Ο Jonathan Horn, Διευθύνων Σύμβουλος και Συνιδρυτής της Treefera – Σειρά Συνεντεύξεων

Ο Jonathan Horn, Διευθύνων Σύμβουλος και Συνιδρυτής της Treefera, είναι ένας επιχειρηματίας τεχνολογίας και πρώην εκτελεστικός της τραπεζικής επένδυσης με βαθιά εμπειρογνωσία σε διαχείριση κινδύνου, τεχνητή νοημοσύνη και ανάλυση μεγάλων δεδομένων. Πριν από την ίδρυση της Treefera το 2022, κατέλαβε υψηλές ηγετικές θέσεις τόσο στην J.P. Morgan όσο και στην Citigroup, όπου επικεντρώθηκε στο κίνδυνο, τα δεδομένα και τους σύνθετους χρηματοοικονομικούς συστήματα. Βασισμένος στην εμπειρογνωσία του σε μοντέλα κινδύνου finanziών, ο Horn ίδρυσε την Treefera για να αντιμετωπίσει ένα από τα πιο επίμονες τυφλά σημεία στις παγκόσμιες αλυσίδες εφοδιασμού: το “πρώτο μίλι”, όπου προέρχονται οι πρώτες ύλες. Υπό την ηγεσία του, η εταιρεία έχει αναπτυχθεί γρήγορα σε einen από τους principales παρόχους νοημοσύνης αλυσίδας εφοδιασμού με τη βοήθεια της τεχνητής νοημοσύνης, βοηθώντας τις επιχειρήσεις να αποκτήσουν πραγματική ορατότητα στις πηγές, τους περιβαλλοντικούς κινδύνους, τις απαιτήσεις συμμόρφωσης και την επιχειρησιακή ανθεκτικότητα.

Ιδρυθείσα στο Λονδίνο το 2022, η Treefera είναι μια εταιρεία νοημοσύνης αλυσίδας εφοδιασμού με τη βοήθεια της τεχνητής νοημοσύνης, που επικεντρώνεται στην παροχή διαφάνειας στο πρώτο μίλι των παγκόσμιων αλυσίδων εφοδιασμού εμπορευμάτων. Το ιδιόκτητο υφάδι δεδομένων της συνδυάζει εικόνες δορυφόρου, χωρικά και χρονικά δεδομένα, μοντέλα τεχνητής νοημοσύνης και ανάλυση κινδύνου για να παρέχει στους οργανισμούς πραγματικές ενημερώσεις σχετικά με τις πηγές, την συμμόρφωση, τη βιωσιμότητα και τον κίνδυνο αλυσίδας εφοδιασμού. Η πλατφόρμα βοηθά τις επιχειρήσεις να παρακολουθούν όλα, από την έκθεση στην αποψίλωση και τις επιπτώσεις του άνθρακα έως τους κινδύνους προμήθειας εμπορευμάτων, επιτρέποντας πιο ενημερωμένες αποφάσεις σε προμήθεια, χρηματοοικονομικά και λειτουργίες. Μετατρέποντας τα κατακερματισμένα περιβαλλοντικά και δεδομένα αλυσίδας εφοδιασμού σε ενεργό νοημοσύνη, η Treefera στοχεύει στην ενίσχυση της ανθεκτικότητας της αλυσίδας εφοδιασμού σε μια αυξανόμενη волатil και ρυθμιζόμενη παγκόσμια οικονομία

Ιδρύσατε την Treefera μετά από υψηλές θέσεις κινδύνου, τεχνητής νοημοσύνης και ανάλυσης δεδομένων στην J.P. Morgan και την Citi. Ποιο ήταν το συγκεκριμένο κενό που είδετε στη manière με την οποία οι επιχειρήσεις κατανοούν τον κίνδυνο γεωργικών και μαλακών εμπορευμάτων που σας έπεισε ότι η Treefera πρέπει να υπάρχει;

