جوناثان هورن، الرئيس التنفيذي والشريك المؤسس لشركة Treefera – سلسلة المقابلات

جوناثان هورن، الرئيس التنفيذي والشريك المؤسس لشركة Treefera، هو رجل أعمال تكنولوجي وسابقًا مسؤول تنفيذي في بنك الاستثمار مع خبرة عميقة في إدارة المخاطر والذكاء الاصطناعي وتحليل البيانات على نطاق واسع. قبل تأسيس Treefera في عام 2022، شغل مناصب قيادية في كل من جيه بي مورغان و سيتي جروب، حيث ركز على المخاطر والبيانات والنظم المالية المعقدة. مستندًا إلى خلفيته في نمذجة المخاطر ذات الجودة المالية، أطلق هورن Treefera لمعالجة واحدة من النقاط العمياء الأكثر صلابة في سلاسل التوريد العالمية: “الميل الأول”، حيث تorigin المواد الخام. تحت قيادته، نمت الشركة بسرعة لتصبح موردًا رائدًا لذكاء سلاسل التوريد المدعوم بالذكاء الاصطناعي، مما يساعد الشركات على الحصول على رؤية فعلية للاستحواذ والمخاطر البيئية ومتطلبات الامتثال والاستجابة التشغيلية.

تأسست Treefera في لندن في عام 2022، وهي شركة ذكاء سلاسل التوريد مدعومة بالذكاء الاصطناعي تركز على جلب الشفافية إلى ميل سلاسل التوريد العالمية للسلع الأساسية. يجمع نسيج البيانات الخاص بها بين الصور الفضائية والبيانات المكانية والزمانية ونمذجة الذكاء الاصطناعي وتحليل المخاطر لتزويد المنظمات بمعلومات فعلية حول الاستحواذ والامتثال والاستدامة ومخاطر سلاسل التوريد. يساعد المنصة الشركات على مراقبة كل شيء من تعرض إزالة الغابات إلى الآثار الكربونية ومخاطر استحواذ السلع الأساسية، مما يسمح باتخاذ قرارات أكثر إطلاعا عبر المشتريات والتمويل والعمليات. من خلال تحويل البيانات البيئية والторيدية المتجزئة إلى معلومات قابلة للتنفيذ، تهدف Treefera إلى تعزيز متانة سلاسل التوريد في اقتصاد عالمي متقلب ومراقب بشكل متزايد.

لقد أسست Treefera بعد شغل مناصب قيادية في المخاطر والذكاء الاصطناعي وتحليل البيانات في جيه بي مورغان وسيتي جروب. ما هو الفراغ المحدد الذي رأيته في فهم الشركات للمخاطر الزراعية والسلع الناعمة التي أقنعتك بأن Treefera تحتاج إلى الوجود؟

تمثل السلع الطبيعية 2.1 تريليون دولار من التجارة العالمية، ومع ذلك كانت البيانات التي تُستخدم لتقييم المخاطر لتلك الأصول يدوية ومؤجلة وstructurally غير دقيقة. أثناء العمل مع نماذج المخاطر في جيه بي مورغان وسيتي جروب، رأيت قرارات التسعير والتعرض التي تعتمد على البيانات التي تنشأ في ميل سلاسل التوريد الزراعية: يتم جمعها يدوياً، وتعرضت للاحتمال وغالبًا ما تكون متأخرة بأسبوعين أو شهرين عن الواقع. إن 60٪ من مخاطر التوريد تنشأ في ميل سلاسل التوريد، قبل أن تصل السلع الأساسية إلى ميناء أو بورصة، ومع ذلك كانت تلك المنطقة بالضبط حيث كانت الرؤية أقل.

ما أقنعني ببناء Treefera هو تقارب أمرين: حجم المشكلة ووصول الأدوات القادرة على معالجتها. لقد وصلت دقة الصور الفضائية والتغطية إلى نقطة يمكن فيها مراقبة ظروف المحاصيل على مستوى الحقل عبر مناطق الإنتاج الرئيسية بتكلفة معتدلة. لقد نضج الذكاء الاصطناعي إلى الحد الذي يمكنه تحويل ذلك الإشارة الخام إلى شيء يمكن تفسيره ماليًا. لم يكن أحد يربط بين تلك النقاط بطريقة علمية صارمة. كانت الشركات لا تزال تضع أسعار المخاطر على أساس تقارير حكومية متأخرة بأشهر، ومعدلات وطنية خففت التباين المحلي، ونمذجة خطية لا يمكنها التعامل مع تقلبات المناخ. كان الفراغ بين ما يمكن معرفته وما كان معروفًا هائلاً. ذلك هو الفراغ الذي تقع فيه Treefera.

