# あなたがチームそのもの — Anekha Sokhal（Moshi）

- 番組: [Latent Space: The AI Engineer Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5bz700015o10zwiyz4qc)（Latent.Space）
- 元のタイトル: You are the Team  — Anekha Sokhal, Moshi
- 配信日: 2026年10月22日
- 長さ: 26分
- 要約作成日: 2026年10月23日
- トピック: [#推薦システム](https://ai-curator.jp/topics/%E6%8E%A8%E8%96%A6%E3%82%B7%E3%82%B9%E3%83%86%E3%83%A0) [#金融AI](https://ai-curator.jp/topics/%E9%87%91%E8%9E%8DAI) [#コモディティ取引](https://ai-curator.jp/topics/%E3%82%B3%E3%83%A2%E3%83%87%E3%82%A3%E3%83%86%E3%82%A3%E5%8F%96%E5%BC%95) [#代替データ](https://ai-curator.jp/topics/%E4%BB%A3%E6%9B%BF%E3%83%87%E3%83%BC%E3%82%BF) [#視覚言語モデル](https://ai-curator.jp/topics/%E8%A6%96%E8%A6%9A%E8%A8%80%E8%AA%9E%E3%83%A2%E3%83%87%E3%83%AB) [#AI Engineer](https://ai-curator.jp/topics/AI%20Engineer)
- URL: https://ai-curator.jp/podcasts/cmvjooart00026z11m2kskfkr

## 要約

Latent Space のライブ収録で、swyx がコモディティ・エネルギー市場向けのリアルタイム情報サービス Moshi の創業者 Anekha Sokhal 氏に話を聞いた。元 JP Morgan のデリバティブトレーダーである同氏は、構造化・非構造化データやユーザー固有データを統合し、推薦システムで重要情報を届ける設計を語った。AI Engineer New York 登壇後の反響や、「あなたがチームだ」と迫られる AI エンジニアの悩みも話題になった。

## ポイント

- Sokhal 氏は Warwick で数学・統計などを学び、JP Morgan でエネルギーデリバティブのトレーダーを務めた後、Fulbright 奨学金で渡米して機械学習研究を経て Moshi を創業した。
- Moshi は先物の時系列、需給などのファンダメンタルズ、ニュースや X、ポッドキャスト音声などの代替データに、ユーザー固有のデータを組み合わせて処理する。
- 「Bloomberg と Claude と Netflix が子どもを産んだようなもの」と表現し、トレーダーが見ている対象の二次・三次的な影響を推薦システムで提示することを特徴とする。
- 自作ダッシュボードが増えた今、課題は UI と利用定着であり、プッシュ型の推薦と UI は一体で解くべきだというのが同社の仮説である。
- 情報源が割れていること自体をシグナルとみなし、信頼度スコアを付けて提示する。顧客の PDF などは自社の視覚言語モデルで処理し、第三者への送信を避けている。
- 登壇後は顧客候補との面談が殺到した。AI エンジニアからは「チーム不在で全部自分で作る」重圧や、作ったのに使われない悩みが寄せられたという。

## 章立て

- [00:00] **登壇後の反響と「あなたがチーム」** — Sokhal 氏が AI Engineer New York 後に面談が埋まり滞在を延長した様子と、管理職からの重圧に悩む AI エンジニアの話。
- [01:01] **数学からエネルギーデリバティブへ** — Warwick での学び、JP Morgan での取引経験、データへの関心から起業を志した経緯を語る。
- [03:10] **Fulbright と創業、Moshi とは** — ガス市場の混乱期に Fulbright を得て渡米し、ML 研究を経て、自身が欲しかったツールとして Moshi を作った。
- [06:20] **扱うデータの種類と規模** — 市場の時系列、ファンダメンタルズ、ニュース、X、音声、ユーザー固有データを統合し、プッシュとプルで提供する仕組み。
- [08:25] **Bloomberg・Claude・Netflix と推薦システム** — Bloomberg との違い、二次・三次の影響を示す推薦グラフ、ダッシュボードから UI・定着への課題を議論する。
- [14:30] **信頼できる情報源とデータ統合** — 代替データの信頼性、情報源の不一致をシグナルとして扱う方法、PDF 処理の自社モデルとデータ保護の考え方。
- [17:50] **カンファレンスの収穫と面談の工夫** — 登壇後の問い合わせ、1対多の対面面談案、運営への評価、採用と顧客獲得の優先度を話す。
- [26:10] **swyx の AI への転身** — ヘッジファンドからテックへ移り、AI Engineer を立ち上げた経緯を swyx が簡単に語る。

## 解説記事

Latent Space のライブ収録回で、司会の swyx が、コモディティ・エネルギー市場向けのリアルタイム情報サービス Moshi の CEO、Anekha Sokhal 氏に話を聞いた。元 JP Morgan のデリバティブトレーダーである同氏が、自身の経歴、プロダクト設計、AI Engineer New York 登壇後の反響を語っている。

