Vasyl Soloshchuk, CEO at Tagapagtatag ng INSART – Serye ng Panayam

Vasyl Soloshchuk, CEO at Tagapagtatag ng INSART, ay isang fintech na negosyante na may higit sa 25 taon ng karanasan sa software development, pamumuno sa engineering, at pamumuhunan sa venture. Sinimulan niya ang kanyang karera bilang developer at unti-unting lumipat sa mga tungkulin ng pamumuno, sa huli ay pinalaki ang INSART bilang isang internasyonal na manlalaro na nakatuon sa teknolohiyang pinansyal. Sa buong kanyang karera, malapit siyang nakipagtulungan sa mga tagapagtatag at mga executive team upang hubugin ang estratehiya at pagpapatupad ng produkto, habang nag-aambag din sa mas malawak na ekosistema ng teknolohiya sa pamamagitan ng mga inisyatiba tulad ng Kharkiv IT Cluster at pakikilahok sa mga venture syndicate na sumusuporta sa mga umuusbong na startup.

INSART ay nagtatakda ng sarili bilang isang fintech accelerator, pinagsasama ang kadalubhasaan sa engineering at estratehikong suporta upang tulungan ang mga kumpanya na bumuo at palakihin ang mga produktong pinansyal sa bawat yugto ng paglago. Sinusuportahan ng kumpanya ang mga startup at enterprise mula sa maagang pag-iisip at pag-develop ng MVP hanggang sa product-market fit, go-to-market, at malawakang pag-deploy. Sa pagtutok sa mga larangan tulad ng digital banking, pagbabayad, pagpapautang, at imprastruktura ng pananalapi, kumikilos ang INSART bilang parehong teknikal na kasosyo at platform ng paglago, tumutulong sa mga fintech na pabilisin ang timeline ng pag-develop at harapin ang mga komplikasyon ng pag-scale sa mga reguladong merkado.

Sinimulan mo ang iyong karera bilang software developer; anong mga maagang senyales ang nagkumbinsi sa iyo na ang mga serbisyong pinansyal ay magiging isa sa mga pinaka-teknolohiyang pinapatakbo na industriya?

Nagsimula ako bilang freelance na software developer noong ako ay nasa unibersidad pa. Mabilis kong binuo ang isang koponan at nagsimulang kumuha ng mga proyekto sa pamamagitan ng mga freelance website. Ang software development at pananalapi ay parehong lubos na kinagigiliwan ko noon. Ako ay gumagawa ng software development. Kasabay nito ay nag-aaral ako ng pananalapi. Ito ay isang paraan upang pagsamahin ang aking mga kasanayan at interes.

Ang humubog sa akin noong maaga ay ang kombinasyon — paggawa ng software, pag-aaral ng pananalapi, at pag-iisip tungkol sa pinansyal na kalayaan at entrepreneurship. Naging labis akong obsessed sa intersection ng teknolohiya at pananalapi dahil matibay ang paniniwala ko na ang mga tao ay maaaring maging malaya lamang kapag sila ay pinansyal na malaya.

Ito rin ay isang napakahalagang sandali sa aking buhay.

Noong 2008, ako ay isang PhD intern sa IBM Watson Research Center sa New York. Ito ay eksaktong panahon ng krisis pinansyal. Nagtatrabaho ako sa mga proyektong data analytics habang malapit na sinusubaybayan ang mga pag-unlad sa mga pamilihan ng pananalapi. Nasa New York ako, bumibisita sa Stock Exchange at nakikipag-usap sa mga tao sa IBM na nagtatrabaho kasama ang mga hedge fund at investment firm. Mayroong tunay na pakiramdam ng kalituhan at pagkabigo — hindi nauunawaan ng mga tao kung paano magpatuloy. Iyon ang sandali kung kailan napagtanto ko na ang industriya ng pananalapi, sa kasalukuyang anyo nito, ay hindi matatag. Kailangan itong muling tukuyin. At para sa akin, naging malinaw na ang teknolohiya ang magiging tagapag-ugnay ng pagbabago.

