्थ है।पैट को हमारे आंतरिक सभी प्रकार के डेटा को खोजना और पढ़ना सक्षम होना चाहिए, जिसमें शामिल हैं:संरचित समय श्रेणी डेटा, जैसे कि दशकों तक के स्टॉक मूल्य;असंरचित डेटा, जैसे हमारे द्वारा सदस्यता ली गई ब्रोकर/व्यापारी अनुसंधान रिपोर्ट्स;हमारे द्वारा तैयार की गई शोध स्मृति।Pat को इन सभी चीजों को खोजना और पढ़ना सक्षम होना चाहिए।Pat को मानव विश्लेषकों द्वारा उपलब्ध विभिन्न उपकरणों का उपयोग करने की क्षमता होनी चाहिए, जिनमें हमारे द्वारा स्वयं विकसित दृश्यीकरण उपकरण, निदान उपकरण, और मूल्यांकन सूचकांक विचारों की गुणवत्ता के लिए उपकरण शामिल हैं।इसके अलावा, मुझे लगता है कि तकनीकी दर्शकों के लिए यह विशेष रूप से दिलचस्प है: पैट द्वारा चलाए जाने वाले कई विश्लेषण एक बार में मानव विश्लेषकों को कई घंटे लगते हैं।इसका अर्थ है कि विश्लेषण स्वयं काफी जटिल है। इसलिए, पैट का विश्लेषण पूरी तरह से निदानयोग्य होना चाहिए—न केवल मानवों के लिए निदान करने में सक्षम हो, बल्कि बैकग्राउंड में चल रहे एजेंट्स के लिए भी जो निष्पादन ट्रेस को पढ़ सकें, प्रक्रिया को समझ सकें, और प्रत्येक गणना की सही पुष्टि कर सकें।इसके अलावा, मुझे लगता है कि पिछले 50 वर्षों में सतत रूप से दर्ज और इकट्ठा किए गए ज्ञान का यहाँ वास्तविक मूल्य प्रारंभ हो रहा है: पैट हमारे सम्पूर्ण संदर्भ को जानते हैं।यह हमारी निवेश प्रक्रिया और ढांचे तक पहुंच सकता है; यह सटीक रूप से जानता है कि हमारे विश्लेषकों को कैसे काम करना चाहिए, क्योंकि पिछले 50 वर्षों से हम इन चीजों को दर्ज करते आए हैं।अंत में, पैट को सीखने में सक्षम होना चाहिए।यह केवल किसी एक निवेशक के लिए अध्ययन के परिणाम जमा करना ही नहीं, बल्कि कंपनी के हर निवेशक के लिए इन अध्ययन के परिणामों को जमा करना और उन पर चक्रवृद्धि ब्याज देना भी आवश्यक है।Pat आज एक प्रोटोटाइप उत्पाद नहीं है। यह वास्तव में कई महीनों पहले आंतरिक रूप से डिप्लॉय किया जा चुका है और वर्तमान में सैकड़ों निवेशक इसे रोजाना उपयोग कर रहे हैं।इससे एक काफी शक्तिशाली सुधार चक्र उत्पन्न होता है: जब निवेशक पैट का उपयोग वास्तविक अनुसंधान के लिए करते हैं, तो बैकग्राउंड में एजेंट लगातार चलते रहते हैं, इन बातचीतों को स्कैन करते हैं, पैट की गलतियों की पहचान करते हैं, और मानव द्वारा समीक्षित बेंचमार्क बनाते हैं; इसके बाद, ये खोजें हमें पैट के लिए संदर्भ सामग्री और चलाने के ढांचे में सुधार करने के लिए प्रेरित करती हैं।इसलिए, पैट के सुधार केवल एक व्यक्ति के लिए नहीं, बल्कि सभी के लिए हैं।अंत में, उत्पाद का परिचय देने से पहले, मैं एक ऐसे अक्सर पूछे जाने वाले प्रश्न का उत्तर देना चाहूँगा: 50 साल पुरानी एक हेज फंड कैसे आप जिसे अभी देखने वाले हैं, उस प्रकार का उत्पाद बना पाई?सब कुछ इससे शुरू होता है: आपके पास खुद को फिर से बनाने की क्षमता और इच्छा होनी चाहिए।पैट की टीम का निर्माण, जो मूल रूप से कंपनी के भीतर एक एआई स्टार्टअप टीम के रूप में विकसित किया गया है। हम बेहद लचीले और त्वरित ढंग से कार्य कर सकते हैं, साथ ही पूरी कंपनी के संसाधनों का उपयोग भी कर सकते हैं।इसके अलावा, हमने निवेशकों, तकनीकी विशेषज्ञों और वैज्ञानिकों के साथ मिलकर काम करने वाली टीम बनाई है, जो एक साथ उत्पाद विकसित कर रहे हैं।मुझे लगता है कि अगर आप विशेषज्ञ उपयोगकर्ताओं के लिए ऐसा उत्पाद बना रहे हैं, तो यह अत्यंत महत्वपूर्ण है।Investors bring business context and domain expertise;टेक्निकल टीम सिस्टम आर्किटेक्चर क्षमता लाती है;Scientists bring rigor.एक एआई सिस्टम विशेषज्ञ उपयोगकर्ताओं के लिए बनाने के लिए, ऐसी बहु-भूमिका टीम अनिवार्य है।