مقابلات
روبرت بيرس، المؤسس المشارك والرئيس العلمي في DecisionNext – سلسلة المقابلات
بوب بيرس، دكتوراه في الفلسفة هو المؤسس المشارك والرئيس العلمي في DecisionNext. وقد ساهم عمله في جلب التحليل الرياضي المتقدم إلى أسواق وصناعات جديدة تمامًا، مما يحسن من طريقة عمل الشركات في اتخاذ القرارات الاستراتيجية. قبل DecisionNext، كان بوب رئيسًا للعلماء في SignalDemand، حيث قاد العلوم وراء حلولها لصالح المصنعين. وقد شغل بوب مناصب بحثية وتطويرية رفيعة المستوى في Khimetrics (الآن SAP) وConceptLabs، بالإضافة إلى المناصب الأكاديمية مع الأكاديمية الوطنية للعلوم، جامعة ولاية بنسلفانيا، وجامعة كاليفورنيا، بيركلي. يمتد عمله إلى مجموعة متنوعة من الصناعات، بما في ذلك السلع والتصنيع، وقد ساهم في مجالات الاقتصاد القياسي، وعلم المحيطات، والرياضيات، والديناميكا غير الخطية. وهو يحمل العديد من البراءات و هو مؤلف عدة أوراق مراجعة من قبل الأقران. يحمل بوب دكتوراه في الفيزياء النظرية من جامعة كاليفورنيا، بيركلي.
DecisionNext هي شركة لتحليل البيانات والتنبؤ تأسست في عام 2015، وتختص بالتنبؤ بالأسعار والإمدادات باستخدام الذكاء الاصطناعي. تم إنشاء الشركة لمعالجة القيود في نماذج التنبؤ التقليدية “ال盒ة السوداء”، والتي غالبًا ما تفتقر إلى الشفافية والرؤى القابلة للتنفيذ. من خلال دمج الذكاء الاصطناعي والتعلم الآلي، توفر DecisionNext للشركات رؤية أوضح للعوامل التي تؤثر على توقعاتها، مما يساعدهم على اتخاذ قرارات مستنيرة بناءً على المخاطر السوقية والعملية. تم تصميم منصة الشركة لتحسين دقة التنبؤ عبر سلسلة التوريد، مما يسمح للعملاء بالتحرك بعيدًا عن اتخاذ القرارات القائمة على الحدس.
ما كان الفكرة الأصلية أو الإلهام وراء تأسيس DecisionNext، وكيف ساهم خلفيةك في الفيزياء النظرية والمناصب في مختلف الصناعات في تشكيل هذه الرؤية؟
لقد جمع كل مني ومايك نيل، شريكي المؤسس، الكثير من الخبرة في شركات سابقة في تقديم حلول التحسين والتنبؤ للبائعين ومعالجي السلع. كانت هناك دروستان أساسيتان من تلك التجربة:
- يحتاج المستخدمون إلى الاعتقاد بأنهم يفهمون من أين تأتي التنبؤات والحلول؛
- يجد المستخدمون صعوبة كبيرة في فصل ما يعتقدون أنه سيحدث عن احتمال حدوثه في الواقع.
تتمثل هذه المفاهيم في أصول sâuة في الإدراك البشري، بالإضافة إلى الآثار في كيفية إنشاء برامج لحل المشكلات. من المعروف جيدًا أن العقل البشري ليس جيدًا في حساب الاحتمالات. كفيزيائي، تعلمت كيفية إنشاء إطارات مفاهيمية للتعامل مع عدم اليقين، وإنشاء منصات حوسبة موزعة لاستكشافه. هذا هو الأساس الفني لحلولنا لمساعدة عملائنا في اتخاذ قرارات أفضل في مواجهة عدم اليقين، بمعنى أنهم لا يمكنهم معرفة كيف سيتطور السوق، ولكنهم لا يزالون يتعين عليهم اتخاذ قرار ما الآن لتحقيق أقصى ربح في المستقبل.
كيف أثرت انتقالك إلى دور الرئيس العلمي على التركيز اليومي والرؤية الطويلة الأجل لشركة DecisionNext؟
شملت الانتقال إلى الرئيس العلمي إعادة التركيز على كيفية تقديم المنتج للقيمة لعملائنا. في هذه العملية، أفرجت عن بعض المسؤوليات الهندسية اليومية التي يتم التعامل معها بشكل أفضل من قبل الآخرين. لدينا قائمة طويلة دائمًا من الميزات والأفكار لجعل الحل أفضل، ويوفر هذا الدور لي المزيد من الوقت للبحث في المناهج الجديدة والمبتكرة.
