Robert Pierce, Medstifter & Chief Science Officer hos DecisionNext – Intervieuserie

Bob Pierce, PhD er medstifter og Chief Science Officer hos DecisionNext. Hans arbejde har bragt avanceret matematisk analyse til helt nye markeder og industrier, og forbedret måden, virksomheder engagerer sig i strategisk beslutningstagning. Før DecisionNext var Bob Chief Scientist hos SignalDemand, hvor han vejledte videnskaben bag dets løsninger til producenter. Bob har haft senior forsknings- og udviklingsroller hos Khimetrics (nu SAP) og ConceptLabs, samt akademiske stillinger hos National Academy of Sciences, Penn State University og UC Berkeley. Hans arbejde spænder over en række industrier, herunder råvarer og produktion, og han har bidraget til fagene econometrics, oceanografi, matematik og ikke-lineær dynamik. Han har flere patenter og er forfatter til flere peer-reviewed artikler. Bob har en PhD i teoretisk fysik fra UC Berkeley.

DecisionNext er et dataanalyse- og prognosefirma, der blev grundlagt i 2015, og som specialiserer sig i AI-drevne pris- og leveringsprognoser. Firmaet blev oprettet for at imødekomme begrænsningerne i traditionelle “black box”-prognosemodeller, der ofte manglede gennemsigtighed og handlebare indsigt. Ved at integrere AI og maskinlæring giver DecisionNext virksomhederne en bedre indsigt i de faktorer, der påvirker deres prognoser, og hjælper dem med at træffe informerede beslutninger baseret på både marked- og forretningsrisiko. Deres platform er designet til at forbedre prognosepræcisionen på tværs af forsyningskæden, og giver kunderne mulighed for at gå ud over intuition-baseret beslutningstagning.

Hvad var den oprindelige idé eller inspiration bag grundlæggelsen af DecisionNext, og hvordan har din baggrund i teoretisk fysik og roller i forskellige industrier formet denne vision?

Min medstifter Mike Neal og jeg har samlet en masse erfaring fra vores tidligere virksomheder, hvor vi leverede optimerings- og prognoseløsninger til detailhandlere og råvareprocessorer. To primære erfaringer fra denne tid var:

1. Brugere har brug for at tro, at de forstår, hvor prognoser og løsninger kommer fra; og
2. Brugere har svært ved at skille, hvad de tror vil ske, fra sandsynligheden for, at det faktisk sker.

Disse to koncepter har dybe rødder i menneskelig kognition samt implikationer for, hvordan man kan oprette software til at løse problemer. Det er velkendt, at et menneskeligt sind ikke er godt til at beregne sandsynligheder. Som fysiker lærte jeg at oprette konceptuelle rammer til at engagere os med usikkerhed og bygge distribuerede beregningsplatforme til at udforske den. Dette er den tekniske underbygning af vores løsninger til at hjælpe vores kunder med at træffe bedre beslutninger i møde med usikkerhed, hvilket betyder, at de ikke kan vide, hvordan markederne vil udvikle sig, men alligevel må træffe beslutninger nu for at maksimere profit i fremtiden.

Hvordan har din overgang til rollen som Chief Science Officer påvirket din daglige fokus og langsigtede vision for DecisionNext?

Overgangen til CSO har indebåret en genfokusering på, hvordan produktet skal levere værdi til vores kunder. Undervejs har jeg frigjort nogle dag-til-dag-tekniske ansvar, som bedst håndteres af andre. Vi har altid en lang liste af funktioner og ideer til at gøre løsningen bedre, og denne rolle giver mig mere tid til at forskere i nye og innovative tilgange.

Hvad er de unikke udfordringer, som råvaremarkederne stiller, og hvordan gør de dem særligt egnede eller modstandsdygtige over for brugen af AI- og maskinlæringsløsninger?

At modellere råvaremarkeder præsenterer en fascinerende blanding af strukturelle og stokastiske egenskaber. Dette kombineret med den utallige antal måder, hvorpå mennesker skriver kontrakter for fysisk og papirhandel og anvender materialer i produktion, resulterer i et utroligt rigt og komplekst felt. Alligevel er matematikken betydeligt mindre udviklet end den mere simple verden af aktier. AI og maskinlæring hjælper os med at arbejde igennem denne kompleksitet ved at finde mere effektive måder at modellere på samt hjælpe vores brugere med at navigere komplekse beslutninger.

Hvordan balancerer DecisionNext brugen af maskinlæringsmodeller med den menneskelige ekspertise, der er kritisk for råvarebeslutninger?

Maskinlæring som felt er konstant under udvikling, men det kæmper stadig med kontekst og årsagssammenhæng. Vores erfaring er, at der er aspekter af modellering, hvor menneskelig ekspertise og tilsyn er stadig kritiske for at generere robuste, parsimonøse modeller. Vores kunder ser ofte på markederne gennem linserne på tilbud- og efterspørgselsfundamentaler. Hvis modellerne ikke reflekterer denne overbevisning (og usupervisede modeller gør ofte ikke), så vil vores kunder generelt ikke udvikle tillid. Afgørende er, at brugere ikke vil integrere upålidelige modeller i deres dag-til-dag-beslutningsprocesser. Så selv en demonstrabelt præcis maskinlæringsmodel, der trodser intuition, vil blive hyldeskrin mere end sandsynligt.

Er der specifikke gennembrud i AI eller datavidenskab, som du tror vil revolutionere råvareprognoser i de kommende år, og hvordan positionerer DecisionNext sig for disse ændringer?