एक्सपर्ट उपयोगकर्ताओं की बात करें, तो हमारे अंदर सैकड़ों लोग विभिन्न AI टूल्स का उपयोग कर रहे हैं, जिनमें आप जल्द ही देखने वाले Pat भी शामिल हैं। वे रोजाना सिग्नल्स प्रदान कर रहे हैं, जिससे हम यह निर्णय ले सकें कि इन टूल्स को कैसे लगातार विकसित और सुधारा जाए।अंत में, हमारे पास एक बहुत ही उत्कृष्ट, निरंतर चक्रवृद्धि के लिए उपलब्ध पारिस्थितिकी तंत्र है: 50 वर्षों का डेटा, उपकरण और विधियों का संग्रह। ये संसाधन न केवल मानव विश्लेषकों के लिए उपलब्ध हैं, बल्कि एजेंट्स के लिए भी हैं, जो हमारी "पूर्ण मानवीय निवेशक" के निर्माण की दीर्घकालिक यात्रा में सहायता करते हैं—जो आज मानव द्वारा किए जा सकने वाले सभी कार्यों को पूरा करने में सक्षम हो।अब, मैं अपने निवेश प्रमुख माइकल रैंड को समय देता हूँ। वह हमारे द्वारा बनाए गए उत्पाद का प्रदर्शन करेंगे और इसकी उत्पाद आर्किटेक्चर का परिचय देंगे।ब्रिजवॉटर पॉकेट एनालिस्ट प्रोग्राम के निवेश प्रमुख माइकल रैंडठीक है, धन्यवाद ब्रेनन।मैं माइकल रायन हूँ, पॉकेट एनालिस्ट प्रोग्राम के निवेश प्रमुख। मेरा संक्षिप्त परिचय: मैं पांच वर्षों से ब्रिजवॉटर में काम कर रहा हूँ, जहाँ मैंने शुरुआत तकनीकी विशेषज्ञ के रूप में की, लेकिन उसके बाद मुख्य रूप से निवेश से संबंधित पदों पर रहा हूँ।वर्तमान में, मेरा सबसे प्रमुख ध्यान केंद्रित मुद्दा यह है: हमारी निवेश प्रक्रिया में AI को कैसे एकीकृत किया जाए।अगला, मैं पॉकेट एनालिस्ट का सीधा प्रदर्शन करना चाहता हूँ, जिससे इसकी क्षमताएँ और ब्रिजवॉटर के निवेशक कैसे इसका उपयोग करते हैं, दिखाई देंगी।आपके पीछे के स्क्रीन पर पैट का होमपेज दिख रहा है, जिसमें हम आज के प्रदर्शन के लिए उपयोग कर रहे प्रॉम्प्ट्स शामिल हैं।हमने पैट से मांग की है कि वह निकट भूमध्य सागरीय संघर्ष के प्रति बाजार की प्रतिक्रिया का अध्ययन करे और वर्तमान घटनाओं की तुलना समान ऐतिहासिक घटनाओं से करे। अंत में, हमने पैट से एक सीरीज़ विज़ुअलाइज़ेशन तैयार करने का अनुरोध किया है, जो वर्तमान स्थिति और अतीत के तेल आपूर्ति सदमों के बीच समानताओं और अंतरों को उजागर करे।यह वह वास्तविक समस्या है जिस पर ब्रिजवॉटर पिछले कुछ महीनों से काम कर रहा है, और पैट का उपयोग हमारी शोध प्रक्रिया को तेज करने के लिए निवेशकों द्वारा किया जाता रहा है।हालाँकि, इस अनुरोध को जमा करने से पहले, मैं चाहता हूँ कि हम इस बारे में थोड़ा समय बिताएं कि हमने पैट रनटाइम फ्रेमवर्क डिज़ाइन करते समय एक दिलचस्प सुरक्षा समस्या का सामना किया।हमारा आधार यह है कि यदि पैट को वास्तव में कारगर होना है, तो इसे निवेशकों के अध्ययन के दौरान पहुँचने योग्य सभी जानकारी तक पहुँच प्राप्त होनी चाहिए।लेकिन समस्या यह है कि ब्रिजवॉटर में, विभिन्न निवेशकों को अलग-अलग जानकारी तक पहुंच प्राप्त होती है।उदाहरण के लिए, कोई निवेशक हमारी सभी बाजारों पर वर्तमान स्थिति देखने के लिए अधिकृत हो सकता है। इस व्यक्ति के लिए, उसका उपयोग किया जा रहा Pat भी इस प्रकार की जानकारी तक पहुँच सकना चाहिए।लेकिन इसी समय, कुछ विश्लेषक इन जानकारियों से परिचित नहीं हैं। इसलिए, यह भी अत्यंत महत्वपूर्ण है कि हम इन सुरक्षित बौद्धिक संपदा या संवेदनशील जानकारियों को इन विश्लेषकों को अनजाने में न दे दें।इसलिए, क्लॉड कोड जैसे ऐसे फ्रेमवर्क से अलग जहां सभी का एक ही सिस्टम प्रॉम्प्ट और एक ही टूल होता है, ब्रिजवाटर में प्रत्येक व्यक्ति के पास पैट का एक अद्वितीय संस्करण होता है, जो उस उपयोगकर्ता द्वारा देखे जा सकने वाले और नहीं देखे जा सकने वाले डेटा के आधार पर कस्टमाइज़ किया गया होता है।व्यावहारिक रूप से, इस अंतर का मूल कारण प्रत्येक व्यक्ति के पास उपलब्ध संदर्भ और उपकरण होते हैं।