Τα nature-βασισμένα εμπορεύματα αντιπροσωπεύουν 2,1 τρισεκατομμύρια δολάρια του παγκόσμιου εμπορίου, ωστόσο τα δεδομένα που υποβασίζουν την αξιολόγηση κινδύνου για αυτά τα περιουσιακά στοιχεία ήταν χειροκίνητα, καθυστερημένα και δομικά ανακριβή. Εργαζόμενος με μοντέλα κινδύνου στην J.P. Morgan και την Citi, είδα αποφάσεις τιμολόγησης και έκθεσης που εξαρτώνταν από δεδομένα που προέρχονταν από το πρώτο μίλι των γεωργικών αλυσίδων εφοδιασμού: συλλέγονται με το χέρι, ευάλωτα σε παραλείψεις και συχνά εβδομάδες ή μήνες πίσω από την πραγματικότητα. Εξήντα τοις εκατό του κινδύνου προμήθειας προέρχεται από το πρώτο μίλι, πριν τα εμπορεύματα φτάσουν σε ένα λιμάνι ή μια αγορά, ωστόσο εκεί ήταν ακριβώς όπου η ορατότητα ήταν πιο λεπτή.

Αυτό που με έπεισε να χτίσω την Treefera ήταν η σύγκλιση δύο πραγμάτων: το μέγεθος του προβλήματος και η άφιξη εργαλείων ικανών να το αντιμετωπίσουν. Η ανάλυση δορυφόρου είχε φτάσει σε ένα σημείο όπου θα μπορούσατε να παρατηρήσετε τις συνθήκες καλλιέργειας σε επίπεδο πεδίου σε μεγάλες περιοχές παραγωγής με ελάχιστο κόστος. Η τεχνητή νοημοσύνη είχε ωριμάσει σε σημείο που θα μπορούσε να μετατρέψει αυτό το сыρό σήμα σε κάτι που ήταν οικονομικά ερμηνεύσιμο. Κανείς δεν συνδέει αυτά τα σημεία με ένα αυστηρό, επιστημονικό τρόπο. Οι επιχειρήσεις εξακολουθούσαν να βάζουν τον κίνδυνο με βάση κυβερνητικές εκθέσεις που καθυστερούσαν τις συνθήκες εδάφους με μήνες, εθνικούς μέσους όρους που έκαναν κρυφό το τοπικό ποικίλο και γραμμικά μοντέλα που δεν μπορούσαν να χειριστούν την κλιματική ευστάθεια. Το κενό μεταξύ того που ήταν γνωστό και του τι ήταν γνωστό ήταν τεράστιο. Αυτό το κενό είναι όπου βρίσκεται η Treefera.

Η Treefera περιγράφεται συχνά ως μια πλατφόρμα νοημοσύνης με τη βοήθεια της τεχνητής νοημοσύνης, αλλά η προσέγγισή σας δεν επικεντρώνεται ρητά στα LLMs. Πώς εξηγείτε τη διαφορά μεταξύ προβλεπτικής τεχνητής νοημοσύνης για αλυσίδες εφοδιασμού και των γενετικών συστημάτων τεχνητής νοημοσύνης που κυριαρχούν目前 στην συζήτηση;

Η γενετική τεχνητή νοημοσύνη και τα μεγάλα μοντέλα γλωσσών λύνουν ένα θεμελιωδώς διαφορετικό πρόβλημα. Είναι εργαλεία παραγωγικότητας: εξαιρετικά χρήσιμα για την απλοποίηση επαναλαμβανόμενων εργασιών, όπως η σύνταξη και η περίληψη. Το εμπορικό πρόβλημα για αυτά τα συστήματα είναι η υιοθέτηση, να κάνουν τους ανθρώπους να αλλάξουν τον τρόπο με τον οποίο εργάζονται. Αυτό είναι ένα πρόβλημα εκπαίδευσης αγοράς, όχι επιστημονικό.

