本期播客是 AI Engineer New York 的现场录音，由 swyx 主持，嘉宾是 Moshi 首席执行官 Anekha Sokhal。这期节目还有一个作者说明：AIE CODE 的门票和申请现已开放，这是本年度最后一场旗舰级 AI Engineer 活动。
Anekha Sokhal 的职业起点是数学。她在英国华威大学（Warwick）攻读数学、运筹学、统计与经济学（MORSE）本科，学过随机微积分、金融计算等课程。她回忆说，当年这个专业常被朋友调侃“太书呆子气”，而如今同样的统计与数学背景却被所有人称为机器学习与人工智能。她很早就知道自己想进入交易行业——她喜欢快节奏、与数据打交道的工作，读过关于交易的介绍后便认定自己不会选择其他职业。她先拿到投行交易部门的实习，随后进入摩根大通（JPMorgan），起初在新兴市场交易台，之后转到大宗商品台做衍生品交易，职业生涯大部分时间专注于能源衍生品。
由于拥有数据背景，她习惯把市场拆解成各个组成部分来看。在大宗商品领域，基本面、新闻以及实体层面的变化尤其重要，她一直着迷于“从零开始搭建”。在交易期间，她观察到数据与市场事件之间正在发生转变，于是离开摩根大通，决心成为创业者，并且想做一家数据公司。她通过富布赖特（Fulbright）奖学金来到美国——该项目在数据方向全英国只有一个名额。她提到一个有趣的细节：2020 年新冠疫情导致天然气市场剧烈波动、能源价格飞涨，她在富布赖特面试时谈到能源市场危机以及数据与之的关系，评审们都能感同身受，因为当时大家的电费账单都在飙升。来到美国后，她深入从事机器学习研究，曾在 ICLR 发表论文并与 Stability AI 合作，还参与过与 NASA 的合作项目，这些经历最终引出了 Moshi。
Moshi 的定位是“我当年做交易时希望拥有的那款程序”：为金融交易员提供实时洞察，起步聚焦大宗商品、能源市场以及宏观市场。它的核心目标是处理远超人类阅读能力的数据量，告诉交易员当下哪些信息与其投资组合真正相关。Anekha 用一句话说明数据规模：她说出一句话需要四秒钟，而在同样的四秒里，Moshi 已经学习了 300 件新的事情。
在数据类型上，她按自己当年做交易的方式拆解市场。第一类是结构化数据，包括期货市场的时间序列，以及围绕它的各类技术分析——统计指标、技术指标与移动平均线等，并且这些数据持续更新。第二类是基本面市场的时间序列，尤其在部分大宗商品市场中，供需数据占比很大。第三类是非结构化数据：新闻是最明显的一类，此外还有各种另类数据，例如 X（推特）上的数据、播客中的音频数据等。
但她说，这只是“公开可获得的数据”。还有一整类数据是用户的私有数据：交易员自己关心的分析师名单、订阅内容、内部数据。她举例说，一些交易能源市场的公司会专门有人负责统计通过霍尔木兹海峡的液化天然气（LNG）船数量，这类数据对用户而言是高度个人化的。Moshi 把公开数据与用户私有数据结合起来，完成数据清洗与数据转换，再运用统计与机器学习方法打标签，在其上构建本体（ontology），然后放入 Moshi 的 n 维图（n-dimensional graph）中，最终以软件形式输出：每次打开 Moshi，用户都会看到与自己投资组合相关的新信息；用户也可以用 LLM 提问，在 30 秒内得到通常需要数天才能得到的答案。
访谈中 swyx 问及“是不是新彭博”这个问题。Anekha 说这是个有意思的问题，因为彭博（Bloomberg）显然是这个领域里“房间里的大象”（她用英式说法调侃了“800 磅大猩猩”这个比喻）。她认可彭博的某些功能，比如 Bloomberg Chat——交易员会在聊天中完成数十亿美元的交易，其中还有标准化的定价公式；swyx 也补充说，自己进入 NLP 的起点正是把 Bloomberg Chat 解析成结构化的定价表，用于期权定价。但 Anekha 表示，她不会说 Moshi 是“新彭博”，而是一种不同类型的软件。她给出了一个自己觉得最好懂、也可能颇具争议的说法：如果彭博、Claude 和 Netflix 有一个孩子，那就是 Moshi。
之所以提到 Netflix，是因为 Moshi 内部自建了一套推荐系统。她的逻辑是：如果一个交易员正在关注某件事，他其实现在就需要知道与之相关的二阶、三阶衍生影响，而这些影响并不是一眼就能看出来的。她举了原油交易员的例子：如果一家能源股票公司正在做一些会间接影响油价的事情，交易员需要立刻知道；这一点从普通的新闻流里拿不到，但可以从一个连接起各信息点的图（connected graph）中得到——当两个信息点同时出现时，要么靠人去建立联系，要么靠系统把关联呈现出来。她强调 Moshi 的出发点是把市场数据、用于处理这些数据的界面，以及针对交易员量身定制的推荐三者结合起来。
节目还讨论了可信信源与信号（trusted sources and signal）、文档抽取（document extraction）以及自建模型还是购买模型（build versus buy models）等工程取舍，节目备注中列出了 Reducto（文档抽取）与 GIQ 研究论文等参考资料。
访谈的另一条主线是 AI 工程师面临的压力。Anekha 说，她在 AI Engineer New York 上感受很深的一点是，许多工程师对来自管理层的压力感到不堪重负：现在管理层会说“我们不需要一个团队，你就是团队”，于是个人要独自搭建通常需要十个人才能完成的系统。她还分享了自己在大会期间的客户会议经历——她原本计划当天离开纽约，结果因为有会议而延长行程，先是周四，再是周五，然后是周一，之后还有休斯顿的能源行业会谈，大会之后整整一周都被会议排满。她谈到从大会上的客户对话中学到的东西，以及为什么见用户要排在招聘之前。
时间轴方面，节目从 AI Engineer New York 与“你就是团队”这一话题开场（0:00），随后介绍 Anekha（0:54），回顾她从数学到能源衍生品的经历（2:09），讲述富布赖特奖学金与成为创始人的过程（3:46），说明 Moshi 为交易员做什么（5:45），讨论如何处理海量市场数据（6:10）、彭博与市场工作流（9:03）、彭博、Claude 与 Netflix 的比喻（10:03）、从仪表盘到工作流（12:03）、可信信源与信号（15:13）、自建或购买模型与文档抽取（17:13），再回到 AI Engineer New York（18:20）、客户会议与社区（20:32）、招聘与和客户交流（23:54），最后是 swyx 进入 AI 领域的个人经历（25:55）。节目末尾附有自动转录文本，并说明措辞可能存在误差。