غالبًا ما يُوصف Treefera بأنه منصة ذكاء مدعومة بالذكاء الاصطناعي، ولكن نهجك صريح في عدم التركيز على LLMs. كيف تفسر الفرق بين الذكاء الاصطناعي التنبؤي لسلاسل التوريد والنظم الذكية التوليدية التي تسيطر على المحادثة حاليًا؟

ت解决 الذكاء الاصطناعي التوليدي والنمذجة اللغوية الكبيرة مشكلة أساسية مختلفة. إنها أدوات إنتاجية: مفيدة بشكل استثنائي لتبسيط المهام المتكررة، مثل صياغة وتلخيص. التحدي التجاري لهذه الأنظمة هو تبنيها، الحصول على الناس لتغيير كيفية عملهم. ذلك مشكلة في تعليم السوق، وليست مشكلة علمية.

استخدم Treefera الذكاء الاصطناعي لحل مشاكل علمية ذات متطلبات دقة مالية. يتم تدريب نماذج التعلم العميق لدينا على تفسير الصور الفضائية وإشارات المناخ وبيولوجيا المحاصيل لإنتاج توقعات للحاصل والمناطق الإنتاجية بدقة كافية لاتخاذ قرارات تخص التخصيص الرأسمالي. السؤال الذي نجيب عنه ليس “ماذا يقول هذا المستند؟” بل “ماذا سوف تنتج هذه المنطقة في ثلاثة أشهر، وكم يجب أن تكون واثقًا؟” تلك ليست نفس فئة المشكلة ولا تتطلب نفس فئة النموذج. النماذج اللغوية الكبيرة مُحسنة للغة؛ نماذجنا مُحسنة لتفسير العالم الفعلي. الخلط بينهما يؤدي إلى تطبيق الأداة الخاطئة على مشكلة لم يتم بناؤها من أجلها.

يُدعي العديد من شركات الذكاء الاصطناعي أن الأداء الأفضل يتطلب المزيد من الحوسبة، ونماذج أكبر، ووصول أكبر إلى وحدات معالجة الرسومات. يبدو أن Treefera ت挑ل ذلك الافتراض. ما يعني “الحوسبة البخيلة” في الممارسة، ولماذا هو مهم للذكاء الاصطناعي التطبيقي؟

الافتراض السائد في الذكاء الاصطناعي هو أن الحجم يعادل الأداء: المزيد من المعاملات، المزيد من وحدات معالجة الرسومات، المزيد من البنية التحتية السحابية. بالنسبة للذكاء الاصطناعي التطبيقي في السياقات الخاصة بال領域، فإن ذلك الافتراض خاطئ، ويؤدي إلى تكاليف غير ضرورية وهدر للطاقة.

الحوسبة البخيلة، في الممارسة، تعني ثلاثة أشياء لنا. أولاً، نفصل الحوسبة عن الوقت. معظم مهام المعالجة الخاصة بنا لا تحتاج إلى حدوثها في ثانية معينة. بدلاً من تشغيل البنية التحتية دائمًا، نحدد فترات السعة الزائدة للشبكة ونستعير الحوسبة خلال تلك النوافذ.

ثانيًا، نُمرز الحمل العمل. بدلاً من توجيه كل شيء من خلال مركز سحابي واحد، نوزع عبر شبكة من العقد المتاحة، بما في ذلك بنية البلوك تشين، التي تحمل سعة هامشية كبيرة في فترات معينة. إذا أصبحت عقدة واحدة غير فعالة، يتم إعادة توجيه المهام ديناميكيًا.

ثالثًا، نحسن حجم الأجهزة. نستخدم NVIDIA (NVDA ) AG6 بدلاً من الشرائح الرائدة، حيث تكون الأداء متساوية لتحميلات عملنا عند جزء من الطاقة والتكلفة. السبب في أن هذا الأمر مهم يتجاوز الكفاءة؛ إنه يفرض الانضباط حول ما الحوسبة التي تحتاجها حقًا. ذلك ينتج نماذجًا رشيقة ومترجمة أكثر – النوع الذي يمكن أن يستخدمه صانعو القرارات المالية والتشغيلية.