अब, हम इस प्रॉम्प्ट को सबमिट करते हैं। विश्लेषण शुरू होने के बाद, पैट पहला कदम इंटरनेट और हमारे आंतरिक असंरचित डेटा भंडार की खोज करना है, ताकि वह आज के संसार में क्या हो रहा है, उसे बेहतर ढंग से समझ सके और इसे ऐतिहासिक संदर्भ में समझ सके।आधुनिक चैट ऐप्स के लिए, वेब खोज केवल एक बुनियादी क्षमता है।लेकिन यहाँ वास्तविक अंतर यह है कि पैट विभिन्न सूचना स्रोतों के हमारे सदस्यता के कारण बहुत व्यापक असंरचित सामग्री को खोज सकता है।हमारे पास दुनिया भर की जानकारी को कवर करने वाला लाखों दस्तावेजों का डेटाबेस है, जिसमें शामिल हैं:ब्रोकर रिसर्च रिपोर्ट;Earnings call transcript;इंटरनल ईमेल;और अधिक।यह डेटाबेस लगभग रियल-टाइम में अपडेट होता है और प्रतिदिन हजारों नए कंटेंट जोड़े जाते हैं।यह मेरे द्वारा अभी तक कहे गए बिंदु को भी समर्थन देता है: यदि पैट को वास्तविक रूप से लीवरेज प्रदान करना है, तो इसे अपने उपयोगकर्ताओं के द्वारा उपलब्ध सभी जानकारी तक पहुंचनी होगी, ताकि यह उपयोगकर्ता की वास्तविक कार्यप्रणाली को जितना संभव हो सके उतना समान बनाया जा सके।इन संदर्भों को इकट्ठा करने के बाद, पैट अपने समय श्रृंखला डेटाबेस में विश्लेषण पूरा करने के लिए आवश्यक डेटा खोजेगा।यह डेटाबेस करोड़ों समय श्रेणी डेटा बिंदुओं को शामिल करता है, जो हमारे द्वारा पिछले 50 वर्षों में आंतरिक रूप से मॉडलिंग और संचयित किए गए हैं।इसमें बाहरी दुनिया से डेटा शामिल है, जैसे तेल की कीमतें; और हमारे आंतरिक निष्कर्ष, जैसे हमारा अगले 12 महीनों के लिए मुद्रास्फीति स्तर का अनुमान।सर्च एजेंट कुछ पारंपरिक सर्च तकनीकों का उपयोग करेगा, जैसे RAG (रिट्रीवल-एन्हांस्ड जनरेशन), रीरैंकिंग आदि।लेकिन हमने यह पाया कि इसमें मानव शोधकर्ता के समान "जांच" चरण शामिल करना वास्तव में बड़ा सुधार लाता है।मेरा मतलब है, जब मानव शोधकर्ता डेटा ढूंढते हैं, तो वे केवल समय श्रृंखला के नाम पर नजर नहीं डालते। वे बहुत कुछ देखते हैं, जैसे:इस अनुक्रम की आवृत्ति;इस अनुक्रम में उपयोग किया जाने वाला मुद्रा;सबसे महत्वपूर्ण बात यह है कि अनुक्रम के मान उनके मूल निर्णय और पूर्वाग्रहों के साथ संगत हैं या नहीं।इस प्रकार के तर्क तंत्र को हमारे खोज एजेंट में एम्बेड करके हमने अपनी सटीकता लगभग 50% से बढ़ाकर 90% कर ली।जब पैट को आवश्यक संदर्भ और डेटा प्राप्त हो जाता है, तो यह उपयोगकर्ता से स्पष्टीकरण प्रश्न पूछता है और विश्लेषण प्रक्रिया में आगे जांचने योग्य अन्य दृष्टिकोणों का प्रस्ताव भी कर सकता है।पैट के विकास के दौरान, हमने एक दृष्टिकोण विकसित किया: योजना स्वयं विश्लेषण है।अगर हम एक उच्च गुणवत्ता वाली, पर्याप्त विस्तृत योजना बना सकते हैं, तो हमें इस योजना को लगातार और बुद्धिमानी से लागू करने और हम जो परिणाम चाहते हैं, उसे प्राप्त करने का आत्मविश्वास है।Santi इस बात का बाद में अधिक विस्तार से उल्लेख करेंगे।अब, चैटबॉट्स में एजेंट्स के प्रश्न पूछना आम बात हो गई है। लेकिन हम वास्तव में इन प्रश्नों की सामग्री पर ध्यान केंद्रित कर रहे हैं।हमने इस क्षमता को आकार देने के लिए बहुत समय और प्रयास लगाया है, और पैट को सिखाया है कि अच्छा शोध प्रश्न क्या होता है और खराब शोध प्रश्न क्या होता है।यह आपसी बातचीत उन मानवीय उपयोगकर्ताओं की मदद करती है, जो अक्सर योजना बनाने के चरण में पर्याप्त समय नहीं बिताते, ताकि हम उच्च गुणवत्ता वाली शोध योजनाएँ विकसित कर सकें।जब सभी अस्पष्टताएँ सुलझ जाती हैं, तो पैट योजना बनाने के चरण में आ जाता है।योजना चरण में, यह मुख्य रूप से तीन कार्य करता है:स्पष्ट रूप से विश्लेषण प्रक्रिया के दौरान कौन से डेटाफ्रेम (DataFrame) उत्पन्न किए जाएंगे;प्रत्येक डेटाफ्रेम के स्कीमा की पुष्टि करें;Most importantly, clearly define how these data frames connect with each other.