ما هي التحديات الفريدة التي تقدمها أسواق السلع، والتي تجعلها أكثر أو أقل ملاءمة لتبني حلول الذكاء الاصطناعي والتعلم الآلي؟
تمثل نمذجة أسواق السلع مزيجًا مثيرًا للاهتمام من الخصائص الهيكلية وال随عية. عند الجمع بين هذا مع عدد لا يحصى من الطرق التي يكتب بها الناس العقود للتبادل الفعلي والورقي، واستخدام المواد في الإنتاج، ينتج عن ذلك مجالًا غنيًا ومعقدًا بشكل لا يصدق. ومع ذلك، فإن الرياضيات أقل تطويرًا بشكل ملحوظ مقارنة بعالم الأسهم البسيط. يساعدنا الذكاء الاصطناعي والتعلم الآلي على العمل من خلال هذه التعقيدات من خلال العثور على طرق أكثر كفاءة لنمذجة المسائل، بالإضافة إلى مساعدة مستخدمينا على التنقل في القرارات المعقدة.
كيف توازن DecisionNext استخدام نماذج التعلم الآلي مع الخبرة البشرية الحاسمة لاتخاذ القرارات في مجال السلع؟
يعاني مجال التعلم الآلي من صعوبة مع السياق والسببية. تظهر تجربتنا أن هناك جوانب من النمذجة التي لا تزال تحتاج إلى خبرة ومراقبة بشرية لإنشاء نماذج قوية واقتصادية. يعتبر عملاؤنا السوق من خلال عدسة الأساسيات الأساسية للعرض والطلب. إذا لم تعكس النماذج هذه المعتقدات (والتي لا تفعل النماذج غير الخاضعة للإشراف في كثير من الأحيان)، فإن عملائنا لن يطوروا الثقة. ومن المهم أن مستخدمي DecisionNext يمتلكون معرفة وخبرة هامة لا تتوفر كمدخلات للنماذج. يسمح DecisionNext للمستخدمين بتعزيز مدخلات النماذج وإنشاء سيناريوهات السوق. هذا يبني مرونة في التنبؤات وتوصيات القرار، ويعزز ثقة المستخدمين وتفاعلهم مع النظام.
هل هناك اختراقات محددة في الذكاء الاصطناعي أو العلوم البيانية تعتقد أنها ستثور في توقعات السلع في السنوات القادمة، وكيف تضع DecisionNext نفسها لهذه التغييرات؟
يمثل ظهور النماذج اللغوية الوظيفية اختراقًا سيستغرق وقتًا طويلاً لامتصاصه تمامًا في نسيج القرارات التجارية. لا يزال темп التحسينات في النماذج نفسها مثيرًا للإعجاب وصعبًا على مواكبته. ومع ذلك، أعتقد أننا ما زلنا في بداية الطريق إلى فهم أفضل الطرق لتكامل الذكاء الاصطناعي في العمليات التجارية. معظم المشكلات التي نواجهها يمكن صياغتها على أنها مشاكل تحسين مع قيود معقدة. غالبًا ما تكون القيود داخل العمليات التجارية غير مدونة وتنفذ بشكل سياقي أكثر من التنفيذ الصارم. أعتقد أن هذا المجال هو فرصة هائلة غير مستغلة للذكاء الاصطناعي لاكتشاف القيود الضمنية في البيانات التاريخية، وكذلك بناء وحل المشاكل التحسينية السياقية المناسبة.
كيف يساهم عملك في مجالات متعددة مثل المحيطات، والاقتصاد القياسي، والديناميكا غير الخطية في حل المشكلات في توقعات السلع؟
يؤثر خلفي المتنوع على عملي بثلاث طرق. أولًا، منعني عمقي من الخوض في مجال معين من الرياضيات. بدلاً من ذلك، تمكنت من التعرض لمجالات مختلفة ويمكنني الاستفادة من جميعها. ثانيًا، كانت الحوسبة الموزعة عالية الأداء خيطًا مشتركًا في جميع الأعمال التي قمت بها. العديد من التقنيات التي استخدمتها لتركيب مجموعات الحوسبة اللاهته في وقت ما كطالب دراسات عليا في الفيزياء تستخدم الآن في الإطارات الرئيسية، لذلك يبدو كل شيء مألوفًا لي حتى عندما يكون темп الابتكار سريعًا. أخيرًا، يعمل العمل على جميع هذه المشاكل على إثارة الفضول الفلسفي. كطالب دراسات عليا، لم أقم أبدًا بالتفكير في العمل في الاقتصاد، nhưng ها أنا هنا. لا أعرف ما سأعمل عليه في غضون 5 سنوات، لكنني أعرف أنني سأجد ذلك مثيرًا.
