在 AI Engineer New York 的播客節目中，Moshi 執行長 Anekha Sokhal 與 swyx 對談，回顧了自己從數學研究走向能源衍生品交易、再到創業的經歷，並解釋了這家公司想為交易員解決什麼問題。
Sokhal 在英國華威大學（Warwick）攻讀數學、運籌學、統計學與經濟學。她從一開始就認定自己要做交易：這份工作節奏快、與資料緊密相關。她的職業生涯始於摩根大通的實習，先在新興市場部門，後轉至大宗商品部門做衍生品交易，大部分時間聚焦能源衍生品。她說，由於自身的資料背景，她習慣把市場拆解成各個組成部分——商品市場中與基本面、新聞和實體供需相關的一切。交易時她觀察到市場正在向資料驅動轉變，於是離開摩根大通，決心創辦一家資料公司。
她透過富布賴特獎學金（Fulbright）來到美國，當時該獎學金在全英只發放一個名額。她回憶說，2020 年新冠疫情導致天然氣市場劇烈波動，她在面試中談及能源市場危機與資料的關係，而高企的天然氣價格和電費讓每個人都能感同身受。到美國後，她深入機器學習研究，在 ICLR 發表論文，與 Stability AI 合作，並與 NASA 有合作專案，這些經歷最終促成了 Moshi 的誕生。
Moshi 的定位是“我當年做交易時希望擁有的那個程式”。它為金融交易員提供即時洞察，起步於大宗商品、能源和宏觀市場。其核心能力是處理遠超人力所能及的資料量，提煉出與使用者投資組合相關的資訊。Sokhal 用了這樣一個比喻：說出一句話只需四秒，而在這四秒裡 Moshi 已經學到了 300 件新事物。
資料來源可以拆成幾類。一類是結構化的期貨市場時間序列以及圍繞它的技術分析，包括各類統計指標、技術指標和移動平均線，這類資料持續更新。另一類是基本面市場的時間序列，在部分大宗商品市場中供需資料尤為關鍵。再一類是非結構化資料，新聞是最明顯的來源，此外還有各種另類資料，比如 X 平臺（原 Twitter）上的內容和播客音訊。最後還有使用者私有資料：交易員自己信任的分析師、訂閱的資訊源以及公司內部資料。Sokhal 舉例說，有些交易能源市場的客戶會有專人負責統計透過霍爾木茲海峽的液化天然氣船隻數量。
Moshi 把這些資料彙總後進行清洗和轉換，再運用統計與機器學習方法打標籤，並在其上構建本體（ontology），最終匯入 Moshi 的 n 維圖譜中，輸出為一款主動推送資訊的軟體：使用者每次開啟 Moshi 都會看到與自身持倉相關的新內容，也可以主動提問，讓大模型在 30 秒內給出通常需要數天才能得到的答案。
當被問到 Moshi 是否算“新彭博”時，Sokhal 表示不願這樣被定義。她承認彭博聊天是平臺的出色功能——交易員在聊天中完成數十億美元的交易，她本人涉足自然語言處理，正是從把彭博聊天解析成結構化的定價表開始。但她說 Moshi 是另一類軟體，並半開玩笑地形容：如果彭博、Claude 和 Netflix 生個孩子，那就是 Moshi。她解釋說，Moshi 內部自建了推薦系統：交易員關注某一件事時，其實當下還需要知道與之相關的二階、三階傳導影響，而這些並不會自動浮現。她以石油交易員舉例：如果某家能源股公司做出會間接影響油價的舉動，新聞流未必能立刻傳達，而一個相互連線的圖譜可以發現兩個資訊點之間的關聯並立即提示。
對談還涉及可信信源與訊號篩選、“自建模型還是採購模型”的抉擇以及文件提取等話題。Sokhal 也在會上分享了從客戶交流中學到的東西，並強調在招人之前要先與使用者見面。
訪談開頭，兩人還談到 AI 工程師群體的處境：許多人感到來自管理層的巨大壓力，因為公司會說“我們不需要一個團隊，你就是團隊”，這意味著一個人要獨自搭建通常需要十個人完成的系統。Sokhal 認為，在這樣快速變化的時期，分享經驗對大家很有幫助。她也提到，自己在紐約的行程被會後與客戶的會面排得滿滿當當，甚至有人邀請她去休斯頓繼續談能源方面的合作。