Robert Pierce, Co-Founder & Chief Science Officer at DecisionNext – Interview-Serie

Bob Pierce, PhD ist Co-Founder und Chief Science Officer bei DecisionNext. Seine Arbeit hat fortschrittliche mathematische Analysen in völlig neue Märkte und Branchen gebracht und verbessert die Art und Weise, wie Unternehmen strategische Entscheidungen treffen. Vor DecisionNext war Bob Chief Scientist bei SignalDemand, wo er die Wissenschaft hinter dessen Lösungen für Hersteller leitete. Bob hatte senior Forschungs- und Entwicklungsrollen bei Khimetrics (jetzt SAP) und ConceptLabs sowie akademische Positionen bei der National Academy of Sciences, der Penn State University und der UC Berkeley. Seine Arbeit umfasst eine Reihe von Branchen, darunter Rohstoffe und Herstellung, und er hat Beiträge zu den Bereichen Ökonometrie, Ozeanographie, Mathematik und nichtlineare Dynamik geleistet. Er hält zahlreiche Patente und ist Autor mehrerer von Experten begutachteter Artikel. Bob hält einen PhD in theoretischer Physik von der UC Berkeley.

DecisionNext ist ein Unternehmen für Datenanalyse und Prognose, das 2015 gegründet wurde und sich auf künstliche Intelligenz-gesteuerte Preis- und Lieferprognosen spezialisiert hat. Das Unternehmen wurde gegründet, um die Einschränkungen traditioneller “Black-Box”-Prognosemodelle zu überwinden, die oft an Transparenz und handhabbaren Einblicken mangelten. Durch die Integration von künstlicher Intelligenz und maschinellem Lernen bietet DecisionNext Unternehmen eine bessere Einsicht in die Faktoren, die ihre Prognosen beeinflussen, und hilft ihnen, fundierte Entscheidungen auf der Grundlage von Markt- und Geschäftsrisiken zu treffen. Die Plattform ist darauf ausgelegt, die Prognosegenauigkeit über die gesamte Lieferkette hinweg zu verbessern und ermöglicht es Kunden, über Intuition basierte Entscheidungen hinauszugehen.

Was war die ursprüngliche Idee oder Inspiration hinter der Gründung von DecisionNext, und wie hat Ihre Erfahrung in der theoretischen Physik und in verschiedenen Branchen diese Vision geprägt?

Mein Co-Founder Mike Neal und ich haben in unseren vorherigen Unternehmen viel Erfahrung mit der Lieferung von Optimierungs- und Prognoselösungen an Einzelhändler und Rohstoffverarbeiter gesammelt. Zwei wichtige Erkenntnisse aus dieser Erfahrung waren:

1. Benutzer müssen glauben, dass sie verstehen, woher Prognosen und Lösungen stammen; und
2. Benutzer haben große Schwierigkeiten, zwischen dem, was sie denken, dass passieren wird, und der Wahrscheinlichkeit, dass es tatsächlich eintritt, zu unterscheiden.

Diese beiden Konzepte haben tiefe Ursprünge in der menschlichen Kognition sowie Auswirkungen auf die Erstellung von Software zur Lösung von Problemen. Es ist allgemein bekannt, dass das menschliche Gehirn nicht gut darin ist, Wahrscheinlichkeiten zu berechnen. Als Physiker habe ich gelernt, konzeptionelle Rahmenbedingungen zu erstellen, um mit Unsicherheit umzugehen, und verteilte Rechenplattformen zu bauen, um sie zu erforschen. Dies ist die technische Grundlage unserer Lösungen, um unseren Kunden zu helfen, bessere Entscheidungen im Angesicht von Unsicherheit zu treffen, was bedeutet, dass sie nicht wissen, wie sich die Märkte entwickeln werden, aber dennoch entscheiden müssen, was sie jetzt tun sollen, um zukünftige Gewinne zu maximieren.

Wie hat Ihre Übernahme der Rolle des Chief Science Officer Ihre tägliche Konzentration und Ihre langfristige Vision für DecisionNext beeinflusst?

Die Übernahme der Rolle des CSO hat eine Neufokussierung auf die Art und Weise beinhaltet, wie das Produkt Wert für unsere Kunden liefert. Im Zuge dieses Prozesses habe ich einige tägliche Ingenieursverantwortungen abgegeben, die besser von anderen gehandhabt werden. Wir haben immer eine lange Liste von Funktionen und Ideen, um die Lösung zu verbessern, und diese Rolle gibt mir mehr Zeit, um neue und innovative Ansätze zu erforschen.