Η Treefera χρησιμοποιεί την τεχνητή νοημοσύνη για να λύσει επιστημονικά προβλήματα με οικονομικές απαιτήσεις ακρίβειας. Τα μοντέλα βαθιάς μάθησης μας εκπαιδεύονται για να ερμηνεύσουν εικόνες δορυφόρου, σήματα κλίματος και βιολογία καλλιέργειας για να παράγουν προβλέψεις απόδοσης και περιοχής παραγωγής ακριβείς enough για να ενημερώσουν αποφάσεις διανομής κεφαλαίου. Το ερώτημα που απαντάμε δεν είναι “τι λέει αυτό το έγγραφο;” Είναι “τι θα παραγάγει αυτή η περιοχή σε τρεις μήνες και πόσο πρέπει να είμαι βέβαιος;” Αυτά δεν είναι το ίδιο είδος προβλήματος και δεν απαιτούν το ίδιο είδος μοντέλου. Τα LLMs είναι βελτιστοποιημένα για γλώσσα, τα μοντέλα μας είναι βελτιστοποιημένα για ερμηνεία του φυσικού κόσμου. Η σύγχυση μεταξύ των δύο οδηγεί στην εφαρμογή του λάθους εργαλείου σε ένα πρόβλημα για το οποίο δεν κατασκευάστηκε.

Πολυάριθμες εταιρείες τεχνητής νοημοσύνης υποστηρίζουν ότι καλύτερη απόδοση απαιτεί περισσότερη υπολογιστική ισχύ, μεγαλύτερα μοντέλα και μεγαλύτερη πρόσβαση σε GPUs. Η Treefera φαίνεται να αμφισβητεί αυτήν την υπόθεση. Τι σημαίνει “οικονομική υπολογιστική” στην πράξη και γιατί είναι σημαντική για την εφαρμοσμένη τεχνητή νοημοσύνη;

Η κυρίαρχη υπόθεση στην τεχνητή νοημοσύνη είναι ότι η κλίμακα ισούται με απόδοση: περισσότερα παράμετρα, περισσότερα GPUs, περισσότερη υποδομή cloud. Για την εφαρμοσμένη τεχνητή νοημοσύνη σε domain-ειδικές περιπτώσεις, αυτή η υπόθεση είναι λάθος και παράγει άσκοπη δαπάνη και ενεργειακή σπατάλη.

Η οικονομική υπολογιστική, στην πράξη, σημαίνει τρία πράγματα για μας. Πρώτον, αποσυνδέουμε την υπολογιστική ισχύ από το χρόνο. Οι περισσότερες από τις εργασίες μας δεν χρειάζεται να συμβούν σε συγκεκριμένο δευτερόλεπτο. Αντί να τρέχουμε υποδομή που είναι πάντα ενεργοποιημένη, αναγνωρίζουμε περιόδους υπερβολικής δικτυακής ικανότητας και δανειζόμαστε υπολογιστική ισχύ κατά τη διάρκεια αυτών των παραθύρων.

Δεύτερον, αποκεντρώνονται οι φόρτοι εργασίας. Αντί να κατευθύνουμε όλα τα δεδομένα μέσω ενός κεντρικού cloud hub, διανέμουμε σε ένα δίκτυο διαθέσιμων κόμβων, συμπεριλαμβανομένης της υποδομής blockchain, η οποία φέρει σημαντική αδράνεια σε ορισμένες περιόδους. Αν ένας κόμβος γίνει ανεφάρμοστος, οι εργασίες ανακατευθύνονται δυναμικά.

Τρίτον, μεγεθύνουμε την υλική υποδομή. Χρησιμοποιούμε NVIDIA AG6 αντί για κορυφαίες τσιπ, όπου η απόδοση είναι ισοδύναμη για τις φόρτους εργασίας μας σε μια κλάση της ενέργειας και του κόστους. Ο λόγος που αυτό έχει σημασία πέρα από την αποτελεσματικότητα είναι η ακρίβεια. Η οικονομική υπολογιστική μας αναγκάζει να είμαστε πειθαρχημένοι σχετικά με τι υπολογιστική ισχύ πραγματικά χρειαζόμαστε. Αυτό παράγει λεπτά, πιο ερμηνεύσιμα μοντέλα – τα είδη μοντέλων που οι οικονομικοί και επιχειρησιακοί αποφασιστές μπορούν πραγματικά να χρησιμοποιήσουν. Δεν χρειάζονται ένα μεγαλύτερο μοντέλο, χρειάζονται μια πιο ακριβή απάντηση.