#### トレーダーから創業者へ

Sokhal 氏は英国の Warwick で数学、オペレーショナルリサーチ、統計、経済学を学んだ。当時は「ナードっぽい」と思われて人に言いづらかった分野が、今は機械学習や AI として注目されていると振り返る。JP Morgan では新興国デスクからコモディティに移り、主にエネルギーデリバティブを担当した。

取引の現場でデータが重要になる変化を感じて退職し、データ企業の創業を目指した。そこで Fulbright 奨学金を得て渡米したという。同氏によれば、英国全体で枠は1人分であり、面接ではガス価格の高騰というエネルギー危機とデータの関係を語った。渡米後は機械学習研究に取り組み、Stability AI と共同で ICLR に論文を発表し、NASA とも協業したと述べている。これが Moshi につながった。

#### Moshi が扱うデータと設計

Moshi は「自分がトレーダー時代に欲しかったプログラム」として、商品・エネルギー・マクロ市場向けにリアルタイムの洞察を提供する。同氏は、自分が4秒で一文を話す間に Moshi は300件の新しい情報を学習する、と規模を説明した。

対象データは大きく分かれる。先物の時系列と各種テクニカル指標、需給などのファンダメンタルズの時系列、さらにニュース、X、ポッドキャスト音声などの非構造化・代替データである。これに、ユーザーが信頼するアナリストや購読中のレポート、社内データ（たとえばホルムズ海峡を通過する LNG 船の数を追う担当者の情報）といった非公開データを組み合わせる。クリーニングと変換を経て、統計や機械学習でタグ付けしオントロジーを作り、グラフ構造に格納する。出力は、ポートフォリオに関連する情報が開くたびに更新されるプッシュ型と、LLM に質問して数秒で答えを得るプル型の両方だという。

#### Bloomberg と Netflix の間

Bloomberg との比較について Sokhal 氏は「新しい Bloomberg」とは言わず、「Bloomberg と Claude と Netflix が子どもを産んだようなもの」と表現した。トレーダーが見ている対象に対し、二次・三次の影響を示す推薦システムを自社で構築しているのが特徴だ。たとえば、原油トレーダーに対して、間接的に原油に影響するエネルギー関連企業の動きを、ニュースのストリームではなく接続されたグラフから示す。

swyx は、推薦システムが YouTube や Netflix、Instagram、TikTok の中核であるにもかかわらず、自身が主催する会議の推薦システムのトラックは参加者が少ないと指摘した。両者は、誰でも自分用のダッシュボードを作れる今、他人に使わせる段階では技術より UI と業務フローへの組み込みが問題になる、と議論した。Sokhal 氏は、プッシュで自然に使わせる仕組みが重要で、UI と推薦は一方を解けば他方も解けるというのが同社の仮説だと説明している。

#### 信頼性とデータの扱い

swyx は、自身がバイサイドで高額な X のデータを購入した経験から、SNS データはノイズや相場操縦の懸念があると述べた。Sokhal 氏は、ユーザーには信頼する発信者がいて、特に供給側の施設などが X で最新状況を出すことが多いと答えた。Moshi は可能な限りノイズを除き、提示時には信頼度スコアと周辺の議論も示す。また、Reuters や Bloomberg、Wall Street Journal の報道が食い違う場合、その不一致自体が情報になりうると考えている。

顧客データの統合では、整理されていない PDF を自社の視覚言語モデルで解析し、クラウド版にアップロードされたデータからデータベースを構築する。システム接続が必要なデータは個別に対応する。自社モデルにこだわる理由として、データを第三者に送りたくないこと、エンジニアのいる組織はモデルを自作したがることを挙げ、ベンダー利用かどうかはチームの状況次第だとした。

#### カンファレンスの反響

登壇後は、LinkedIn での面談依頼が相次ぎ、同氏は滞在を延長した。相手は、ファンドやコンサルのトレーダー、パートナー候補、そして AI エンジニアだった。AI エンジニアの多くは、「あなたがチームだ」と言われ、本来10人で作る規模のシステムを一人で構築する重圧を感じていると語る。エージェントの群れが必要か、壊れたらどうするか、作ったのに誰もクリックしない、といった悩みも出たという。

面談の効率化として、ウェビナーの開催を始める。swyx は会場で1対多のミーティングをできる仕組みを提案し、Sokhal 氏も賛同した。採用では、1つの求人が4日で2,500件の応募を集めたため、フィルタが必要だとし、現在は顧客との接点づくりを優先している。

#### まとめ

この回は、AI で情報を大量処理する以上に、重要なものを選んで届け、ワークフローに定着させる設計が価値を決めるという視点を示している。日本の読者にとっては、金融以外でも、推薦システムと UI の一体設計、情報源の不一致を価値とみなす発想、データ保護を踏まえた自社モデルの判断が参考になる。また、少人数で多くの役割を求められる AI エンジニアの現状も、現場の声として押さえておきたい。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Latent Space: The AI Engineer Podcast「You are the Team  — Anekha Sokhal, Moshi」