समय के दृष्टिकोण से, यह योजना चरण पूरे विश्लेषण प्रक्रिया में अपेक्षाकृत अधिक लागतवाला है।लेकिन यह हमारा जानबूझकर उठाया गया लागत है, क्योंकि यह हमें कार्यान्वयन चरण में अधिक कुशल क्षमता प्राप्त करने में सक्षम बनाता है।अब, योजना तय हो चुकी है। योजना के कार्यान्वयन का पहला चरण कोड उत्पन्न करना है।चूंकि हमारी योजना अत्यंत विस्तृत है, इसलिए हम सब-एजेंट्स का उपयोग कर सकते हैं और विश्लेषण में प्रत्येक डेटाफ्रेम के लिए समानांतर रूप से कोड उत्पन्न कर सकते हैं।ऐसा करने का कारण यह है कि प्रत्येक सब-एजेंट जानता है:यह किन डेटाफ्रेम्स पर निर्भर करता है;उन डेटाफ्रेम के स्कीमा क्या हैं;इसके द्वारा उत्पन्न किया जाने वाला डेटाफ्रेम किस पैटर्न का होना चाहिए।इसलिए, चाहे एक विश्लेषण में केवल 3 डेटाफ्रेम हों या एक अधिक जटिल विश्लेषण में लगभग 30 डेटाफ्रेम हों, कोड उत्पन्न करने में लगने वाला समय लगभग समान होता है।जब कोड जनरेशन पूरा हो जाए, तो हम इन पायथन फ़ंक्शन्स को एक एजेंट द्वारा निरीक्षित किया जाएगा।यदि यह रनटाइम त्रुटियों, अर्थहीन मानों आदि का पता लगाता है, तो यह हस्तक्षेप करता है।निष्पादन प्रक्रिया पर आगे बढ़ने से पहले, मैं विशेष रूप से उल्लेख करना चाहता हूँ: ये विश्लेषण द्वारा उत्पन्न समय श्रृंखला आउटपुट, इनपुट डेटा के समान डेटाबेस में आ जाते हैं।मुझे लगता है कि यह दो कारणों से महत्वपूर्ण है।पहला, यह दर्शाता है कि पैट विश्लेषण का कोई भी आउटपुट, सिस्टम में हमारे द्वारा वर्षों से मानव द्वारा अपलोड और उत्पन्न किए गए किसी भी समय श्रृंखला से अलग नहीं है।दूसरा, और अधिक महत्वपूर्ण बात यह है कि पैट द्वारा किए गए किसी भी विश्लेषण का आउटपुट अगले विश्लेषण के लिए इनपुट के रूप में उपयोग किया जा सकता है।इस तरह, एक ऐसा वातावरण बनता है जहाँ मानव और एजेंट आसानी से एक दूसरे के परिणामों का पुनः उपयोग कर सकते हैं और उन पर निरंतर निर्माण कर सकते हैं।पूरा करने के बाद, जिस तरह आप चाहते हैं कि एक प्रारंभिक विश्लेषक अपने कार्य की समीक्षा करे और फिर आपको रिपोर्ट करे, हम भी पैट से ऐसा ही करने की उम्मीद करते हैं।इसलिए, इस विश्लेषण के इस चरण में, पैट अपने द्वारा गणना किए गए डेटा और उत्पन्न विज़ुअलाइज़ेशन की जांच करता है, ताकि सुनिश्चित किया जा सके कि संख्याएँ त論क हैं और ग्राफ़ स्पष्ट और साफ़ हैं।अगर यह कुछ असामान्य दिखता है, तो पैट पीछे हट जाता है, समस्या का निदान करता है, और विश्लेषण प्रक्रिया में सुधार करता है; जब तक वह अपने परिणामों से संतुष्ट नहीं हो जाता, तब तक वह परिणामों को उपयोगकर्ता को नहीं देता।अंतिम आउटपुट एक इंटरएक्टिव रिपोर्ट होगा।इस रिपोर्ट में, ग्राफ़ का दृश्य ब्रिजवाटर निवेशकों द्वारा सामान्य रूप से बनाए जाने वाले ग्राफ़ के समान है। पैट एक ही आंतरिक ग्राफ़ लाइब्रेरी का उपयोग करते हैं, और हमारे द्वारा दशकों से आंतरिक रूप से विकसित एक ही पाठ और ग्राफ़ प्रणाली का भी उपयोग करते हैं।आप देख सकते हैं कि उपयोगकर्ता इन चार्ट्स को जूम इन या जूम आउट कर सकते हैं; और यह इंटरएक्टिव रिपोर्ट डेटा हमारे आंतरिक चार्टिंग टूल में भेजा जा सकता है, ताकि तुरंत अतिरिक्त समायोजन किए जा सकें।Santi को समय देने से पहले, मैं एक बार फिर बात करना चाहूँगा: पैट कैसे उपयोग के साथ बेहतर होता जा रहा है।मुख्य रूप से दो तरीके हैं।पहला तरीका ब्रेनडन द्वारा पहले उल्लिखित स्वयं-निर्देशित अध्ययन है: हम एजेंट को पूर्ण संवादों की समीक्षा करने के लिए भेजते हैं, ताकि हम Pat को अधिक बुद्धिमान बनाने के तरीके ढूंढ सकें।