Robert Pierce, spoluzakladatel a Chief Science Officer ve společnosti DecisionNext – Interview Series

Bob Pierce, PhD je spoluzakladatel a Chief Science Officer ve společnosti DecisionNext. Jeho práce přinesla pokročilou matematickou analýzu zcela nových trhů a odvětví, zlepšující způsob, jakým společnosti činí strategická rozhodnutí. Předtím, než nastoupil do DecisionNext, byl Bob Chief Scientist ve společnosti SignalDemand, kde řídil vědu za jejími řešeními pro výrobce. Bob zastával seniorní výzkumné a vývojové role ve společnostech Khimetrics (nyní SAP) a ConceptLabs, stejně jako akademické pozice v National Academy of Sciences, Penn State University a UC Berkeley. Jeho práce zahrnuje řadu odvětví, včetně komodit a výroby, a přispěl k oblastem jako jsou ekonometrie, oceánografie, matematika a nelineární dynamika. Je držitelem mnoha patentů a autorem několika recenzovaných článků. Bob získal doktorát z teoretické fyziky na UC Berkeley.

DecisionNext je společnost pro analýzu dat a předpovědi, založená v roce 2015, specializující se na předpovědi cen a dodávek poháněné umělou inteligencí. Společnost byla založena za účelem řešení omezení tradičních „černých skříněk“ modelů předpovědi, které často postrádaly transparentnost a akční přehledy. Integrací umělé inteligence a strojového učení poskytuje DecisionNext podnikům větší přehled o faktorech ovlivňujících jejich předpovědi, pomáhaje jim učinit informovaná rozhodnutí založená na tržním a obchodním riziku. Jejich platforma je navržena tak, aby zlepšila přesnost předpovědi napříč dodavatelským řetězcem, umožňujíc zákazníkům jít za hranice rozhodování založeného na intuici.

Jaká byla původní myšlenka nebo inspirace za založením DecisionNext, a jak vaše pozadí v teoretické fyzice a role v různých odvětvích tuto vizi utvořila?

Můj spoluzakladatel Mike Neal a já jsme nasbírali mnoho zkušeností v našich předchozích společnostech, kde jsme dodávali optimalizační a předpovědní řešení maloobchodníkům a zpracovatelům komodit. Dvě hlavní zkušenosti z této doby byly:

1. Uživatelé potřebují věřit, že rozumí, odkud pocházejí předpovědi a řešení; a
2. Uživatelé mají velmi těžké rozlišit, co si myslí, že se stane, a jaká je skutečná pravděpodobnost, že k tomu dojde.

Tyto dva koncepty mají hluboké kořeny v lidském kognitivním procesu a také implikace pro tvorbu softwaru pro řešení problémů. Je známo, že lidský mozek není dobrý v počítání pravděpodobností. Jako fyzik jsem se naučil vytvářet konceptuální rámce pro práci s nejistotou a budovat distribuované výpočetní platformy pro její prozkoumání. To je technické podložení našich řešení, která pomáhají našim zákazníkům učinit lepší rozhodnutí v tváři nejistoty, což znamená, že nemohou vědět, jak se trhy budou vyvíjet, ale musí učinit rozhodnutí, co dělat nyní, aby maximalizovali zisky v budoucnu.

Jak vaše přechod do role Chief Science Officer ovlivnil váš denní focus a dlouhodobou vizi pro DecisionNext?

Přechod do role CSO mě vedl k opětovnému zaměření na to, jak by měl produkt dodávat hodnotu našim zákazníkům. V procesu jsem uvolnil některé denní inženýrské odpovědnosti, které jsou lépe zvládnuté jinými. Máme vždy dlouhou seznam funkcí a nápadů, jak řešení vylepšit, a tato role mi dává více času pro výzkum nových a inovativních přístupů.

Jaké jedinečné výzvy představují komoditní trhy, které je činí zvláště vhodnými nebo odolnými vůči přijetí řešení umělé inteligence a strojového učení?

Modelování komoditních trhů představuje fascinující mix strukturálních a stochastických vlastností. Kombinace tohoto s nekonečným množstvím způsobů, jak lidé píší smlouvy pro fyzické a papírové obchody a využívají materiály ve výrobě, vede k neuvěřitelně bohatému a složitému poli. Matematika je však podstatně méně vyvinutá než ve světě akcií. Umělá inteligence a strojové učení nám pomáhají pracovat s touto složitostí, najít efektivnější způsoby modelování a pomoci našim uživatelům navigovat komplexní rozhodnutí.

Jak DecisionNext vyvažuje použití modelů strojového učení s lidským odborným poznáním, které je kritické pro rozhodování v komoditách?

Strojové učení jako obor neustále zlepšuje, ale stále zápasí s kontextem a kauzalitou. Naše zkušenosti ukazují, že existují aspekty modelování, kde je lidské odborné poznání a dohled kritické pro generování robustních a úsporných modelů. Naši zákazníci obecně pohlížejí na trhy skrze optiku fundamentů nabídky a poptávky. Pokud modely neodrážejí tuto víru (a nesupervizované modely často neodrážejí), pak naši zákazníci obecně nevyvinou důvěru. Kriticky, uživatelé nebudou integrovat nedůvěryhodné modely do svých denních rozhodovacích procesů. I demonstrabilně přesný model strojového učení, který porušuje intuici, se stane spíše „poličkou“ než ne.

Jsou nějaké specifické průlomy v oblasti umělé inteligence nebo datové vědy, o kterých si myslíte, že budou revolucí v předpovědi komodit v příštích letech, a jak se DecisionNext připravuje na tyto změny?