يُبلّغ عن منصة Treefera أنها توفر مخرجات تنبؤية حول حاصل المحاصيل واستخدام الأراضي ومخاطر التوريد دون الاعتماد على بنية تحتية سحابية دائمة التشغيل. كيف تفصل الحوسبة عن الوقت مع تقديم استخبارات تشغيلية قريبة من الوقت؟

الاستخبارات القريبة من الوقت والحوسبة المستمرة ليسا نفس الشيء. يحتاج عملاؤنا إلى توقعات محدثة أسبوعيًا؛ لا يحتاجون إلى أن تكون الحوسبة التي تُنتج تلك التوقعات قيد التشغيل باستمرار.

نُحدد دورات المعالجة الخاصة بنا إلى الإيقاع الطبيعي للبيانات. تصل الصور الفضائية بانتظام. يتم تحديث المدخلات الجوية بانتظام. الأسئلة التحليلية التي تجيب عليها نماذجنا هي أيضًا مدفوعة بالإيقاع: ما هو مسار الحاصل لهذه المنطقة، ما الذي تغير هذا الأسبوع في المساحة المزروعة. لذا نقوم بجدولة مهام الحوسبة للتشغيل ضد تلك نوافذ البيانات، واستعارة السعة من البنية التحتية الموزعة خلال فترات الطلب المنخفض. المخرجات للعميل هي تغذية بيانات أسبوعية حالية ويمكن اتخاذ إجراء بشأنها ومتوافرة للنمذجة. البنية التحتية وراءها لا تعمل إلا عندما هناك شيء مهم لمعالجته. تلك الهيئة أيضًا أكثر متانة. حمولة موزعة تُمرر حول عقدة فاشلة أكثر موثوقية من خادم دائم التشغيل مع نقطة فشل واحدة.

لا تزال أسواق السلع الزراعية والسلع الناعمة تعتمد بشكل كبير على البيانات المتأخرة أو المُجمعة أو المتجزئة. كيف يغير الذكاء الاصطناعي الطريقة التي يمكن للشركات والبنوك والشركات التأمينية والتجار تقييم المخاطر قبل أن تصبح مرئية في التقارير الرسمية؟

المشكلة الهيكلية مع التقارير القائمة على الاستطلاعات هي أنها متأخرة بطبيعتها. بحلول الوقت الذي تنشر فيه وكالة حكومية تقديرًا للتوريد، تكون الظروف الفعلية التي تُستند إليها قديمة بأسبوعين أو شهرين. الأسواق التي تتحرك على تلك البيانات تتفاعل مع التاريخ.

يغير الذكاء الاصطناعي ذلك عن طريق تغيير مصدر المعلومات من الاستطلاعات إلى المراقبة المباشرة. الصور الفضائية وإشارات المناخ وبيانات نمو المحاصيل متاحة الآن، وليس بعد ستة أسابيع عندما يتم تجميع تقرير وتنشره. ما تفعله نماذجنا هو ترجمة تلك البيانات الفعلية إلى لغة مالية التي يستخدمها التجار والكتاب والتحليلون فعليًا: توقعات للحاصل مع فترات عدم اليقين المحددة، تقديرات للمساحة الإنتاجية مع تحديثات أسبوعية، درجات التوتر التي تقيس المخاطر في المنشأ قبل أن تظهر في الأسعار.

في عام 2022، أشار نموذجنا الأمريكي للذرة إلى تنقيح تنازلي قبل خمسة أسابيع من نشر USDA تقريره. في يناير 2025، كشفت نماذجنا عن درجة توتر 0.76 عبر حزام الكاكاو في غانا؛ لم يعدل COCOBOD توقعات الموسم حتى يونيو. ميزة المعلومات ليست هامشية؛ إنها هيكلية. الشركات التي لا تزال تنتظر التقارير الرسمية لاتخاذ قرارات التوريد والسعر تعمل بفجوة زمنية قد لا يشاركها الطرف الآخر.