Nagkaroon ako ng pagkakataon na manatili sa IBM. Ngunit pinili kong gumawa ng ibang bagay, nagpasya akong itayo ang INSART. Ang layunin ko ay tumulong sa paglikha ng teknolohiya. Nais kong gawing mas matibay at bukas ang sistemang pinansyal. Ngayon na iniisip ko ito, may ilang mga palatandaan na nag-udyok sa akin na gawin ang pagpiling iyon.

Una, ang mga serbisyong pinansyal ay pangunahin ay mga sistema ng impormasyon. Ang pera ay data, ang mga transaksyon ay mga pagbabago ng estado. Kapag naunawaan mo iyon, nagiging malinaw na ang software ay hindi lamang isang support function — ito ang sentro ng negosyo. Ang mga kumpanya tulad ng Stripe ay magandang halimbawa nito, kung saan ang mga API ay halos naging produkto.

Pangalawa, ang regulasyon ay nagiging mas kumplikado. Bawat bagong kahilingan ay nagdadagdag ng mga layer ng lohika at pag-uulat. Hindi ito kayang i-scale gamit lamang ang tao. Kailangan nito ng mga sistema. Makikita mo ito nang malinaw sa mga kumpanya tulad ng Plaid, na nagbuo ng imprastruktura upang harapin ang komplikasyong iyon.

At pangatlo, ang pressure sa margin ay nagtutulak ng automation. Ang mga institusyong pinansyal ay nagkakumpetensya sa bilis, gastos, at panganib. Ang teknolohiya lamang ang tanging lever na nagpapabuti sa tatlo. Sa paglipas ng panahon, sa pakikipagtulungan sa mga fintech na kumpanya, nakita naming ang mga nagwagi ay hindi yaong may mas magagandang ideya, kundi yaong may mas mahusay na arkitektura at pagpapatupad. At iyon pa rin ang misyon na sinusunod namin sa INSART ngayon — itaguyod ang mga fintech na negosyo na muling nagtatakda ng pananalapi at nagpapalawak ng digital na kalayaan.

Saan na nagbibigay ng nasusukat na halaga ang AI ngayon?

Ang agwat sa pagitan ng AI bilang isang kwento at AI bilang isang production system ay nananatiling napakalaki.

Ang tunay na halaga ay nakikita namin sa mga larangan na may malakas na data at mabilis na feedback loops.

Ang fraud detection ay ang pinakamalinaw na halimbawa. Ang mga kumpanya tulad ng Feedzai at Stripe Radar ay gumagamit ng machine learning upang matukoy ang mga anomalya sa real time, at ang epekto ay direktang nasusukat sa nabawasang pagkawala dulot ng pandaraya.

Ang operational automation ay isa pang larangan. Halimbawa, ang mga kumpanya tulad ng UiPath ay tumutulong sa mga institusyong pinansyal na i-automate ang mga prosesong maraming dokumento, na nagbabawas ng gastos at nagpapabilis ng pagpapatupad.

Ang personalization ay gumagana rin nang maayos. Ang Wealthfront at mga katulad na platform ay gumagamit ng AI upang iangkop ang mga estratehiya sa pamumuhunan at mapabuti ang pakikipag-ugnayan ng gumagamit.

Isang larangan na mabilis na umuusbong ay ang generative business intelligence. Maraming kumpanya na ang may data, ngunit ang pamunuan ay hindi makakakuha ng mga insight nang sapat na bilis. Kami ay nagtatayo ng mga sistema kung saan ang mga executive ay maaaring magtanong ng mga tanong tulad ng “Bakit bumaba ang kita ngayong linggo?” at makakuha ng agarang sagot sa iba’t ibang sistema.

Doon nagiging napaka-praktikal ang AI — pinapabilis nito ang bilis ng desisyon, hindi lamang ang mga proseso.

Sa underwriting, fraud detection, at compliance — ano ang talagang gumagana?

Ang fraud detection ay gumagana na sa malawak na sukat. Mayroon itong malinaw na mga senyales at patuloy na feedback. Ang mga kumpanya tulad ng Featurespace ay matibay na halimbawa nito.