Η πλατφόρμα σας αναφέρει ότι παρέχει προβλεπτικές εξόδους για απόδοση καλλιέργειας, χρήση γης και κίνδυνο προμήθειας χωρίς να βασίζεται σε υποδομή cloud που είναι πάντα ενεργοποιημένη. Πώς αποσυνδέετε την υπολογιστική ισχύ από το χρόνο ενώ παράλληλα παρέχετε εμπορικά χρήσιμη, σχεδόν σε πραγματικό χρόνο νοημοσύνη;

Η νοημοσύνη σε πραγματικό χρόνο και η συνεχής υπολογιστική ισχύ δεν είναι το ίδιο πράγμα. Οι πελάτες μας χρειάζονται εβδομαδιαίες ενημερώσεις προβλέψεων, δεν χρειάζονται την υπολογιστική ισχύ που παράγει αυτές τις προβλέψεις να τρέχει συνεχώς.

Χαρτογραφούμε τους κύκλους επεξεργασίας μας στο φυσικό ρυθμό των δεδομένων. Οι εικόνες δορυφόρου φτάνουν σε ένα ρυθμό. Οι εισόδους καιρού ενημερώνονται σε ένα ρυθμό. Οι αναλυτικές ερωτήσεις που απαντούν τα μοντέλα μας也是 ρυθμο-οδηγούμενες: ποια είναι η τροχιά απόδοσης για αυτήν την περιοχή, τι έχει αλλάξει αυτήν την εβδομάδα στην καλλιεργημένη περιοχή. Έτσι, προγραμματίζουμε τις εργασίες υπολογιστικής ισχύος να τρέχουν ενάντια σε αυτά τα παράθυρα δεδομένων, δανειζόμαστε ικανότητα από κατανεμημένη υποδομή κατά τη διάρκεια περιόδων χαμηλής ζήτησης. Η έξοδος για τον πελάτη είναι μια εβδομαδιαία ροή δεδομένων που είναι τρέχουσα, ενεργό και μοντέλο-έτοιμη. Η υποδομή πίσω από αυτήν δεν τρέχει παρά μόνο όταν υπάρχει κάτι σημαντικό να επεξεργαστεί. Αυτή η αρχιτεκτονική είναι επίσης πιο ανθεκτική. Μια κατανεμημένη φόρτωση εργασίας που διασχίζει τους αποτυχημένους κόμβους είναι πιο αξιόπιστη από έναν πάντα ενεργοποιημένο διακομιστή με ένα σημείο αποτυχίας.

Οι αγροτικές και μαλακές εμπορευματικές αγορές εξακολουθούσαν να βασίζονται σε καθυστερημένα, βασισμένα σε έρευνες ή κατακερματισμένα δεδομένα. Πώς αλλάζει η τεχνητή νοημοσύνη τον τρόπο με τον οποίο οι εταιρείες, οι τράπεζες, οι ασφαλιστές και οι έμποροι αξιολογούν τον κίνδυνο πριν γίνει ορατός στις επίσημες εκθέσεις;

Το δομικό πρόβλημα με τις εκθέσεις βασισμένες σε έρευνες είναι ότι είναι σκόπιμα καθυστερημένες. Μέχρι την ώρα που μια κυβερνητική υπηρεσία δημοσιεύει μια εκτίμηση προμήθειας, οι φυσικές συνθήκες που την υποβασίζουν είναι εβδομάδες ή μήνες παλιές. Οι αγορές που κινούνται με βάση αυτά τα δεδομένα αντιδρούν στην ιστορία.

Η τεχνητή νοημοσύνη αλλάζει αυτό μεταφέροντας την πηγή πληροφοριών από τις έρευνες σε άμεση παρατήρηση. Οι εικόνες δορυφόρου, τα σήματα κλίματος και τα δεδομένα καλλιέργειας είναι διαθέσιμα τώρα, όχι σε έξι εβδομάδες όταν μια έκθεση συντάσσεται και δημοσιεύεται. Αυτό που κάνουν τα μοντέλα μας είναι να μεταφράσουν αυτά τα φυσικά δεδομένα στη γλώσσα που οι έμποροι, οι ασφαλιστές και οι αναλυτές πραγματικά χρησιμοποιούν: προβλέψεις απόδοσης με δηλωμένες διαστήματα αβεβαιότητας, εκτιμήσεις περιοχής παραγωγής με εβδομαδιαίες ενημερώσεις, σκορ στρες που ποσοτικοποιούν τον κίνδυνο στην προέλευση πριν εμφανιστεί στις τιμές.