كان “الميل الأول” لسلاسل التوريد تاريخيًا واحدة من المناطق الأقل شفافية للشركات العالمية. لماذا يصبح رؤية الميل الأول حرجة الآن، خاصة مع زيادة تقلبات المناخ والتنظيم والاضطراب الجيوسياسي؟

تتلاقى ثلاثة قوات، وكلها مادية بشكل فردي.

تزيد تقلبات المناخ من تكرار وشدة الصدمات الإنتاجية في المنشأ. بالنظر إلى أن أنظمة المحاصيل أكثر إجهادًا وأحداث الطقس أقل قابلية للتنبؤ من المتوسطات التاريخية، فإن نفس الحدث الجوي يحمل تأثير توريد أكبر لأنظمة المحاصيل أكثر إجهادًا. النماذج الخطية التي بنيت على المعايير التاريخية غير مجهزة هيكليًا لمعالجة ذلك. تحتاج إلى مراقبة فعلية لما يحدث فعليًا في الحقل.

يخلق التنظيم رابطة مسؤولية مباشرة بين ما يحدث في الميل الأول وما يمكن للشركة بيعه أو تمويله. EUDR و CSRD و TCFD: هذه الإطارات تتطلب من الشركات أن تعرف، مع الأدلة، من أين تأتي سلعها الأساسية وما كانت الظروف في المنشأ. “كنا نثق في المورد” لم يعد موقفًا قابلًا للدفاع. تلك المسؤولية تُجعل تتبع المنشأ وثبوت المنشأ من تفضيل المشتريات إلى متطلب قانوني.

أدى الاضطراب الجيوسياسي إلى جعل الاعتماد على مصدر واحد مخاطر مجلس إدارة. عندما تُشكل منطقة واحدة حصة домينية من التوريد العالمي لسلسلة توريد معينة وتُصبح تلك المنطقة غير موثوقة سياسيًا أو فيزيائيًا، لا تملك الشركات بدون رؤية الميل الأول آلية إنذار مبكر. يكتشفون عندما يكون السوق قد أعاد تسعيره بالفعل.

هناك أيضًا تحول أوسع يحدث في نظام البيانات نفسه. إطلاق خرائط السلع الأساسية البان-استوائية من قبل Google (GOOGL ) Earth AI – مسارات السلع الأساسية السنوية بمقاس 10 متر للكاكاو والقهوة وزيت النخيل والمطاط، الصادرة كبيانات مفتوحة – هو مؤشر مفيد لمكان توجيه الأمور. العالم الفعلي يصبح أكثر قراءة من الفضاء، وطالب الشفافية في سلسلة التوريد أصبح الآن شائعًا بما يكفي لجذب استثمارات التكنولوجيا الكبيرة على نطاق واسع. ترحب Treefera بذلك. طبقة بيانات أساسية أكثر ثراء ترفع السقف للأسواق كلها وتخلق وعيًا مشتركًا بأن المعلومات الأفضل ليست فقط ممكنة، بل متاحة.

ما لا تستطيع خرائط الاكتشاف المفتوحة فعله هو إغلاق فجوة الاستخبارات. معرفة أين تُزرع المحاصيل ليس نفس معرفة كيفية تطور الموسم الحالي أو ما تعنيه ظروف المنشأ لمخاطر التوريد الخاصة بك أو أين تتعرض محفظتك للمخاطر. الترجمة من المراقبة إلى رؤية مالية من الدرجة الأولى هي ما بنيت عليه Treefera.

كانت جهل الميل الأول يُحتمل تجاريًا عندما كان العالم أكثر قابلية للتنبؤ. لم يعد كذلك.

تتضمن قاعدة عملائك الشركات الكبيرة مثل جيه بي مورغان ومايكروسوفت وباير وAnew. ما هي أكثر المشاكل شيوعًا التي تحاول الشركات حلها مع Treefera: الامتثال، مخاطر التوريد، التنبؤ، الاستدامة، المشتريات، أو شيء آخر؟

المشكلة الأساسية التي تُحضرها الشركات إلينا هي نسخة من نفس الشيء: لديهم تعرض مالي كبير لما يحدث في ميل سلاسل التوريد الزراعية ولا توجد آلية موثوقة لمراقبته قبل أن يكلفهم ذلك. الإطاران الخاص يختلف حسب القطاع.