تؤكد DecisionNext على الحاجة إلى الخروج من نموذج “ال盒ة السوداء” للتنبؤ. لماذا هذه الشفافية حرجة، وكيف تؤثر على ثقة المستخدم واعتماده؟
تعتبر التاجر النموذجي للسلع (سواء على البورصة أو خارجها) شخصًا تعلم أساسيات صناعته في الإنتاج، ولكنه يمتلك مهارة في المراهنات في سوق متقلب. إذا لم يكن لديه خبرة في الجانب العرضي من الأعمال، فإنه لا يكتسب ثقة التنفيذيين ولا يُpromoted كتاجر. إذا لم يكن لديه ميلًا للقمار، فإنه يتعرض للتوتر الشديد في تنفيذ الصفقات. على عكس خبيري وول ستريت، غالبًا ما لا يمتلك تجار السلع خلفية رسمية في الاحتمالات والإحصاء. من أجل كسب الثقة، يجب أن نقدم نظامًا يبدو直ًا، سريعًا، ويتوافق مع انحيازهم المعرفي الذي يرى أن العرض والطلب هما المحركان الأساسيان للحركات الكبيرة في السوق. لذلك، نتبنى نهج “ال盒ة البيضاء” حيث كل شيء شفاف. عادةً ما يكون هناك مرحلة “التعارف” حيث ينظرون深ًا تحت الغطاء ونرشدهم خلال منطق النظام. بمجرد建立 الثقة، لا ي spent المستخدمون عادةً الوقت للنظر深ًا، ولكنهم يعودون بشكل دوري لاستجواب التنبؤات المهمة أو المدهشة.
كيف يساهم نهج DecisionNext في التنبؤ بالخطر في مساعدة الشركات على عدم مجرد الاستجابة للظروف السوقية، ولكن التأثير الفعلي على استراتيجياتهم؟
لا تقتصر تجارة السلع على البورصات. لا تملك معظم الشركات إلا وصولًا محدودًا إلى العقود الآجلة لتغطية مخاطرها. قد يشتري معالج مادة خام مدرجة (مثل الأبقار، على سبيل المثال) كخام، ولكن منتجه النهائي هو أيضًا سلعة متقلبة (مثل اللحم البقري) التي غالبًا ما تفتقر إلى ارتباط سعر مع المدخلات. نظرًا للقيود الهيكلية التي تفرضها المنشآت المكلفة التي يجب أن تعمل بالقرب من السعة الكاملة، يُجبر المعالجون على أن يكون لديهم خطة استراتيجية تنظر إلى المستقبل. أي أنهم لا يستطيعون العمل بأمان في السوق المحدد، ويجب أن يتعاقدوا إلى الأمام لشراء المواد وبيع المخرجات. تتيح DecisionNext للمعالج التنبؤ بنظام العرض والطلب والأسعار، ثم محاكاة كيف تتأثر قرارات الأعمال بالنتائج السوقية الكاملة. قد تكون التداول الورقي جزءًا من الاستراتيجية، ولكن الأهم هو فهم الالتزامات المادية والمبيعات و قرارات المعالجة لضمان استخدام السعة. DecisionNext مصمم خصيصًا لهذا الغرض.
كما شخص ذو خلفية علمية عميقة، ما هو ما يثيرك أكثر حول تقاطع العلوم والذكاء الاصطناعي في تحويل الصناعات التقليدية مثل السلع؟
لقد غير الاقتصاد السلوكي من فهمنا لكيفية تأثير الإدراك على القرارات التجارية. يغير الذكاء الاصطناعي كيف يمكننا استخدام أدوات البرمجيات لدعم الإدراك البشري واتخاذ قرارات أفضل. تمت مناقشة مكاسب الكفاءة التي ستحققها آليات الذكاء الاصطناعي بشكل كبير، وسيكون لها أهمية اقتصادية. تعمل شركات السلع بھامش ربح薄 و تكاليف عمل عالية، لذلك من المفترض أن يستفيدوا بشكل كبير من الآليّة. ومع ذلك، أعتقد أن هناك عدم كفاءة مخفية في طريقة اتخاذ معظم القرارات التجارية، والتي غالبًا ما تعتمد على معلومات غير واضحة ومحدودة وأدوات جداول البيانات البسيطة. يبدو لي أن النتيجة الأكثر إثارة هي أن منصات مثل DecisionNext تساعد في تحويل العملية التجارية باستخدام الذكاء الاصطناعي والتعلم الآلي لتحقيق قرارات واعية بالسياق ومتأثرة بالمخاطر، بناءً على بيانات شفافة وlogic مفتوح.
شكرًا على المقابلة الرائعة، يرجى زيارة DecisionNext لمعرفة المزيد.