दूसरा, और जिसे हम यहाँ प्रदर्शित कर रहे हैं, वह अधिक स्पष्ट तरीका है: यदि उपयोगकर्ता मानता है कि उसकी पैट के साथ बातचीत में सीखने योग्य बातें हैं, तो वह विश्लेषण के संदर्भ में सीखने की प्रक्रिया को सीधे शुरू कर सकता है।यहाँ, उपयोगकर्ता केवल एक अलग विज़ुअलाइज़ेशन चार्ट सेट जनरेट करने का अनुरोध कर रहा है।ध्यान दें, उपयोगकर्ता ने पिछली सामग्री में कोई त्रुटि नहीं बताई है। उन्होंने केवल इस बात की अपेक्षा की है कि समस्या को एक अलग दृष्टिकोण से देखा जाए और मानते हैं कि यह दृष्टिकोण वर्तमान प्रश्न के उत्तर के लिए महत्वपूर्ण है।यदि उपयोगकर्ता को लगता है कि पैट को शुरू से ही इस चार्ट सेट को जनरेट या सुझाना चाहिए था, तो वह "टीच" बटन पर क्लिक कर सकता है।यह एक एजेंट को शुरू करेगा, जो पूरी बातचीत की समीक्षा करेगा और निम्नलिखित जैसे समस्याओं की तलाश करेगा:Behavioral error;कॉन्टेक्स्ट गैप;उपयोगकर्ता निर्देशन या प्राथमिकताओं को पहले से ही भविष्यवाणी और पूरा किया जा सकता था।इसके बाद, उपयोगकर्ता इन सामग्रियों में संशोधन कर सकते हैं या उन्हें बिना किसी बदलाव के जमा कर सकते हैं।जमा करने के बाद, पहले, बैकग्राउंड एजेंट एक ऐसा बेंचमार्क बनाएगा जो विफल होने की उम्मीद है। इससे साबित होता है कि हम पिछले इस खराब व्यवहार को पुनः उत्पन्न कर सकते हैं।फिर, यह हमारे कॉन्टेक्स्ट ज्ञान भंडार या रनटाइम फ्रेमवर्क को तब तक दोहराता रहेगा जब तक कि यह बेंचमार्क सफल न हो जाए।फिर, हम पुष्टि करेंगे: इस बेंचमार्क को पास करने से टेस्ट सूट में अन्य कोई टेस्ट फेल नहीं हुआ।पूरा होने के बाद, हमें एक Slack संदेश मिलेगा जिसमें एक पुल रिक्वेस्ट (Pull Request) संलग्न होगा, जिसमें उस एजेंट द्वारा पैट पर किए जाने वाले परिवर्तन शामिल होंगे।इससे यह प्रभाव होता है: अगली बार जब कोई इसी तरह के प्रश्न के साथ Pat का उपयोग करने आएगा, तो वे शुरुआत से ही सुधारित संस्करण प्राप्त करेंगे।अब मैं समय संती को सौंपता हूँ, जो तकनीकी ढांचे का परिचय देंगे।पॉकेट एनालिस्ट प्रोजेक्ट के तकनीकी प्रमुख संती वेट:नमस्ते, माइकल के लिए धन्यवाद। मैं संती हूँ, पॉकेट एनालिस्ट के तकनीकी प्रमुख।I believe many of you here are building similar programming agent products, just like we are.और इस तरह के उत्पादों का निर्माण करना वास्तव में बहुत कठिन है।प्रोग्रामिंग एजेंट बहुत अस्थिर और अप्रत्याशित होते हैं; वे अक्सर गलतियाँ करते हैं; और जब आप विशेष रूप से बदशगुल होते हैं, तो वे पूरी तरह से नियंत्रण से बाहर हो सकते हैं और आपके डेटा को नष्ट करने की कोशिश कर सकते हैं, और इसी तरह की समस्याएँ।इसलिए, एक ऐसा अच्छा उत्पाद बनाना, जिसे लोग पसंद करें, खुद में कठिन है; और एक ऐसा उत्पाद बनाना, जिसे उपयोगकर्ता अपने दैनिक कार्य प्रवाह में वास्तव में एकीकृत करने के लिए तैयार हों, और भी कठिन है।एक हेज फंड में, हम दस अरब डॉलर के फंड्स का व्यापार करने की कोशिश कर रहे हैं। इसलिए, हम इन विश्लेषणों के पीछे "वाइब कोडिंग" को आधार नहीं बनने दे सकते।मेरा पृष्ठभूमि कंपाइलर सिद्धांत और प्रोग्रामिंग भाषा डिजाइन है।और कंपाइलर के लिए भी बहुत समान आवश्यकताएँ होती हैं: पूर्ण निर्धारणात्मक, पूर्ण रूप से सही और विश्वसनीय होना आवश्यक है।उदाहरण के लिए, एक विमान उड़ाने के दौरान, आप "ऑफ-बाय-वन एरर" नहीं कर सकते।यहाँ संरचना भी बहुत समान है: कंपाइलर उपयोगकर्ता कोड को स्वीकार करता है और इसे उदाहरण के लिए JavaScript जैसे लक्ष्य कोड में कंपाइल करता है; जबकि प्रोग्रामिंग एजेंट उपयोगकर्ता के प्रॉम्प्ट या योजना को स्वीकार करता है और इसे "कंपाइल" करके Python में बदल देता है।हमें यह विचार बहुत पसंद है।आज का समय कम है, इसलिए हम इस बिंदु पर ध्यान केंद्रित करेंगे, और उम्मीद है कि यह एक अनुभव बन जाएगा जिसे सभी अपने कार्य में ले जाएंगे।