Příchod funkčních LLM je průlom, který bude trvat dlouho, než se plně promítne do podnikatelského rozhodování. Tempo zlepšování modelů samo o sobě je stále dechberoucí a obtížné sledovat. Domnívám se však, že jsme teprve na počátku cesty k pochopení nejlepších způsobů, jak integrovat umělou inteligenci do podnikatelských procesů. Většina problémů, se kterými se setkáváme, lze formulovat jako optimalizační problémy s komplikovanými omezeními. Omezení v podnikatelských procesech jsou často nedokumentovaná a kontextově spíše než rigorózně vynucená. Domnívám se, že tato oblast je obrovskou nevyužitou příležitostí pro umělou inteligenci, aby objevila implicitní omezení v historických datech a vytvořila a vyřešila příslušné kontextové optimalizační problémy.

Vaše práce zahrnuje oblasti jako oceánografie, ekonometrie a nelineární dynamika. Jak tyto mezioborové vhledy přispívají k řešení problémů v předpovědi komodit?

Mé rozmanité pozadí informuje mou práci ve třech směrech. První, šíře mé práce mě zabránila jít příliš hluboko do jedné konkrétní oblasti matematiky. Místo toho jsem byl vystaven mnoha různým disciplínám a mohu čerpat z nich. Druhý, vysokovýkonné distribuované výpočty byly provázanou nití ve všech pracích, které jsem dělal. Mnohé techniky, které jsem použil jako student fyziky, jsou nyní používány v hlavních rámcích, takže mi to všechno feels familiar, i když je tempo inovací rychlé. Třetím, práce na všech těchto různých problémech inspiruje filozofickou zvědavost. Jako student jsem nikdy neuvažoval o práci v ekonomice, ale teď jsem tady. Nevím, na čem budu pracovat za pět let, ale vím, že to bude fascinující.

DecisionNext zdůrazňuje prolomení „černé skříňky“ modelu předpovědi. Proč je tato transparentnost tak kritická, a jak to ovlivňuje důvěru uživatelů a přijetí?

Typický komoditní obchodník (na burze nebo mimo ni) je někdo, kdo se naučil základy svého odvětví ve výrobě, ale má talent pro sázení vvolatilem trhu. Pokud nemají reálné zkušenosti na straně nabídky, nezískají důvěru výkonných ředitelů a nejsou povýšeni jako obchodníci. Pokud nemají určitou afinitu k hazardu, stresují se příliš při provádění obchodů. Na rozdíl od wallstreetkých kvantů často nemají komoditní obchodníci formální vzdělání v pravděpodobnosti a statistice. Abychom získali důvěru, musíme představit systém, který je intuitivní, rychlý a dotýká se jejich kognitivního zkreslení, že nabídka a poptávka jsou primárními hnacími silami velkých tržních pohybů. Proto používáme „bílou skříňkovou“ metodu, kde je vše transparentní. Obvykle je „rande“ fáze, kde se hluboce dívají pod kapotu a my je provedeme rozumováním systému. Jakmile je důvěra založena, uživatelé obvykle nebudou trávit čas tím, aby se dívali hluboko, ale budou se vracet občas, aby se vyptali na důležité nebo překvapivé předpovědi.

Jak přístup DecisionNext k riziku vědomé předpovědi pomáhá společnostem ne jen reagovat na tržní podmínky, ale proaktivně formovat své strategie?

Obchodování s komoditami není omezeno na burzy. Většina společností má pouze omezený přístup k futures pro krytí svého rizika. Zpracovatel může koupit seznam komodit jako surovinu (skot, perhaps), ale jeho výstup je také volatilní komoditou (hovězí maso), která často nemá žádnou cenu korelaci s vstupy. Vzhledem k tomu, že strukturní maržové omezení drahých zařízení musí fungovat poblíž kapacity, jsou zpracovatelé nuceni mít strategický plán, který se dívá do budoucna. To znamená, že nemohou bezpečně fungovat pouze na spotovém trhu a musí uzavírat smlouvy dopředu, aby koupili materiály a prodali výstupy. DecisionNext umožňuje zpracovateli předpovědět celý ekosystém nabídky, poptávky a cenových proměnných a poté simulovat, jak obchodní rozhodnutí jsou ovlivněna plným rozsahem tržních výsledků. Papírové obchodování může být součástí strategie, ale nej重要nější je pochopit materiálové a prodejní závazky a výrobní rozhodnutí, aby se zajistila kapacitní využitelnost. DecisionNext je navržen speciálně pro tento účel.

Jako někdo s hlubokým vědeckým pozadím, co vás nejvíce vzrušuje na průsečíku vědy a umělé inteligence při transformaci tradičních odvětví, jako jsou komodity?

Behaviorální ekonomie transformovala naše chápání toho, jak kognitivní procesy ovlivňují obchodní rozhodnutí. Umělá inteligence transformuje, jak můžeme používat softwarové nástroje na podporu lidského kognitivního procesu a učinit lepší rozhodnutí. Efektivní zisky, které budou realizovány díky automatizaci umělé inteligence, byly hodně diskutovány a budou ekonomicky důležité. Společnosti komodit fungují s velmi tenkými maržemi a vysokými náklady na práci, takže pravděpodobně budou mít prospěch z automatizace. Za hranicí toho, věřím, že existuje skrytá neefektivita v tom, jak jsou většina obchodních rozhodnutí učiněna na základě intuice a pravidel. Rozhodnutí jsou často založena na omezených a neprůhledných informacích a jednoduchých tabulkových nástrojích. Pro mě je nejvíce vzrušujícím výsledkem, že platformy jako DecisionNext pomohou transformovat obchodní procesy pomocí umělé inteligence a simulace, aby normalizovaly kontext a riziko vědomá rozhodnutí založená na transparentních datech a otevřeném rozumování.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit DecisionNext.