Introduktionen af funktionelle LLM’er er et gennembrud, som vil tage lang tid at fuldt ud perkolere ind i forretningsbeslutninger. Fremskridtet i modellerne selv er stadig åndeløst og svært at følge med. Alligevel tror jeg, at vi kun er ved begyndelsen af vejen til at forstå de bedste måder at integrere AI i forretningsprocesser på. De fleste problemer, vi støder på, kan forklares som optimeringsproblemer med komplicerede begrænsninger. Begrænsningerne i forretningsprocesser er ofte udokumenterede og kontekstuel snarere end rigorøst gennemførte. Jeg tror, at dette område er en enorm, utilgået mulighed for AI til både at opdage implicitte begrænsninger i historiske data samt bygge og løse de passende kontekstuelle optimeringsproblemer.

Hvordan bidrager dine tværfaglige indsighter fra områder som oceanografi, econometrics og ikke-lineær dynamik til løsning af problemer i råvareprognoser?

Min brede baggrund informerer mit arbejde på tre måder. Først har min bredde forhindret mig i at gå for dybt ind i et bestemt område. I stedet har jeg været udsat for mange forskellige discipliner og kan trække på dem alle. Anden, højpræstationsfordelt beregning har været en gennemgående tråd i alt mit arbejde. Mange af de teknikker, jeg brugte til at samle ad hoc-computere sammen som studerende i fysik, bruges nu i mainstream-rammer, så det føles bekendt for mig, selv når innovationens tempo er hurtigt. Tredje, arbejdet på disse forskellige problemer inspirerer en filosofisk nysgerrighed. Som studerende kontemplereede jeg aldrig at arbejde med økonomi, men her er jeg. Jeg ved ikke, hvad jeg vil arbejde med om 5 år, men jeg ved, at jeg vil finde det interessant.

Hvorfor er gennemsigtighed så kritisk i DecisionNext’s tilgang til prognoser, og hvordan påvirker det brugerens tillid og accept?

En prototypisk råvarehandler (på eller udenfor en børs) er en person, der har lært grundlæggende om sin branche i produktion, men har en evne for at satse i et volatilt marked. Hvis de ikke har virkelig verdens erfaring i forsyningskædens side af virksomheden, så vil de ikke opnå tillid hos chefer og ikke blive forfremmet som handlende. Hvis de ikke har en vis tilbøjelighed til hasardspil, så vil de stressede for meget under udførelse af handler. I modsætning til Wall Street-kvante har råvarehandlere ofte ikke en formel baggrund i sandsynlighed og statistik. For at opnå tillid må vi præsentere et system, der er intuitivt, hurtigt og berører deres kognitive bias, at tilbud og efterspørgsel er de primære drivkræfter bag store markedsbevægelser. Så vi tager en “hvidkasse”-tilgang, hvor alt er gennemsigtigt. Der er ofte en “dating”-fase, hvor de kigger dybt under motoren, og vi vejleder dem gennem systemets grundlæggende tankegang. Når tillid er etableret, tilbringer brugerne ikke ofte tiden til at kigge dybt, men vil vende tilbage periodisk for at afhøre vigtige eller overraskende prognoser.

Hvordan hjælper DecisionNext’s tilgang til risikobevist prognose virksomhederne med ikke kun at reagere på markedsbetingelser, men også proaktivt at forme deres strategier?

Råvarehandel er ikke begrænset til børser. De fleste virksomheder har kun begrænset adgang til futures for at dække deres risiko. En processor kan købe en noteret råvare som råmateriale (køer, måske), men deres output er også en volatil råvare (kød), som ofte har lidt prisrelation med input. Givet den strukturelle marginbegrænsning, som dyre faciliteter har til at operere nær kapacitet, er processorer tvunget til at have en strategisk plan, der ser ud i fremtiden. Det vil sige, at de ikke kan operere udelukkende på spotmarkedet, og de må kontrahere fremad for at købe materialer og sælge output. DecisionNext giver processoren mulighed for at prognosticere hele økosystemet af tilbud-, efterspørgsels- og prisvariable og derefter simulere, hvordan forretningsbeslutninger påvirkes af det fulde spektrum af markedsmuligheder. Papirhandel kan være en komponent af strategien, men det vigtigste er at forstå materiale- og salgsforpligtelser og behandlingsbeslutninger for at sikre kapacitetsudnyttelse. DecisionNext er skræddersyet til dette.

Hvad er det, der mest fascinerer dig ved intersectionen af videnskab og AI i forvandling af traditionelle industrier som råvarer?

Adfærdsøkonomi har forvandlet vores forståelse af, hvordan kognition påvirker forretningsbeslutninger. AI forvandler, hvordan vi kan bruge softwareværktøjer til at støtte menneskelig kognition og træffe bedre beslutninger. Effektivitetsgevinsterne, som vil blive realiseret gennem AI-aktiveret automatisering, er blevet meget diskuteret og vil være økonomisk vigtige. Råvarevirksomheder opererer med meget små margener og høje arbejdskomponenter, så de vil sandsynligvis nyde stor fordel af automatisering. Ud over dette tror jeg, at der er en skjult ineffektivitet i, hvordan de fleste forretningsbeslutninger træffes af intuition og regler for tommelfingre. Beslutninger træffes ofte på baggrund af begrænset og uigennemsigtig information og simple regnearksværktøjer. For mig er det mest spændende udfald, at platforme som DecisionNext kan hjælpe med at forvandle forretningsprocessen ved at bruge AI og simulation til at normalisere kontekst og risikobevist beslutningstagning baseret på gennemsigtig data og åben grundlæggelse.

Tak for det gode interview, læsere, der ønsker at lære mere, kan besøge DecisionNext.