Welche einzigartigen Herausforderungen stellen Rohstoffmärkte dar, die sie besonders geeignet oder widerständig gegen die Übernahme von künstlicher Intelligenz und maschinellem Lernen machen?

Die Modellierung von Rohstoffmärkten stellt eine faszinierende Mischung aus strukturellen und stochastischen Eigenschaften dar. Wenn man dies mit der unzähligen Anzahl von Möglichkeiten kombiniert, wie Menschen Verträge für physische und papierbasierte Handels- und Produktionsmaterialien schreiben und nutzen, erhält man ein unglaublich reiches und kompliziertes Feld. Die Mathematik ist jedoch erheblich weniger gut entwickelt als die vermeintlich einfachere Welt der Aktien. Künstliche Intelligenz und maschinelles Lernen helfen uns, diese Komplexität zu bewältigen, indem sie effizientere Wege finden, Modelle zu erstellen und Benutzern bei der Navigation komplexer Entscheidungen zu helfen.

Wie balanciert DecisionNext die Verwendung von maschinellem Lernen mit der menschlichen Expertise, die für Entscheidungen im Rohstoffbereich entscheidend ist?

Das maschinelle Lernen als Forschungsgebiet verbessert sich ständig, aber es kämpft immer noch mit Kontext und Kausalität. Unsere Erfahrung zeigt, dass es Aspekte der Modellierung gibt, bei denen menschliche Expertise und Aufsicht immer noch entscheidend sind, um robuste, parsimonische Modelle zu erstellen. Unsere Kunden betrachten Märkte in der Regel durch die Brille von Angebot und Nachfrage. Wenn die Modelle diese Überzeugung nicht widerspiegeln (und unüberwachte Modelle tun dies oft nicht), dann werden unsere Kunden das Vertrauen in die Modelle nicht entwickeln. Benutzer werden nicht integrieren, was sie nicht verstehen, in ihre täglichen Entscheidungsprozesse. Also selbst ein demonstrativ genaues maschinelles Lernen, das der Intuition widerspricht, wird eher zu einem ungenutzten Produkt werden.

Gibt es spezifische Durchbrüche in künstlicher Intelligenz oder Datenwissenschaft, die Sie glauben, dass sie die Rohstoffprognose in den kommenden Jahren revolutionieren werden, und wie positioniert sich DecisionNext für diese Veränderungen?

Die Einführung von funktionalen LLMs ist ein Durchbruch, der lange Zeit brauchen wird, um sich vollständig in die Geschäftsentscheidungen zu integrieren. Der Fortschritt in den Modellen selbst ist immer noch atemberaubend und schwierig zu verfolgen. Ich denke jedoch, dass wir erst am Anfang des Weges sind, um die besten Wege zu verstehen, künstliche Intelligenz in Geschäftsprozesse zu integrieren. Die meisten Probleme, die wir遇en, können als Optimierungsprobleme mit komplizierten Einschränkungen formuliert werden. Die Einschränkungen in Geschäftsprozessen sind oft undokumentiert und kontextuell eher als streng durchgesetzt. Ich denke, dass dies eine riesige, ungenutzte Chance für künstliche Intelligenz ist, um implizite Einschränkungen in historischen Daten zu entdecken sowie um passende kontextuelle Optimierungsprobleme zu erstellen und zu lösen.

Wie tragen Ihre interdisziplinären Erkenntnisse aus Bereichen wie Ozeanographie, Ökonometrie und nichtlinearer Dynamik dazu bei, Probleme in der Rohstoffprognose zu lösen?

Meine vielfältige Erfahrung beeinflusst meine Arbeit auf drei Arten. Erstens hat die Breite meiner Arbeit verhindert, dass ich mich zu sehr in ein bestimmtes Gebiet der Mathematik vertiefe. Stattdessen wurde ich vielen verschiedenen Disziplinen ausgesetzt und kann auf all diese zurückgreifen. Zweitens war die Hochleistungsverteilte Rechnung ein roter Faden in all meiner Arbeit. Viele der Techniken, die ich als Graduiertender in Physik verwendet habe, um ad-hoc-Rechencluster zusammenzubauen, werden jetzt in Mainstream-Frameworks verwendet, also fühlt es sich vertraut an, auch wenn der Innovationsprozess rasant ist. Drittens inspiriert mich die Arbeit an all diesen verschiedenen Problemen zu philosophischer Neugier. Als Graduierter habe ich nie daran gedacht, in der Wirtschaft zu arbeiten, aber hier bin ich. Ich weiß nicht, woran ich in fünf Jahren arbeiten werde, aber ich weiß, dass ich es faszinierend finden werde.

Warum ist es so wichtig, aus dem “Black-Box”-Modell der Prognose auszubrechen, und wie wirkt sich diese Transparenz auf das Vertrauen und die Akzeptanz der Benutzer aus?