Το 2022, τα μοντέλα μας για το καλαμπόκι των ΗΠΑ σημείωσαν μια αναθεώρηση προς τα κάτω πέντε εβδομάδες πριν η USDA δημοσιεύσει τη δική της. Τον Ιανουάριο του 2025, τα μοντέλα μας ανέβηκαν σε ένα σκορ στρες 0,76 σε όλη την ζώνη κακαό της Γκάνας, η COCOBOD δεν αναθεώρησε την προβλέψη της εποχής μέχρι τον Ιούνιο. Το πλεονέκτημα πληροφοριών δεν είναι περιφερειακό, είναι δομικό. Οι επιχειρήσεις που εξακολουθούν να περιμένουν τις επίσημες εκθέσεις για να λάβουν αποφάσεις προμήθειας και τιμολόγησης λειτουργούν με μια καθυστέρηση που οι ανταγωνιστές τους μπορεί να μην μοιράζονται.

Το “πρώτο μίλι” των αλυσίδων εφοδιασμού έχει ιστορικά sido ένα από τα λιγότερο διαφανή σημεία για τις παγκόσμιες επιχειρήσεις. Γιατί η ορατότητα του πρώτου μιλίου γίνεται τόσο κρίσιμη τώρα, ιδιαίτερα καθώς η κλιματική ευστάθεια, η ρύθμιση και η γεωπολιτική αβεβαιότητα αυξάνονται;

Τρεις δυνάμεις συγκλίνουν και καθεμία από αυτές είναι ατομικά υλικές.

Η κλιματική ευστάθεια αυξάνει τη συχνότητα και τη σοβαρότητα των παραγωγικών σοκ στην προέλευση. Το ίδιο καιρό συμβάν τώρα φέρει μεγαλύτερο αντίκτυπο προμήθειας επειδή τα συστήματα καλλιέργειας είναι πιο तनτωμένα και τα ακραία συμβάντα είναι λιγότερο προβλέψιμα από τις ιστορικές μέσες τιμές. Τα γραμμικά μοντέλα κινδύνου που βασίζονται σε ιστορικές.norms είναι δομικά ακατάλληλα για να χειριστούν αυτό. Χρειάζεστε πραγματική παρατήρηση για να δείτε τι συμβαίνει πραγματικά στο πεδίο.

Η ρύθμιση δημιουργεί einen άμεσο σύνδεσμο ευθύνης μεταξύ того που συμβαίνει στο πρώτο μίλι και τι μια επιχείρηση μπορεί να πουλήσει ή να χρηματοδοτήσει. EUDR, CSRD, TCFD: αυτοί οι πλαισμοί απαιτούν από τις επιχειρήσεις να γνωρίζουν, με αποδεικτικά στοιχεία, από πού προέρχονται τα εμπορεύματά τους και ποιες ήταν οι συνθήκες στην προέλευση. “Εμπιστευόμαστε τον προμηθευτή” δεν είναι πλέον μια αμυντική θέση. Αυτή η ευθύνη ωθεί την ιχνηλασιμότητα και την προέλευση από μια προτίμηση προμήθειας σε μια νομική απαιτούμενη.

Η γεωπολιτική διακοπή έχει κάνει την εξάρτηση από μια περιοχή ένα ρίσκο διοικητικού συμβουλίου. Όταν μια περιοχή αντιπροσωπεύει ένα κυρίαρχο μερίδιο της παγκόσμιας προμήθειας ενός εμπορεύματος και αυτή η περιοχή γίνεται πολιτικά ή φυσικά αβέβαιη, οι επιχειρήσεις χωρίς ορατότητα του πρώτου μιλίου δεν έχουν κανένα早ν warning μηχανισμό. Μαθαίνουν όταν η αγορά έχει ήδη επανατιμηθεί.