对于 التجار والمؤسسات المالية المعرضة للسلع الأساسية، السؤال هو ميزة المعلومات: رؤية تحولات التوريد قبل أن تظهر في الأسعار أو البيانات الرسمية.对于 المُقرضين الزراعيين والتأمين، السؤال هو تقييم المخاطر؛ هم يُقرضون أو يُمولون عمليات يُحكم أداؤها مباشرة من قبل ظروف لا يمكنهم مراقبتها.对于 الشركات التي لديها التزامات استدامة أو امتثال، السؤال هو الأدلة: إثبات، مع بيانات قابلة للدفاع، أن سلاسل التوريد الخاصة بهم تُ满ي المعايير التي يتطلبها المنظمون والطرف الآخر.

الجواب التقليدي – ثق في المورد، انتظر تقرير الحكومة، اشترِ تقدير الإجماع – لم يعد كافياً. الدقة والسرعة التي يحتاجونها لا توجد في نظام البيانات العام. توجد في ميل سلاسل التوريد.

أفادت Treefera عن نمو 6 أضعاف على أساس السنة، وعدم وجود انحراف، وجولة تمويل سلسلة ب متجاوزة في غضون عامين. ما يشير ذلك المستوى من القبول إلى الطلب الحكومي على أنظمة الذكاء الاصطناعي التي تكون دقيقة وفعّالة ومُحسنة تشغيليًا بدلاً من كونها كبيرة النطاق فقط؟

عدم وجود انحراف هو الإشارة الأكثر إقناعًا. نمو الإيرادات يمكن أن يعكس التنفيذ التجاري؛ عدم وجود انحراف يعكس ملاءمة السوق. العملاء الذين استخدموا البيانات لمدة موسم كامل، واختبروها ضد نماذجهم الخاصة، واتخذوا قرارات على أساسها، وجددوا، يخبروننا أن الإشارة حقيقية وأنها تغير طريقة عملهم.

يُشير ذلك أيضًا إلى طلب حكومي كبير غير مُلبى على الذكاء الاصطناعي الذي يكون دقيقًا ويمكن اختباره ومتكامل تشغيليًا – طلب غير مُلبى من قبل منظومة ثقيلة التوجيه نحو الأدوات التوليدية والنمذجة الكبيرة. يحتاج أخصائيو سلسلة التوريد والمخاطر إلى توقعات مع فترة عدم يقين محددة يمكنهم الوقوف خلفها في لجنة المخاطر. عندما تُ满ي هذه الشريحة – بيانات خاصة بال領域، دقة مالية، منهجية شفافة – تُrioritize الشركات ذلك. التمويل المتجاوز يعكس اعتراف المستثمرين بنفس الديناميكية: السوق كبير، والمشكلة هيكلية، وبنية البيانات الحالية لم تُبنَ لتحلها.

متطلعًا إلى الأمام، هل تعتقد أن المرحلة القادمة من الذكاء الاصطناعي التطبيقي ستُحدد أقل بدرجة كبيرة بمقياس النموذج وأكثر بفعّالية التشغيل، والبيانات الخاصة بال領域، والنتائج التجارية القابلة للقياس؟

نعم، والproof موجود بالفعل.

يبدأ الذكاء الاصطناعي الكبير في الوصول إلى حدود ما يمكن أن يحله الحجم الخام. لا يُحسن إضافة المعاملات من توقعات حاصل المحاصيل إذا كانت البيانات الأساسية خشنة أو متأخرة أو غير متوافقة جغرافيًا. ستُحدد المرحلة القادمة ببيانات التدريب الخاصة بال領域، ونمذجة الحجم الصحيح، ومخرجات قابلة للتحقق. في قطاعات مثل الزراعة والتمويل وسلسلة التوريد، حيث تحمل القرارات عواقب مالية وعمليات، السؤال لم يكن “كم حجم النموذج؟” بل “كم يمكن الثقة في الجواب، وكم يمكنني التحرك بسرعة؟” لا يمكن أن يُجيب الحجم وحده على ذلك. الشركات التي ستقود في الذكاء الاصطناعي التطبيقي في السنوات الخمس القادمة بنيت أنابيب بيانات خاصة بال領域 إلى العالم الفعلي، ودربت نماذج على تلك البيانات بالمنهجية العلمية المناسبة، وأثبتت دقة قابلة للقياس في ظروف حية. التكنولوجيا تصبح أكثر توفرًا؛ البيانات وخبرة المجال ليسا كذلك.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Treefera.