Ein typischer Rohstoffhändler (auf oder außerhalb einer Börse) ist jemand, der die Grundlagen seiner Branche in der Produktion gelernt hat, aber ein Talent für Wetten in einem volatilen Markt hat. Wenn er keine reale Erfahrung in der Angebotsseite des Geschäfts hat, wird er das Vertrauen der Führungskräfte nicht gewinnen und nicht als Händler befördert. Wenn er keine Affinität zum Glücksspiel hat, wird er bei der Ausführung von Trades zu sehr stressen. Anders als Wall-Street-Quants haben Rohstoffhändler oft keine formale Ausbildung in Wahrscheinlichkeit und Statistik. Um Vertrauen zu gewinnen, müssen wir ein System präsentieren, das intuitiv, schnell und die kognitive Vorurteilsklausel berührt, dass Angebot und Nachfrage die Haupttreiber großer Marktbewegungen sind. Also nehmen wir einen “White-Box”-Ansatz, bei dem alles transparent ist. Normalerweise gibt es eine “Verabredungsphase”, in der sie tief in die Systematik schauen und wir sie durch die Argumentation des Systems führen. Sobald das Vertrauen hergestellt ist, verbringen Benutzer nicht oft Zeit damit, tief in die Systematik einzutauchen, aber sie werden gelegentlich zurückkehren, um wichtige oder überraschende Prognosen zu überprüfen.

Wie hilft DecisionNexts Ansatz der risikobewussten Prognose Unternehmen, nicht nur auf Marktlagen zu reagieren, sondern ihre Strategien proaktiv zu gestalten?

Rohstoffhandel ist nicht auf Börsen beschränkt. Die meisten Unternehmen haben nur begrenzten Zugang zu Futures, um ihr Risiko abzusichern. Ein Verarbeiter kann perhaps einen gelisteten Rohstoff als Rohmaterial kaufen, aber sein Ausgangsprodukt ist auch ein volatiler Rohstoff, der oft wenig Preiskorrelation mit den Eingangsrohstoffen hat. Angesichts der strukturellen Gewinnspannenbeschränkung, dass teure Anlagen nahe der Kapazität betrieben werden müssen, sind Verarbeiter gezwungen, einen strategischen Plan zu haben, der in die Zukunft blickt. Das bedeutet, dass sie nicht ausschließlich auf dem Spotmarkt operieren können und dass sie Verträge abschließen müssen, um Materialien zu kaufen und Ausgangsprodukte zu verkaufen. DecisionNext ermöglicht es dem Verarbeiter, die gesamte Ökosystematik von Angebot, Nachfrage und Preisvariablen zu prognostizieren und dann zu simulieren, wie Geschäftsentscheidungen von den verschiedenen Marktergebnissen betroffen sind. Papierhandel kann ein Bestandteil der Strategie sein, aber am wichtigsten ist es, Material- und Verkaufsverpflichtungen sowie Verarbeitungsentscheidungen zu verstehen, um die Kapazitätsauslastung sicherzustellen. DecisionNext ist genau dafür gemacht.

Was begeistert Sie am meisten an der Kreuzung von Wissenschaft und künstlicher Intelligenz bei der Transformation traditioneller Branchen wie der Rohstoffbranche?

Die Verhaltensökonomik hat unser Verständnis davon, wie Kognition Geschäftsentscheidungen beeinflusst, revolutioniert. Künstliche Intelligenz transformiert, wie wir Software-Tools verwenden können, um menschliche Kognition zu unterstützen und bessere Entscheidungen zu treffen. Die Effizienzgewinne, die durch künstliche Intelligenz ermöglichte Automatisierung realisiert werden, sind viel diskutiert und werden wirtschaftlich wichtig sein. Rohstoffunternehmen operieren mit sehr geringen Gewinnspannen und hohen Arbeitskosten, also werden sie vermutlich stark von der Automatisierung profitieren. Darüber hinaus glaube ich, dass es eine versteckte Ineffizienz in der Art und Weise gibt, wie die meisten Geschäftsentscheidungen getroffen werden, nämlich durch Intuition und Faustregeln. Entscheidungen basieren oft auf begrenzten und undurchsichtigen Informationen und einfachen Tabellenkalkulationen. Für mich ist das aufregendste Ergebnis, dass Plattformen wie DecisionNext dazu beitragen, den Geschäftsprozess mithilfe von künstlicher Intelligenz und Simulation zu transformieren, um Kontext und risikobewusste Entscheidungen auf der Grundlage transparenter Daten und offener Argumentation zu normalisieren.

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