हालांकि, हम अभी चैट सेशन से शुरुआत करते हैं।चैट एजेंट का लक्ष्य, उपयोगकर्ता के साथ एक सामान्य समझ विकसित करना है: उपयोगकर्ता क्या कार्य पूरा करना चाहता है।चैट एजेंट LangGraph का उपयोग करके लागू किया गया है।हम इसका उपयोग मुख्य रूप से स्थायीकरण सुविधाओं को समर्थन देने के लिए करते हैं। इसमें रद्द करने और जारी रखने की सुविधा मूल रूप से समाहित है; पहले हम इन मुद्दों का स्वयं प्रबंधन करते थे, जिसका प्रभाव काफी कम था।चैट एजेंट टूल्स को कॉल कर सकता है। माइकल ने अभी कुछ का उल्लेख किया, जैसे:टाइम सीरीज डेटा खोज;Unstructured data search.ये उपकरण प्रत्येक कार्य को स्वयं पूरा करेंगे।फिर, जब चैट एजेंट को विश्लेषण के लिए आवश्यक सभी डेटा प्राप्त हो जाता है, तो यह एक योजना बनाता है और एक सब-एजेंट—हमारे प्रोग्रामिंग एजेंट—को कॉल करता है।यह प्रोग्रामिंग एजेंट पायथन पैंडास के आधार पर एक विश्लेषण उत्पन्न करेगा।दो एजेंट्स को क्यों अलग करना चाहिए?शुरुआत में, हमने निर्णय लिया: हमारे निवेशक पेशेवर प्रोग्रामर नहीं हैं, उनकी चिंता निवेश के बारे में है।इसलिए, हमने निर्णय लिया कि चैट की सामग्री केवल निवेश विषय पर केंद्रित होगी।इसके परिणामस्वरूप, हमें एक उत्पाद प्राप्त होता है: प्रोग्रामिंग केवल एक शुद्ध वास्तुकला विवरण है।चैट इंटरफ़ेस में, आपको पीछे कोड चल रहा होने का एहसास तक नहीं होता।कुछ अतिरिक्त लाभ भी हैं:कंटेक्स्ट को कोड डिटेल्स से प्रदूषित नहीं किया जाएगा;प्रत्येक एजेंट अपने कार्य पर ध्यान केंद्रित कर सकता है और स्वाभाविक रूप से लगातार सुधार कर सकता है;हम चैट अनुभव को काफी कस्टमाइज़ कर सकते हैं।अगला, हम जिसके बारे में बात करना चाहते हैं, वह है: हमारे निवेश क्षेत्र की संदर्भ गुणवत्ता बहुत उच्च है।हम चैट एजेंट को ब्रिजवॉटर निवेशक की तरह बोलना सिखाते हैं।यहाँ बहुत सारे पेशेवर शब्दावली हैं जिन्हें इसे सिखाने की आवश्यकता है। इसलिए, उपयोगकर्ता और बुद्धिमान एजेंट के बीच का संचार, ब्रिजवाटर के भीतर सहयोगियों के बीच की तरह होता है।ब्रिजवाटर में, हम निवेशकों को योगदान देने की अनुमति भी देते हैं। माइकल ने जो दिखाया, वह यह है कि वे कोडबेस में डेवलपर्स की तरह सिस्टम में योगदान देते हैं।यह वास्तव में एक बहुत अच्छा विचार है: अधिकांश मामलों में, आपके उपयोगकर्ता व्यावसायिक संदर्भ लिखने में आपसे अधिक कुशल होते हैं।इसलिए, अत्यधिक स्वयं केंद्रित न होकर उन्हें सीधे योगदान देने की अनुमति देना एक सफलता का अच्छा तरीका है।चैट एजेंट के बारे में अंतिम बात यह है: हम केवल इसे संदर्भ सिखाए जा रहे हैं।अगर आप केवल इसे संदर्भ देते हैं, तो अंत में आमतौर पर कुछ अस्पष्ट, बहुत अधिक जानकारी वाला लेकिन कार्यप्रवाह जैसा नहीं लगने वाला कुछ मिलता है।इसलिए, हम एजेंट को विशिष्ट प्रकार के विश्लेषण को संभालने के लिए चरणदर्शी मार्गदर्शन प्रदान करेंगे।This makes it more like a real product—a reliable, dependable workflow.अगला, मैं अपने व्यक्तिगत रूप से सबसे पसंदीदा हिस्से के बारे में बात करने जा रहा हूँ: प्रोग्रामेबल एजेंट।यह एक प्रोग्रामिंग एजेंट का उच्च स्तरीय आर्किटेक्चर डायग्राम है।यहाँ आप जो कुछ भी देख रहे हैं, वह सचमुच सिर्फ Python कोड है। इसे LangGraph के साथ लागू किया गया है, लेकिन "एजेंट-आधारित व्यवस्था" (agentic orchestration) नाम की कोई चीज़ मौजूद नहीं है।बहुत से लोग फोटो खींच रहे हैं, बहुत अच्छा।हम सबसे बाएं ओर से शुरू करते हैं, जो चैट एजेंट द्वारा उत्पन्न विश्लेषण योजना है।एनालिसिस प्लान को कई कार्यों में विभाजित किया जाएगा।