Υπάρχει επίσης μια ευρύτερη μετατόπιση που συμβαίνει στο οικοσύστημα δεδομένων. Η πρόσφατη εκκίνηση των pan-τροπικών χαρτών εμπορευμάτων της Google Earth AI – ετήσιες 10-μετρικές εικόνες καλλιέργειας για κακάο, καφέ, ελαιόλαδο και καουτσούκ, που κυκλοφόρησαν ως ανοιχτά δεδομένα – είναι ένας χρήσιμος δείκτης του πού πηγαίνουν τα πράγματα. Ο φυσικός κόσμος γίνεται ολοένα και πιο αναγνώσιμος από το διάστημα και η ζήτηση για διαφάνεια αλυσίδας εφοδιασμού είναι τώρα αρκετά mainstream για να προσελκύσει επενδύσεις μεγάλης κλίμακας από μεγάλες εταιρείες τεχνολογίας. Η Treefera καλωσορίζει αυτό. Ένα πλουσιότερο θεμελιώδες στρώμα δεδομένων ανεβάζει το δάπεδο για όλη την αγορά και δημιουργεί μια κοινή συνείδηση ότι καλύτερη πληροφόρηση δεν είναι μόνο δυνατή, αλλά και διαθέσιμη.

Αυτό που δεν μπορούν να κάνουν οι χάρτες ανοικτής ανακάλυψης είναι να κλείσουν το κενό νοημοσύνης. Γνωρίζοντας πού φυτεύονται τα εμπορεύματα δεν είναι το ίδιο με το να γνωρίζεις πώς εξελίσσεται η εποχή ή τι σημαίνουν οι συνθήκες στην προέλευση για την έκθεσή σας σε κίνδυνο ή πού είναι το χαρτοφυλάκιό σας σε κίνδυνο. Η μετάφραση από παρατήρηση σε οικονομική-βαθμίδα νοημοσύνη είναι αυτό για το οποίο έχει χτιστεί η Treefera.

Η άγνοια του πρώτου μιλίου ήταν εμπορικά ανεκτή όταν ο κόσμος ήταν πιο προβλέψιμος. Δεν είναι πλέον.

Η βάση πελατών σας περιλαμβάνει μεγάλες οργανώσεις όπως η JP Morgan, η Microsoft, η Bayer και η Anew. Ποιο είναι το πιο κοινό πρόβλημα που οι επιχειρήσεις προσπαθούν να λύσουν με την Treefera: συμμόρφωση, κίνδυνος προμήθειας, προβλέψεις, βιωσιμότητα, προμήθεια ή κάτι άλλο;

Το βασικό πρόβλημα που οι επιχειρήσεις φέρνουν σε μας είναι μια εκδοχή του ίδιου πράγματος: έχουν σημαντική οικονομική έκθεση σε αυτό που συμβαίνει στο πρώτο μίλι των γεωργικών αλυσίδων εφοδιασμού και δεν έχουν một αξιόπιστη μηχανισμό για να το δουν πριν τους κοστίσει. Η συγκεκριμένη πλαισίωση διαφέρει ανά τομέα.

Για τους έμπορους και τις χρηματοοικονομικές εταιρείες που εκτίθενται σε εμπορεύματα, το ερώτημα είναι το πλεονέκτημα πληροφοριών: να δουν τις αλλαγές προμήθειας πριν εμφανιστούν στις τιμές ή στα επίσημα δεδομένα. Για τους γεωργούς δανειστές και ασφαλιστές, το ερώτημα είναι η αξιολόγηση κινδύνου, họ είναι υπεύθυνοι για την underwriting ή την χρηματοδότηση των λειτουργιών των οποίων η απόδοση κυβερνάται άμεσα από συνθήκες που δεν μπορούν να παρατηρήσουν. Για τις εταιρείες με υποχρεώσεις βιωσιμότητας ή συμμόρφωσης, το ερώτημα είναι η απόδειξη: να αποδείξουν, με αδιαμφισβήτητα δεδομένα, ότι οι αλυσίδες εφοδιασμού τους συμμορφώνονται με τα πρότυπα που απαιτούν οι ρυθμιστές και οι ανταγωνιστές.

Η παραδοσιακή απάντηση – εμπιστεύομαι τον προμηθευτή, περιμένω την κυβερνητική έκθεση, αγοράζω την συναίνεση εκτίμησης – δεν είναι πλέον επαρκής. Η ακρίβεια και η ταχύτητα που χρειάζονται δεν υπάρχουν στο δημόσιο οικοσύστημα δεδομένων. Υπάρχουν στο πρώτο μίλι.

