Gaurav Bubna, medstifter af NextBillion.ai – Intervieuserie

Gaurav Bubna er medstifter af NextBillion.ai, et kortlægningsplatform til virksomheder. Han har tidligere arbejdet for selskaber som Grab, Ola og ZLemma (opkøbt af Hired.com)

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

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

Før du startede NextBillion.ai, var du medstifter af Maps-produktteamet hos Grab, hvor du hjalp med at skala teamet op fra en 10-mandssammen-sætning af funktioner til 300+ på blot ~2,5 år. Hvad var nogle af de vigtigste lærepenge, du fik fra denne oplevelse?

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

Kan du dele historien bag NextBillion.ai?

Vi investerede i kortlægningsløsninger, der var specifikt nødvendige for Grab, men ikke noget, som forbruger-orienterede kort som Google (GOOGL ) var bygget til at støtte. Over tid var vi i stand til at drive en 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 muligheder 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 muligheder som Google Maps er disse forretningsgevinster simpelthen ikke mulige. For andre B2B-softwarevirksomheder kan de ofte ikke betjene mange kundebehov på grund af disse begrænsninger. Vi åbner op for flere anvendelsesmuligheder 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 differentierende faktorer. Vi tilbyder ekstremt fleksible kommercielle modeller til vores kunder, herunder pakker med UENDLIGE API-opkald, støtte til op til 20 gange højere gennemløb og 5 gange lavere latency end de bedst tilgængelige alternativer.

Hvordan bruger systemet AI til at overvåge forsyning-efterspørgselsprædiction på et lokalitetsniveau?

Vore API’er bruges til at aktivere bedre og mere effektiv dispatch, mere præcis prisændring, herunder overbelastningspriser, som påvirker forsyning-efterspørgselsbalance på meget mikro-niveauer, såsom lokaliteter.

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

Kørere på disse platforme ser på tid som penge. Hver time, de tilbringer bag rattet, vil de gerne have noget sikkerhed for, at de vil tjene X penge, når timen er slut. I praksis er der på grund af ukorrekte distance-tidsforudsigelser fra kort-API’er en massiv fluktuation i, hvor meget en kører tjener pr. time, på tværs af forskellige ruter, tidspunkter på dagen og dage i ugen. Vores AI tager hensyn til tidligere kørselsadfærd, trafikmønstre i byen og foreslår ekstremt præcise ruter og trafik. Dette giver mulighed for meget præcis prisfastsættelse for vores kunder og i sidste ende mere forudsigelige indtægter for deres kørere.

Hvad er nogle af de andre hverdagsanvendelser, NextBillion.ai giver mulighed for til 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 bag-scene-anvendelser, der gør nogle af disse hverdagsanvendelser mulige – f.eks. lastbil-ruter, der bringer dine e-handelsordrer til dit nærmeste opfyldningscenter.

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

Vi tror, at de fleste virksomheder stadig ikke erkender, at kort ikke bare er en fed teknologi, men at det kan drive hundredvis af millioner dollars i forretningsindvirkning fra samme forsyning eller aktiver. En del af, hvad vi håber at opnå som virksomhed, er at fremme tilstanden for branchen 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 arbejder med os, vil vi betragte vores mission som delvist opfyldt.

Tak for det gode interview. Læsere, der ønsker at lære mere, kan besøge NextBillion.ai.