Zoa Research

Tungkol sa kumpanya

Ayon sa kasaysayan, nakatali sa iisang domain ang mga quantitative model. Ginugugol ng mga napakatalinong tao ang pinakamagagandang taon nila sa pagsubok ng mga feature, pag-tune ng hyperparameter at pag-ulit-ulit ng architecture sa loob ng isang makitid na domain. Pero ang scale ang lunas: makikita ng malalaking model ang mga pattern na hindi nakita ng tao at ng mga espesyalisadong model.

Nagge-generalize ang forecasting. Nagte-train ang Zoa ng mga cross-domain na event forecasting engine.

*Pag-automate sa iteration*

Ang mga LLM, kapag nakapaloob sa multi-agent optimization loop at sinusukat laban sa mga nakapirming policy, ay kayang i-automate ang build-test-improve na siklo ng modeling. Isipin ang AlphaEvolve para sa mga problema sa forecasting.

*Sample-efficient na pangkalahatang model*

Ang mga forecasting model ngayon ay makitid ang pagkakagawa at puno ng malalalim na human prior. Pero malalampasan ng mas malalaking model ang mga state-of-the-art na espesyalisadong model.

Hindi tulad ng mga kasalukuyang event model, gumagamit ang aming mga model ng data mula sa iba't ibang konteksto at mas kaunti ang pag-asa sa intuwisyon ng tao. At kumpara sa mga LLM, may mas maraming inductive prior ang aming mga model at mas umaasa sa inference-time compute, kaya mas gumaganda ang sample efficiency.

*Bakit ito mahalaga*

Sa totoong ekonomiya, puwedeng magamit ang aming mga model sa pag-forecast ng volatility ng supply chain, supply at demand ng enerhiya, at maging ng panganib ng lindol.

Ayon kay Ian Hacking, ang agham ay ang pagpapaamo sa pagkakataon. Ito ang proseso ng paulit-ulit na pag-update ng mga prior (halimbawa: tukuyin ang kawalang-katiyakan, bumuo ng eksperimentong magbabawas nito, isagawa, mag-update). Kung ang agham ay pagbabawas ng kawalang-katiyakan, ang forecasting ay isang mahalagang sukatan ng pag-unlad.

Sa mas mahusay na forecasting, mas nagagawa nating pumili ng mga kawili-wiling eksperimento (halos iyong may pinakamalaking inaasahang pagbaba ng kawalang-katiyakan) at mag-update ng mga prior. Gagamitin ang aming mga model ng mga lab at akademiko sa mga domain na mabigat sa data.

Ipinakilala si Sam kay Greg ng dating girlfriend ni Sam sa Carnegie Mellon noong 2017, at kahit hindi nagtagal ang relasyong iyon, nanatili ang kanilang pagkakaibigan. Pagkatapos ng kolehiyo, nag-aral si Greg sa Harvard Law School, habang nagtrabaho naman si Sam nang tatlong taon sa Options desk ng Jane Street, kung saan bumuo at nanguna siya sa isang satellite dev team.

Mga paksa