Richard Craib是一位29岁的南非人，在旧金山经营一家对冲基金。或者，他不跑。他把它留给由几千名数据科学家建立的赢咖4系统，他的名字不知道。
在创业公司Numerai的旗帜下，Craib和他的团队已经建立了掩盖基金交易数据的技术，然后与一个广泛的匿名数据科学家分享。使用类似于同态加密的方法，该技术用于确保科学家不能看到公司的自有交易的细节，而且组织数据，以便这些科学家可以建立分析它的机器学习模型，并且在理论上，学习更好的交易金融证券的方法。
“我们放弃了所有的数据，”Craib说，他在纽约的康奈尔大学学习数学，然后去南非的一家资产管理公司工作。 “但我们将它转换成这种抽象形式，人们可以为数据构建机器学习模型，而不必真正知道他们在做什么。
他不认识这些数据科学家，因为他在线招募他们，并用可以保持匿名的数字货币支付他们的麻烦。 “任何人都可以将预测提交给我们，”他说。 “如果他们工作，我们用比特币支付。
所以，总结一下：他们不知道他的数据。他不知道他们。因为他们从加密数据工作，他们不能使用他们的机器学习模型对其他数据，他也不能。但Craib认为盲人可以导致盲人更好的对冲基金。
Numerai的基金已经交易股票一年。虽然他拒绝说出它是多么成功，由于政府规定发布这样的信息，他说，它是赚钱。越来越多的大型投资者向公司投入资金，包括由数据分析驱动的庞大成功的“量化”对冲基金Renaissance Technologies的创始人。 Craib和公司刚刚完成了他们的第一轮风险投资，由纽约风险投资公司Union Square Ventures领导。联合广场在这一轮投资了300万美元，另外300万美元来自其他人。
对冲基金一直在探索机器学习算法的使用一段时间，包括成立的华尔街名称，如Renaissance和Bridgewater Associates以及像Sentient Technologies和Aidyia的科技创业公司。但Craib的创业代表了大量创造这些算法的新努力。其他人正在开展类似的项目，包括Two Sigma，第二个以数据为中心的纽约对冲基金。但是，Numerai正在尝试更极端的东西。
该公司作为某种硅谷gag：一个小型初创公司，旨在通过赢咖4，加密，众包和比特币重塑金融业。所有缺失的是虚拟现实。毫无疑问，Numerai还为时尚早。即使其投资者之一，联合广场合作伙伴安迪·韦斯曼，称之为“实验”。
但其他人正在开发类似的技术，可以帮助从加密的数据，包括微软的研究人员更一般地建立机器学习模型。这可以帮助像Microsoft这样的公司更好地保护他们从客户那里收集的所有个人信息。艾伦研究所的首席执行官Oren Etzioni表示，这种方法对于苹果是特别有用，苹果正在推进机器学习，同时对数据隐私采取强硬立场。但这种技术也可以导致Craib所支持的那种AI众包。
在边缘
Craib在为南非的金融公司工作时梦想了这个想法。他拒绝为公司命名，但说，它运行一个资产管理基金跨越150亿美元的资产。他帮助构建了可以帮助运行这个基金的机器学习算法，但这些并不是那么复杂。有一次，他想与一个朋友分享公司的数据，他正在使用神经网络进行更先进的机器学习工作，公司禁止他。但它的立场给了他一个想法。 “这是我开始研究这些新的加密数据的方法 - 寻找一种与他共享数据的方式，他没有他能够窃取它，并创办自己的对冲基金，”他说。
结果是Numerai。 Craib在基金中投入了一百万美元自己的资金，而在四月份，该公司宣布了来自一个集团的资金150万美元，其中包括文艺复兴技术创始人之一霍华德·摩根。摩根已经再次投资在联合广场和第一轮投资的A轮。
这是一个非正统的游戏，当然。这很明显就在你访问公司的网站时，Craib在短视频中描述了公司的使命。他穿着黑色眼镜和一个银色赛车夹克，视频将他变成一个视觉风景，让人联想到The Matrix。 “当我们看到这些视频时，我们认为：”这个家伙的想法不同，“魏斯曼说。
正如Weissman承认的，问题是这个计划是否会奏效。同态加密的麻烦是它可以显着减慢数据分析任务。 Baffle的首席执行官Ameesh Divatia说，“同形加密需要大量的计算时间，该公司正在构建类似于Craib所描述的加密技术。 “你如何让它在业务决策窗口内运行？”Craib说，Numerai已经解决了特定形式的加密速度问题，但Divatia警告说，这可能是以牺牲数据隐私为代价。
根据法国大学Rennes 1博士学生拉斐尔·博士（Raphael Bost）的研究，使用加密数据机器学习的机会，Numerai可能使用类似微软描述的方法，其中的数据是加密的，但不是在完全安全的方式。 “你必须非常小心的侧通道的算法，你正在运行，”他说，任何人使用这种方法。
关闭在党的声音
无论如何，Numerai正在加大努力。三个月前，约4500个数据科学家已经建立了约25万个机器学习模型，为基金带来了约70亿个预测。现在，大约有7,500名数据科学家参与，共建立了50万个模型，推动了大约280亿的预测。与众包的数据科学市场Kaggle一样，这些数据科学家竞相建立最好的模型，他们可以在这个过程中赚钱。对于Numerai，诀窍的一部分是，这是在大量。通过统计和机器学习技术称为堆叠或集合，Numerai可以结合最好的无数的算法创建一个更强大的整体。
虽然大多数这些数据科学家是匿名的，但一小部分不是，包括纽约州布法罗的菲利普·库利顿（Phillip Culliton），他也为一家名为Multimodel Research的数据分析公司工作，该公司获得了国家科学基金会的资助。他花了很多年在Kaggle的数据科学竞争中竞争，并认为Numerai是一个更有吸引力的选择。 “Kaggle很可爱，我喜欢竞争，但只有前几个竞争对手得到报酬，只有在一些比赛，”他说。 “在排名前100名的竞争对手中，在Numerai的资金分配相当大，在排行榜的顶部，是相当不错。
每周，100名科学家赚取比特币，公司迄今为止已经支付了超过15万美元的数字货币。如果基金达到10亿美元的管理，Craib说，它将每月向其数据科学家支付超过100万美元。
Culliton说，使用加密数据更加困难，并从中得出自己的结论。另一位Numerai常客Jim Fleming帮助运行一家名为Fomoro Group的数据科学顾问，他说，同样的事情。 但这不一定是一个问题。 毕竟，机器学习更多是关于机器得出的结论。
在许多情况下，即使使用未加密的数据，Culliton也不知道它实际上代表什么，但他仍然可以使用它来构建机器学习模型。 “加密数据就像关闭党的声音，”Culliton说。 “你不再在听人们的私人谈话，但你仍然可以得到很好的信号，他们对彼此的感觉有多接近。
如果这在Numerai的更大的数据科学家群体中工作，正如Richard Craib希望的那样，华尔街也将更加密切地倾听。