Ang underwriting ay bahagyang gumagana. Maganda ang performance nito sa ilang segment, lalo na kapag gumagamit ng alternatibong data. Halimbawa, ang Upstart ay gumagamit ng AI para sa mga desisyon sa pagpapautang, ngunit patuloy na sumusunod sa mga regulasyong limitasyon.

Ang regulatory compliance ay ang pinaka-komplikadong larangan. Marami sa tinatawag na AI ay patuloy na rule-based automation. Ang tunay na AI-powered compliance ay mas kumplikado, nangangailangan ng kontekstwal na pag-unawa kaysa sa simpleng pattern. Ang mga kumpanya tulad ng ComplyAdvantage ay patungo sa direksyong ito, ngunit ito ay patuloy na umuunlad.

Mayroon ding mas tahimik ngunit mahalagang pagbabago na nagaganap sa internal reporting at decision-making. Maraming institusyon ang patuloy na umaasa sa static na mga dashboard. Nagsisimula nang baguhin ng AI ito tungo sa mga dynamic na sistema na nagbibigay-daan sa pamunuan na maunawaan kung ano ang nangyayari sa real time at kumilos nang mas mabilis.

Gaano karami sa kasalukuyang hype sa AI ang hype kumpara sa tunay na kakayahan?

Ang AI ay parehong tunay at sobra-sobrang pinamimarketing nang sabay.

Ang bahagi nito ay naghahatid ng aktwal na production value. Ang natitira ay nananatiling narrative-driven, lalo na sa fundraising at positioning.

Simple lang ang pagkakaiba. Kung pinapabuti ng AI ang isang nasusukat na KPI, ito ay tunay. Kung ito ay pangunahing nagpapabuti lamang ng pitch deck, ito ay hype.

Halimbawa, ang pagdaragdag ng AI labels sa isang dashboard ay hindi transformational. Ngunit kung ang AI ay tumutulong sa isang CFO na agad maunawaan ang mga driver ng kita at kumilos, iyon ay isang tunay na pagkakataon.

Ang mga kumpanya tulad ng OpenAI at Anthropic ay nagtatayo ng makapangyarihang core models, ngunit ang tunay na hamon ay kung paano ito ilalapat sa mga business system.

Kaya’t nakatuon kami sa decision intelligence at generative business analytics. Ito ay isa sa ilang mga larangan kung saan ang halaga ay agad at ang pag-adopt ay natural.

Bakit maraming AI pilot ang nabibigo na maabot ang production?

Karamihan sa mga kabiguan ay konektado sa mga sistema, hindi sa mga modelo. Ang mga pangunahing problema ay fragmented na data, kakulangan ng production infrastructure, at hindi malinaw na pananagutan para sa mga resulta.

Dagdag pa rito, ang AI ay binubuo nang mag-isa, kaya ang mga koponan ay lumilikha ng mga modelo at ang mga modelong ito ay hindi isinama sa mga workflow o reporting system. Isang magandang halimbawa nito ay ang mga bangko na nag-eeksperimento sa mga modelong katulad ng inaalok ng mga kumpanya tulad ng DataRobot ngunit hindi kayang ipatupad ang mga ito.

Kung ang data na nagmumula sa prosesong ito ay hindi umabot sa mga C-level decision-maker na maaaring gumamit nito, titigil ang buong proyekto. Ang mga AI model ay gumagana lamang kapag bahagi ito ng kung paano tayo gumagawa ng mga desisyon, hindi kapag ito ay isang bagay na sinusubukan lamang sa gilid.

Paano nalalampasan ng mga institusyon ang mga hamon sa data infrastructure?

Hindi ito tungkol sa AI, kundi sa data architecture. Ang mga mahusay na institusyon ay nag-iisa ng kanilang data, lumilikha ng real-time data processing pipelines, at nagtatakda ng pare-parehong metrics. Ang mga kumpanya tulad ng Snowflake at Databricks ay talagang mahalaga sa larangang ito dahil tumutulong silang matiyak na ang data infrastructure ay kayang hawakan ang malalaking volume ng data. At ito ang pundasyon para bumuo ng matibay na decision-making system at reporting.

