Chris Nicholson, grundlægger og administrerende direktør for Pathmind – Interviewserie

Chris Nicholson er grundlægger af Pathmind, en AI-startup, der anvender dyb forstærkning til supply chain og industrielle operationer. Pathmind blev grundlagt for at hjælpe virksomheder med at håndtere dybe økonomiske ændringer og øge robustheden i deres operationer med AI. Chris har ansvar for virksomhedens strategiske vision og dag-til-dag udførelse, driver innovation og vækst for Pathminds teknologiplatform og optimerer ydelse i lagerhaller og på fabriksgulve som en del af den digitale transformation af virksomheder.

Tidligere var Chris administrerende direktør for Skymind, et AI-selskab, der fokuserer på dyb læring. Før det havde han kommunikations- og rekrutteringsroller for FutureAdvisor, et Sequoia-backet Y Combinator-startup, der blev købt af BlackRock (BLK ) i 2015 for 200 millioner dollars. Chris tilbragte også et årti som journalist, hvor han rapporterede om teknologi og finans for The New York Times, Bloomberg News og Businessweek, blandt andre.

Du var tidligere korrespondent for The New York Times og redaktør for Bloomberg News, før du skiftede til maskinlæring. Kan du diskutere rejsen bag denne ændring af din karriere?

Da jeg var journalist i 2000’erne og begyndelsen af 2010’erne, led industrien under, da annoncer flyttede til søgemaskiner og sociale medier, og traditionelle udgivelser tabte læsere. Jeg dækkede finans og teknologi og så folk bygge mange nye og interessante ting. På et tidspunkt sagde jeg til mig selv, at jeg havde brug for at komme på den rigtige side af robotterne, så jeg flyttede til San Francisco.

Det var i 2013. Der var stadig hacker-huse i SOMA dengang. Jeg flyttede ind i et af dem, på en køjeseng i et rum med fem andre mænd, og gik på arbejde hver morgen i et startup, der havde gået gennem Y Combinator. Arbejdende i San Francisco, lærte jeg langsomt at kende folk og fik at vide, hvad jeg var interesseret i. Dengang var dyb læring stadig under udvikling. Du kunne se potentialet, men der var stadig meget at bygge. Denne nysgerrighed drev mig til at blive involveret i et AI-projekt, der til sidst førte til Pathmind.

Kan du dele nogle detaljer om, hvordan Pathmind kan hjælpe virksomheder?

Virksomheder, der har en fysisk fabrik at styre, såsom et lager, en fabrik eller et mineralselskab, står ofte over for meget komplekse optimeringstasker. Det vil sige, at de har brug for at koordinere meget udstyr for at nå et mål. Mange af dem prøver at maksimere gennemstrømning og effektivitet og minimere omkostninger og CO2-udledning. Vi designer algoritmer, der kan bruge deres virkelige data til at vise nye måder for dem at få deres udstyr til at opføre sig. Det kan omfatte job- og maskintidsplanlægning, flåderuteplanlægning og energiomkostningsstyring, blandt andet.

Hvad er nogle af fordelene ved åben kildekode til maskinlæringsystemer?

Softwarevirksomheder er alle både, der flyder på en hav af åben kildekode. Infrastrukturen for offentlige skytjenester kører på åben kildekode. Mange af de værktøjer, udviklere bruger til at bygge websteder og maskinlæringsapplikationer, er også åben kildekode. Det er et livligt økosystem. Vi er tidlige adopterer, der arbejder for spændende nye åben kildekodeprojekter som Ray, der hjælper dig med at starte distribueret beregning til AI-arbejdslaster.

Du er tydeligvis optimistisk om fremtiden for dyb forstærkning, i din mening, hvilke typer virksomheder er bedst placeret til at udnytte denne type maskinlæring?

De virksomheder, vi arbejder med, har typisk data, de bruger til at spore deres operationer og ydelse. De har ofte fysiske operationer, hvor de kan kontrollere udstyrets opførsel. Vore algoritmer har brug for data for at forstå den omgang, de opererer i, og de har brug for at blive præsenteret for handlinger at vælge imellem, som udstyr at kontrollere, så de kan have en effekt på resultaterne. I virksomheder, der har fysiske operationer at kontrollere, har data om disse operationer og nogen analyser på plads for denne data, er godt placeret til at begynde at tænke på optimering som vores.

Er der noget andet, du gerne vil diskutere om Pathmind?

En ting, vi gør, der er tilstødende til at kontrollere fysiske operationer, er at hjælpe virksomheder med at forudsige tidsserier. Sådan nogle data som priser eller efterspørgsel vil påvirke, hvordan en virksomhed opfører sig, og hvor meget den producerer. For at producere det rigtige beløb, har de brug for at vide, hvor meget efterspørgsel der vil være. Og for at kunne sætte deres priser korrekt, har de brug for at have en fornemmelse for prisfluktuationer. Vore algoritmer kan lave disse forudsigelser.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Pathmind.