प्रत्येक कार्य लगभग एक Python फ़ंक्शन के संगत होता है, जो एक डेटाफ्रेम की गणना और उत्पादन करेगा।यहाँ एक पैटर्न का उदाहरण है।प्रत्येक कार्य में शामिल होगा:एक नाम;जिन विवरणों के लिए गणना की आवश्यकता होती है;Output data frame के संरचनात्मक और अर्थपूर्ण जानकारी के बारे में।हम उम्मीद करते हैं कि प्रत्येक कार्य को एक निर्धारित तरीके से एक बड़ी भाषा मॉडल द्वारा कोड में कंपाइल किया जा सके।That is, the code generated by two large language models for the same task should be semantically equivalent and produce identical output values when executed.इसलिए, हमारा विश्लेषण योजना केवल Claude Code में संभवतः आने वाली एक सूची नहीं है।हम इसे एक "प्राकृतिक भाषा में लिखा गया पायथन प्रोजेक्ट" मानते हैं।और चूंकि इसमें इतनी विस्तृत जानकारी है, हम अब कोड जनरेशन चरण में प्रवेश कर सकते हैं और कुछ अधिक उन्नत तकनीकों का उपयोग कर सकते हैं।सबसे पहले, हम योजना को कार्यों में विभाजित करेंगे, फिर बड़े भाषा मॉडल कोड जनरेशन को समानांतर रूप से करेंगे।चूंकि योजना पर्याप्त विस्तृत है, इसलिए योजना के अंत में एक दृश्यात्मक कार्य, वास्तव में अपने लिए आवश्यक सभी सामग्री को जानता है—भले ही डेटा लोड करने के लिए कोड जनरेशन अभी पूरा नहीं हुआ हो।जब हम इस विधि की तुलना हमारे बेंचमार्क सूट में Claude Code के साथ करते हैं, तो देखा जा सकता है कि समान संदर्भ और समान योजना के साथ, हम औसतन 4 गुना तेजी से कोड उत्पन्न करते हैं।इसके अलावा, हमारे पास एक "अतिविस्तारित" क्षमता भी है: 20 कार्यों वाली योजना और केवल 3 कार्यों वाली योजना के लिए आवश्यक समय लगभग समान होता है।अब हमारे पास कोड है, अब हमें इसे निष्पादित करना है।आप सोच सकते हैं कि बस सीधे और सरल तरीके से कोड निष्पादित करना है।लेकिन दुर्भाग्य से, आज के बड़े भाषा मॉडल हमारे कार्य पर पर्याप्त रूप से आदर्श नहीं हैं। वे आमतौर पर पहली बार में पूरी तरह सही परिणाम उत्पन्न नहीं कर पाते।इसलिए, हमारा दृष्टिकोण है:हमें योजना में निर्धारित कार्य मिलता है, और उस कार्य से उत्पन्न कोड भी मिलता है; फिर हम इस कोड को चलाते हैं और निष्पादन परिणाम की तुलना कार्य की आवश्यकताओं से करते हैं, ताकि जांच सकें कि यह सही है या नहीं।If it's not correct, we edit the code and continue iterating until it's done.हमने कोड पर पहला कदम चरणबद्ध विश्लेषण किया, फिर DAG (निर्देशित अचक्रीय ग्राफ) बनाया, और समानांतर रूप से प्रमाणीकरण एजेंट लागू किए।यहाँ, दो कार्य एक साथ सत्यापन के लिए स्वीकार किए जाएंगे।इसलिए, 5 कार्यों वाली योजना को 3 स्तरों में सत्यापित किया जाएगा; जबकि लगभग 20 कार्यों वाली योजना 4 या 5 स्तरों में सत्यापित हो सकती है।मुझे आशा है कि आप इस स्लाइड खंड से वास्तव में यह मुख्य बिंदु ले जाएंगे:हम आर्किटेक्चरल स्तर पर सही परिणामों की गारंटी देते हैं।दोबारा जोर देकर कह रहा हूँ, कोई एजेंट-आधारित व्यवस्था नहीं है। यह केवल सामान्य Python कोड है।इसलिए, पूरा निष्पादन ढांचा बहुत तेज़ है, और एजेंट वैलिडेशन करना "भूल" नहीं सकते—उन्हें वैलिडेशन करने के लिए अनिवार्य रूप से आवश्यकता होती है।परिणामस्वरूप, जब हम टेस्ट सूट चलाते हैं, तो टेस्ट सूट में किसी भी प्लान के लिए, 95% मामलों में दो अलग-अलग एजेंट द्वारा उत्पन्न कोड के परिणाम पूरी तरह से समान होते हैं।इसलिए, हमारी अवधारणा है: एक निर्धारित विशेषताओं वाला टेक्स्ट प्रोग्रामिंग एजेंट बनाना।और क्योंकि इस एजेंट की उच्च नकल करने की क्षमता है, इसलिए जब हम विस्तार, क्रमिक अनुकूलन और मूल्यांकन करने की योजना बनाते हैं, तो हमारे पास भावनाओं या "LLM-एक-न्यायाधीश" (LLM-as-a-judge) पर निर्भर करने वाले मूल्यांकन तरीकों की तुलना में बहुत अधिक विश्वसनीय आधार है।