Maraming kumpanya ang gumagamit ng hindi kumpletong data, na nagreresulta sa maling sagot, at hindi nagtitiwala ang mga tao sa mga resulta. Ang tamang paraan ay: una, kunin mo ang data; pagkatapos, itayo mo ang infrastructure para sa data; pagkatapos, gawin mo ang mga modelo; at sa huli, makakakuha ka ng halaga para sa negosyo mula sa data, mga modelo, at ang infrastructure na ibinibigay ng Snowflake at Databricks para sa data.

Paano binabago ng generative AI ang pandaraya at fraud detection?

Ang generative AI ay binabago ang parehong offensive at defensive na mga pamamaraan. Ang problema ng pandaraya ay lumalala. Ang mga fraud attack ay nagiging napakakumplikado. Ang mga tao ay gumagamit ng mga bagay tulad ng deepfakes, pekeng pagkakakilanlan at phishing email na ginawa ng mga computer. Ang mga ito ay mabilis na sumisikat. Ang mga kumpanya, tulad ng Sensity AI, ay nagbabantay sa mga panganib na kaakibat ng deepfakes. Nais nilang malaman kung anong uri ng problema ang maaaring idulot ng deepfakes.

Sa larangan ng seguridad, ang mga organisasyon ay lumilipat patungo sa adaptive na mga sistema. Sa halip na static na mga patakaran, umaasa sila sa behavioral analysis at real-time detection. Ang Darktrace ay isang halimbawa ng ganitong pamamaraan. Pumasok tayo sa isang yugto kung saan ito ay halos isang labanan sa pagitan ng AI at AI. Ang mga static, rule-based na sistema ay hindi na sapat.

Paano binabalanse ng mga institusyon ang AI-driven na mga desisyon sa kredito sa regulasyon?

Mayroong tensyon sa pagitan ng pagiging epektibo at mga regulasyon. Ang artificial intelligence ay tumutulong sa mga prediksyon, at ang mga regulasyon ay nangangailangan ng transparency.

Ang mga institusyon ay nagpatupad ng halo ng mga estratehiya at pamamaraan. Ang artificial intelligence ay gumagawa ng mga forecast. Pagkatapos ay nagdadagdag sila ng higit pang mga layer upang ipaliwanag ang mga bagay. Halimbawa, ang Upstart ay malapit na nakikipagtulungan sa mga regulator upang matiyak ang explainability ng kanilang mga modelo.

Ang kontrol ng tao ay palaging nasa unang plano, lalo na para sa mga desisyon na may mataas na pusta. Ang hinaharap ay para sa mga AI-enhanced na sistema na epektibo at auditable.

Ano ang nagbubukod sa mga institusyon na matagumpay na nag-aadopt ng AI mula sa mga nahihirapan?

Sa madaling salita, ang mga institusyon na matagumpay na nag-integrate at nag-adapt ng AI ay naiiba sa iba sa kanilang arkitektura.

Ang mga matagumpay na institusyon ay cloud-native, modular, at data-driven. Ang Nubank at mga katulad na kumpanya ay magagandang halimbawa, sila ay itinayo gamit ang modernong arkitektura mula pa sa simula. Hindi mo maaaring ipatupad ang intelligence sa isang sistema na hindi dinisenyo upang suportahan ito.

Sa hinaharap, i-a-automate ba ng AI ang mga proseso o babaguhin ang mga produktong pinansyal?

Mula sa short-term na perspektibo, ang AI ay magbabawas ng gastos at magpapabuti ng risk management, at siyempre, i-a-automate ang proseso. Sa long term, ito ay magbabago ng mga produktong pinansyal.

Makikita natin ang mas dynamic at personalized na mga serbisyong pinansyal.

Isa sa mga pinaka-kapansin-pansing pagbabago ay magaganap sa kung paano ginagawa ang mga desisyon sa loob ng mga organisasyon. Lilipat tayo mula sa static reporting patungo sa interactive, real-time intelligent systems. Sa pananalapi, ang bilis ng paggawa ng desisyon ay isang competitive advantage, at ang AI ay fundamental na magbabago nito.

Salamat sa mahusay na panayam, ang mga mambabasa na nais pang matuto tungkol sa fintech accelerator na ito ay dapat bumisita sa INSART.