Gaurav Bubna, Co-Founder of NextBillion.ai – Interview Serie

Gaurav Bubna, er Co-Founder af NextBillion.ai en kortlægningsplatform bygget til virksomheder. Han har tidligere arbejdet for virksomheder som Grab, Ola og ZLemma (opkøbt af Hired.com)

Hvad var det, der oprindeligt tiltrak dig til datalogi og maskinlæring?

Da jeg gik i skole, var jeg altid tiltrukket af matematik og de små programmeringsbit, jeg kunne lave dengang. Derfor syntes det naturligt at studere datalogi, da jeg kom på universitetet. Maskinlæring har mere været en “erhvervet smag” over årene. Jeg elskede kombinationen af praktiske og virkelige aspekter såsom big data og evnen til at anvende det på en række virkelige anvendelser, samt de teoretiske aspekter såsom sandsynlighedsteori, som jeg altid har fundet fascinerende.

Før du co-foundede nextbillion.ai, var du en grundlæggende medlem af Maps-produktteamet hos Grab, hvor du hjalp med at skala teamet fra en 10-medlemmers tværfaglig team til 300+ på omkring 2,5 år. Hvad var nogle af de vigtigste lektioner, du tog med dig fra denne oplevelse?

En vigtig lektion, jeg lærte, var, at selvom hvert land Grab opererede i var en del af “Sydøstasien”, var de i praksis alle meget forskellige. Løsninger, der virkelig fungerede, var bygget på en måde, så de kunne tilpasses hvert enkelt firma, hvert land og undertiden endda forskellige byer inden for samme land. De fleste produkter er ikke bygget på denne måde, og det er meget svært at balancere evnen til at skala hurtigt, men stadig bygge produkter, der er tilpasset hvert enkelt anvendelsesscenarie. Jeg tror, denne balance er en vigtig lektion, jeg lærte under min tid der.

Kan du dele historien bag NextBillion.ai?

Vi investerede i kortlægningsløsninger, der specifikt var nødvendige for Grab, men ikke noget, som forbrugerorienterede kort som Google var bygget til at understøtte. Over tid var vi i stand til at drive massiv indvirkning for Grab både i forhold til enhedsøkonomi for Grab og i forhold til at drive stærk konkurrencemæssig differentiering. Og selvom Grab var i en heldig position til at kunne investere så meget i deres kort, vil de fleste andre virksomheder ikke være i stand til at gøre det (fordi de ikke har samlet så meget kapital). Så vi så en mulighed for at tage noget af vores erfaringer og bygge en platform for virksomheder globalt.

NextBillion.ai er verdens første decentraliserede og tilpasselige kortlægningsplatform for virksomheder. Hvad er nogle af fordelene for virksomheder at bruge en decentraliseret platform i stedet for populære alternativer som Google Maps?

For transport-, logistik- og e-handelsvirksomheder giver vi mulighed for bedre enhedsøkonomi, lavere omkostninger pr. levering og bedre udnyttelse af aktiver. På grund af “one-size-fits-all”-naturen af alternativer som Google Maps er disse forretningsgevinster simpelthen ikke mulige. For andre B2B-softwarevirksomheder kan de ofte ikke betjene mange kundernes behov på grund af disse “one-size-fits-all”-begrænsninger. Vi åbner op for flere anvendelsesscenarier og giver mulighed for mere omsætning og vækst.

Google Maps har begrænsninger på antallet af API’er, der kan bruges, hvad er begrænsningerne med NextBillion.ai i sammenligning?

Dette er et godt eksempel på en af vores differentierede faktorer. Vi tilbyder ekstremt fleksible kommercielle modeller til vores kunder, herunder pakker med UBEGRENSEDE API-opkald, support til op til 20 gange højere gennemløb og 5 gange lavere latency end de bedst tilgængelige alternativer.

Hvordan bruger systemet AI til at overvåge efterspørgselsprædigt på et lokalitetsniveau?

Vore API’er bruges til at aktivere bedre og mere effektiv dispatch, mere præcis prisændring, herunder overbelægningspriser, som igen har en direkte indvirkning på efterspørgselsprædigt på meget små niveauer såsom lokaliteter.

For ridehailing-tjenester, kan du diskutere, hvordan AI kan forudsige trafik for at give bedre takst og indtægtskonsekvens?

Chauffører på disse platforme ser på tid som penge. Hver time de tilbringer bag rattet, vil de have en vis sikkerhed for, at de vil tjene $X ved udgangen af den. I praksis er der på grund af utilfredsstillende distance-tidsforudsigelser fra kort-API’er en massiv fluktuation i den mængde penge en chauffør tjener pr. time, på tværs af forskellige ruter, klokkeslæt og dage. Vores AI tager i betragtning tidligere kørselsadfærd, trafikmønstre i byen og foreslår ekstremt præcise ruter og trafik. Dette giver mulighed for ekstremt præcis prisfastsætning for vores kunder og i sidste ende meget mere forudsigelige indtægter for deres chauffører.

Hvad er nogle andre hverdagsanvendelser, som NextBillion.ai giver mulighed for for virksomheder?

Vi giver mulighed for en bred vifte af leverings- og e-handels-scenarier såsom madlevering, dagligvarer og e-handelsleveringer. Vi giver også mulighed for nødhjælps-tjenester såsom ambulancer til at have hurtigere ankomsttid, politistyrker til at give mulighed for effektiv patruljering til reduceret kriminalitet og effektiv affaldssamling. Vi giver også kraft til andre baggrundsscenarier, der giver mulighed for nogle af disse hverdagsanvendelser – f.eks. lastbilruter, der bringer dine e-handelsordrer til din nærmeste fuldførelsescenter.

Er der noget andet, du gerne vil dele om NextBillion.ai?

Vi tror, at de fleste virksomheder endnu ikke erkender, at kort ikke bare er en cool teknologi, men at det kan drive hundredvis af millioner dollars i forretningsindvirkning fra samme forsyning eller aktivbase. En del af, hvad vi håber at opnå som virksomhed, er at fremme branchens tilstand i sig selv. Hvis vi i de kommende år kan hjælpe mange flere virksomheder med at erkende værdien af rumlige data, selvom de ikke direkte samarbejder med os, vil vi betragte vores mission delvist opfyldt.

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