ठीक है, मैं एक और विषय पर चर्चा करना चाहता हूँ, जो हमारा निष्पादन स्तर है।आमतौर पर, प्रोग्रामिंग एजेंट अपने द्वारा उत्पन्न कोड को स्वयं कॉल और निष्पादित करते हैं।That is, they first generate the code and then call and run it themselves through the terminal.This approach involves some trade-offs.एक ओर, टूल कॉल के कारण उच्च लेटेंसी होती है; दूसरी ओर, मुझे विश्वास है कि सभी ने अनुभव किया होगा कि कभी-कभी एजेंट प्रक्रिया के दौरान दिशा खो देता है।इसलिए, हमने बड़े भाषा मॉडल के लिए कोड निष्पादित करने का चयन किया।हम पायथन कोड में कैशिंग एनोटेशन इंजेक्ट करके दोहराव को रोकने के लिए पारंपरिक स्टैटिक एनालिसिस पाइपलाइन का उपयोग करते हैं; फिर इसे एक कस्टम फ्रेमवर्क के माध्यम से चलाते हैं।यहाँ एक बेंचमार्क उदाहरण है, जो क्लॉड द्वारा स्वयं कोड निष्पादन करने की तुलना पॉकेट एनालिस्ट के निष्पादन तरीके से करता है।आप देख सकते हैं कि हम फिर से तेज़ हैं, क्योंकि हम डेटा को दोबारा लोड नहीं करते और मध्यवर्ती प्रक्रियाओं को दोबारा नहीं निष्पादित करते।लेकिन वास्तविक लाभ पहली बार कोड चलाने में नहीं, बल्कि दूसरी बार चलाने में होता है।ठीक है, यहाँ एक बेंचमार्क दिखाया गया है: हम एक नियोजित अंतिम ग्राफ़ लेते हैं और केवल इसका नाम बदलते हैं।Claude Code सभी कोड को पुनः चलाएगा, इसलिए कुल समय लगभग समान रहेगा, हालांकि कोड संपादित करने का चरण वास्तव में कुछ तेज़ होगा।लेकिन पॉकेट एनालिस्ट ने दूसरे राउंड में लगभग तात्कालिक कोड निष्पादन प्राप्त किया।इसका अर्थ है कि जब निवेशक इस उत्पाद का उपयोग करते हैं, तो वे निवेश विश्लेषण में सूक्ष्म संशोधन कर सकते हैं, बिना नियमित आवर्तन प्रक्रिया में बार-बार लोड और निष्पादन के साथ आने वाले अतिरिक्त लागत को वहन किए।ठीक है, हमारा समय पूरा हो गया है।हमारे पास कई अनुभव और अर्जित ज्ञान हैं, लेकिन दुर्भाग्य से, आज हम केवल इतना ही बता सकते हैं।पहला मुख्य निष्कर्ष है: हम एजेंट्स को विशेषज्ञ बनाने पर बहुत विश्वास करते हैं।हम सामान्य और शक्तिशाली एजेंट्स पर विशेष रूप से भरोसा नहीं करते हैं।वे वास्तव में बहुत अच्छे डेमो दे सकते हैं, और मुझे विश्वास है कि बहुत से लोगों ने ऐसे डेमो दिखाए हैं; लेकिन उन्हें हर दिन के लिए विश्वसनीय कार्यप्रवाह में बदलना वास्तव में बहुत कठिन है।विपरीत रूप से, हम आमतौर पर बहुत संकीर्ण प्रक्रिया से शुरुआत करते हैं, उस पर व्यापक बेंचमार्किंग करते हैं; फिर इन बेंचमार्क्स पर निरंतर चढ़ाई के आधार पर अनुकूलन करते रहते हैं।इसके बाद, आप कई एजेंट्स की क्षमताओं को जोड़ सकते हैं; लेकिन विपरीत रूप से, एक सामान्य एजेंट से वापस एक विश्वसनीय, संकीर्ण प्रवाह में जाना अक्सर कठिन होता है।अंतिम बिंदु अधिकतर एक विचार प्रयोग की तरह है, उम्मीद है कि आपको इससे प्रेरणा मिलेगी:एजेंट प्रोग्रामिंग को एक एजेंट समस्या के बजाय एक कंपाइलर समस्या के रूप में देखा जाना चाहिए।कंपाइलरों ने दशकों से कोड उत्पन्न किया है और हमें यह सिखाने के लिए बहुत सारी तकनीकें इकट्ठा की हैं कि कैसे अधिक विश्वसनीय, अधिक सही और अधिक निर्धारित ढंग से कोड उत्पन्न किया जाए।इसलिए, हम इन मुद्दों पर आपसे जारी रखने के लिए बहुत खुश हैं।अंत में, मैं अपने सीधे टीम सदस्यों का आभारी हूँ। निश्चित रूप से, इसमें कई अन्य लोग भी शामिल थे, लेकिन यह कोर टीम है।धन्यवाद सभी को।हम बाहरी AMA (प्रश्नोत्तरी) सेशन में आपसे बात करने और चर्चा करने की ईमानदारी से उम्मीद करते हैं, ताकि देख सकें कि क्या आप भी इन प्रश्नों से प्रेरित महसूस करते हैं।आज रात अन्य स्थानों पर आप सभी से मिलने की उम्मीद है।बहुत धन्यवाद।