От трейдинга к стартапу: как Anekha Sokhal строит Moshi — Bloomberg, Claude и Netflix для энергорынков

Бывший трейдер energy derivatives Anekha Sokhal, а теперь CEO стартапа Moshi, создает инструмент, о котором сама мечтала во время работы на рынке. Ее платформа в реальном времени обрабатывает объемы данных, недоступные человеку, и подсказывает трейдеру только то, что действительно важно для его портфеля. Свою историю и подход к созданию полезного ИИ она рассказала в подкасте AI Engineer в Нью-Йорке в беседе с swyx.

Путь Anekha к собственному стартапу начался с математики и любви к данным. Она изучала mathematics, operational research, statistics and economics в Warwick в Великобритании, затем прошла стажировки в инвестбанках и попала в JPMorgan. Там она начинала на desk emerging markets, а затем перешла в commodities, где большую часть карьеры занималась торговлей energy derivatives. Именно там сформировался ее взгляд на рынок как на огромную систему данных, которую нужно разложить на составные части.

За 4 секунды — 300 новых событий на рынке

По словам основательницы, идея Moshi родилась из личной боли трейдера. Отслеживать все новости, фундаментальные факторы, физические поставки и движение фьючерсов вручную просто невозможно. Она приводит наглядное сравнение: пока она произносит одно предложение за 4 секунды, Moshi за это же время усваивает 300 новых фактов. Стартап начинает с commodity, energy и macro рынков, где информационный шум особенно силен.

Система Moshi делит весь рынок на структурированные и неструктурированные данные. К первой группе относятся временные ряды фьючерсного рынка, технические индикаторы, скользящие средние и статистика по спросу и предложению. Ко второй — новости, посты в X, подкасты и другие альтернативные источники. Отдельный слой — приватные данные самого пользователя: любимые аналитики, платные подписки, внутренние отчеты компании, например данные о количестве LNG судов, проходящих через Strait of Hormuz.

Если бы у Bloomberg, Claude и Netflix был общий продукт

Все эти потоки проходят очистку, трансформацию и разметку с помощью статистики и machine learning. Поверх строится собственная онтология и n-dimensional graph, который связывает события между собой. На выходе пользователь получает не просто дашборд, а систему, которая сама пушит важное при каждом открытии и отвечает на сложные вопросы за 30 секунд вместо нескольких дней ручной работы.

Сама Anekha описывает Moshi формулой, которая уже разошлась по конференции: если бы у Bloomberg, Claude и Netflix появился общий ребенок, это был бы Moshi. От Bloomberg — рыночные данные и рабочая среда трейдера, включая легендарный чат, через который проходят сделки на миллиарды долларов. От Claude — интерфейс для работы с информацией через LLM. От Netflix — рекомендательная система, построенная внутри компании.

Смысл рекомендаций в том, чтобы показывать второе и третье производные события. Трейдеру нефти может быть критично узнать, что происходит с energy equities компанией, которая косвенно влияет на цену нефти. Такую связь не даст обычная новостная лента, ее может выявить только человек, соединяющий факты, или система, имитирующая такое мышление.

Trusted sources, Reducto и вопрос build or buy

Отдельная тема интервью — доверие к источникам и качество сигнала. В трейдинге нельзя полагаться на случайные новости, важны проверенные поставщики и понимание, откуда пришел сигнал. Поэтому в Moshi большое внимание уделяют очистке данных, извлечению информации из документов и построению графа связей. В разговоре упоминаются инструменты вроде Reducto для document extraction и исследование GIQ, а также классическая дилемма для AI-инженеров — строить модели самим или покупать готовые.

Anekha подчеркивает, что полезный ИИ должен встраиваться в то, как люди реально работают. Переход от дашбордов к workflows — ключевой сдвиг: трейдеру не нужен еще один экран с графиками, ему нужен помощник, который вписывается в процесс принятия решений и управления риском. Именно поэтому команда много времени уделяет изучению рабочих процессов на Bloomberg и в чатах, где рождаются сделки.

You are the team: давление на AI-инженеров

Громкой темой AI Engineer New York стала фраза, которую слышат многие разработчики: you are the team. Менеджмент сокращает команды и ждет, что один AI-инженер построит систему, которую раньше делали 10 человек. Это создает перегрузку и тревогу, хотя одновременно открывает огромные возможности для тех, кто умеет быстро собирать прототипы с помощью LLM и агентов.

Показательно, что сама Anekha продлила поездку в Нью-Йорк ради клиентов. Вместо отъезда сразу после конференции она добавила встречи в четверг, пятницу и понедельник, а затем получила приглашения поговорить в Хьюстоне с компаниями из energy сектора. По ее словам, неделя после конференции полностью забита встречами с пользователями. Ее вывод для фаундеров — сначала разговоры с клиентами, потом найм.

История с переездом в США тоже говорит о ее настойчивости. Захотев стать founder в лучшей стране для стартапов и разбираться в технологиях на глубоком уровне, она выиграла стипендию Fulbright — единственную на всю Великобританию по data-направлению. Затем были исследования в machine learning, публикация на ICLR совместно с Stability AI и коллаборация с NASA. Этот научный бэкграунд лег в основу Moshi и подхода к работе с большими объемами рыночной информации.

Для бизнеса и автоматизации кейс Moshi — отличный пример нового поколения вертикальных AI-агентов. Вместо универсального чата компании получают систему, заточенную под конкретный workflow, приватные данные и скорость решений. Такие рекомендательные движки будут менять не только трейдинг, но и логистику, закупки и продажи, где цена ошибки высока, а данных слишком много. А тем, кто хочет внедрить подобные решения без найма целой команды, поможет полный стек: серверы, агенты и сайты от одной команды — от инфраструктуры до готовых AI-продуктов под ключ.