Chris Nicholson, Gründer und CEO von Pathmind – Interview-Serie

Chris Nicholson ist der Gründer von Pathmind, einem AI-Startup, das Deep Reinforcement Learning auf Supply-Chain- und Industrieoperationen anwendet. Pathmind wurde gegründet, um Unternehmen zu helfen, tiefe wirtschaftliche Veränderungen zu bewältigen und die Widerstandsfähigkeit ihrer Operationen mit AI zu erhöhen. Chris überwacht die strategische Vision und die tägliche Ausführung des Unternehmens, treibt Innovation und Wachstum für Pathminds Technologieplattform voran und optimiert die Leistung in Lagerhäusern und auf Fabrikböden im Rahmen der digitalen Transformation von Unternehmen.

Zuvor war Chris CEO von Skymind, einem AI-Unternehmen, das sich auf Deep Learning konzentriert. Davor hatte er Kommunikations- und Rekrutierungsrollen bei FutureAdvisor, einem von Sequoia unterstützten Y-Combinator-Startup, das 2015 von BlackRock (BLK ) für 200 Millionen Dollar übernommen wurde. Chris verbrachte auch ein Jahrzehnt als Journalist, bei dem er über Technologie und Finanzen für The New York Times, Bloomberg News und Businessweek berichtete.

Sie waren zuvor Korrespondent für The New York Times und Redakteur für Bloomberg News, bevor Sie sich auf Machine Learning konzentrierten. Können Sie über die Reise hinter dieser Neuausrichtung Ihres Karrierewegs sprechen?

Als ich Journalist war, in den 2000er und frühen 2010er Jahren, litt die Branche unter dem Umstand, dass Anzeigen zu Suchmaschinen und sozialen Medien wechselten und traditionelle Veröffentlichungen Leser verloren. Ich berichtete über Finanzen und Technologie und sah, wie Menschen neue und interessante Dinge aufbauten. An einem bestimmten Punkt sagte ich mir, dass ich auf die richtige Seite der Roboter kommen muss, also zog ich nach San Francisco.

Das war 2013. Es gab noch Hacker-Häuser in SOMA. Ich zog in eines davon ein, auf eine Pritsche in einem Raum mit fünf anderen Männern, und ging jeden Morgen zu einem Startup, das durch Y Combinator gegangen war. Durch die Arbeit in San Francisco lernte ich langsam Menschen kennen und herausfinden, was mich interessierte. Zu dieser Zeit nahm Deep Learning gerade Fahrt auf. Man konnte das Potenzial sehen, aber es gab noch viel zu bauen. Diese Neugier trieb mich dazu, mich an einem AI-Projekt zu beteiligen, das letztendlich zu Pathmind führte.

Können Sie einige Details darüber teilen, wie Pathmind Unternehmen unterstützen kann?

Unternehmen, die eine physische Anlage zu verwalten haben, wie ein Lagerhaus, eine Fabrik oder einen Bergbau, stehen normalerweise vor sehr komplexen Optimierungsaufgaben. Das heißt, sie müssen viel Ausrüstung koordinieren, um ein Ziel zu erreichen. Viele von ihnen versuchen, die Durchlaufzeit und Effizienz zu maximieren und die Kosten und CO2-Emissionen zu minimieren. Wir entwickeln Algorithmen, die ihre echten Daten verwenden können, um neue Wege für sie aufzuzeigen, wie sie ihre Ausrüstung verhalten können. Das kann auf Job- und Maschinenplanung, Flottenrouting und Energiemanagement und andere Dinge angewendet werden.

Was sind einige Vorteile von Open-Source-Software für Machine-Learning-Systeme?

Software-Unternehmen sind alle Boote, die auf einem Meer von Open-Source-Code schwimmen. Die Infrastruktur der öffentlichen Clouds läuft auf Open Source. Viele der Tools, die Entwickler verwenden, um Webseiten und Machine-Learning-Anwendungen zu bauen, sind auch Open Source. Es ist ein lebendiges Ökosystem. Wir sind frühe Adoptierer, die für aufregende neue Open-Source-Projekte wie Ray arbeiten, das Ihnen hilft, verteilte Rechenzentren für AI-Workloads zu starten.

Sie sind offensichtlich bullisch über die Zukunft von Deep Reinforcement Learning. Welche Arten von Unternehmen sind Ihrer Meinung nach am besten positioniert, um von dieser Art von Machine Learning zu profitieren?

Die Unternehmen, mit denen wir zusammenarbeiten, verfügen normalerweise über Daten, die sie verwenden, um ihre Operationen und Leistung zu verfolgen. Sie haben tendenziell physische Operationen, bei denen sie das Verhalten der Ausrüstung kontrollieren können. Unsere Algorithmen benötigen Daten, um die Umgebung zu verstehen, in der sie operieren, und sie benötigen Aktionen, die sie auswählen können, wie z.B. Ausrüstung, die sie kontrollieren können, damit sie eine Auswirkung auf die Ergebnisse haben. Im Wesentlichen sind Unternehmen, die physische Operationen kontrollieren, Daten über diese Operationen haben und einige Analysen für diese Daten durchführen, in einer guten Position, um über Optimierung wie unsere nachzudenken.

Gibt es noch etwas anderes, das Sie über Pathmind besprechen möchten?

Eine Sache, die wir tun, die neben der Kontrolle physischer Operationen liegt, ist, Unternehmen bei der Vorhersage von Zeitreihen zu helfen. Also Daten wie Preise oder Nachfrage, die beeinflussen, wie ein Unternehmen handelt und wie viel es produziert. Um die richtige Menge zu produzieren, müssen sie wissen, wie viel Nachfrage es geben wird. Und um ihre Preise korrekt festzulegen, müssen sie einen Überblick über Preisschwankungen haben. Unsere Algorithmen können diese Prognosen erstellen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Pathmind besuchen.