Η Treefera έχει αναφέρει 6x ετήσια αύξηση, μηδενικό κίνδυνο και υπερχρεωμένο Series B σε δύο χρόνια. Τι υποδηλώνει αυτό το επίπεδο υιοθέτησης σχετικά με την εταιρική ζήτηση για συστήματα τεχνητής νοημοσύνης που είναι ακριβή, αποτελεσματικά και λειτουργικά εδραιωμένα αντί για απλά μεγάλης κλίμακας;

Ο μηδενικός κίνδυνος είναι το πιο αποκαλυπτικό σήμα. Η αύξηση των εσόδων μπορεί να αντικατοπτρίζει εμπορική εκτέλεση, ο μηδενικός κίνδυνος αντικατοπτρίζει την ταίριαξη του προϊόντος στην αγορά. Οι πελάτες που έχουν χρησιμοποιήσει τα δεδομένα για μια πλήρη εποχή, έχουν ελέγξει τα δικά τους μοντέλα και έχουν λάβει αποφάσεις με βάση αυτά και στη συνέχεια έχουν ανανεώσει, μας λένε ότι το σήμα είναι πραγματικό και ότι αλλάζει τον τρόπο με τον οποίο λειτουργούν.

Υποδηλώνει επίσης σημαντική ανεκπλήρωτη εταιρική ζήτηση για τεχνητή νοημοσύνη που είναι ακριβής, ελέγξιμη και λειτουργικά ενοποιημένη – ζήτηση που δεν εξυπηρετείται από το τοπίο που είναι βαρύ με γενετικά εργαλεία και μεγάλης κλίμακας γενικά μοντέλα. Οι επαγγελματίες αλυσίδας εφοδιασμού και κινδύνου χρειάζονται μια πρόβλεψη με δηλωμένα διαστήματα αβεβαιότητας που μπορούν να στηρίξουν σε μια επιτροπή κινδύνου. Όταν αυτό το πρότυπο ικανοποιείται – domain-ειδικά δεδομένα, οικονομική-βαθμίδα ακρίβεια, διαφανής μεθοδολογία – οι επιχειρήσεις το προτεραιοποιούν. Η υπερχρεωμένη συλλογή κεφαλαίων αντικατοπτρίζει την αναγνώριση των επενδυτών της ίδιας δυναμικής: η αγορά είναι μεγάλη, το πρόβλημα είναι δομικό και η υπάρχουσα υποδομή δεδομένων δεν χτίστηκε για να το λύσει.

Κοιτάζοντας μπροστά, πιστεύετε ότι η επόμενη φάση της εφαρμοσμένης τεχνητής νοημοσύνης θα οριστεί λιγότερο από την κλίμακα του μοντέλου και περισσότερο από την λειτουργική αποτελεσματικότητα, τα domain-ειδικά δεδομένα και τα μετρήσιμα επιχειρηματικά αποτελέσματα;

Ναι, και οι ενδείξεις για αυτό είναι ήδη ορατές.

Η μεγάλης κλίμακας τεχνητή νοημοσύνη αρχίζει να φτάνει τα όρια του τι μπορεί να λύσει η сыρά κλίμακα. Η προσθήκη παραμέτρων δεν βελτιώνει μια πρόβλεψη απόδοσης καλλιέργειας αν τα υποκείμενα δεδομένα είναι χονδρά, καθυστερημένα ή γεωγραφικά λανθασμένα. Η περιθωριακή αξία της υπολογιστικής ισχύος είναι μειωμένη όταν το εμπόδιο είναι η ποιότητα δεδομένων και η domain-ειδική ακρίβεια, όχι το μέγεθος του μοντέλου.

Η επόμενη φάση θα οριστεί από domain-ειδικά δεδομένα εκπαίδευσης, right-sized μοντέλα και ελέγξιμες εξόδους. Σε τομείς όπως η γεωργία, η χρηματοοικονομική και η αλυσίδα εφοδιασμού, όπου οι αποφάσεις έχουν οικονομικές και λειτουργικές συνέπειες, το ερώτημα δεν ήταν ποτέ “πόσο μεγάλο είναι το μοντέλο;” Ήταν “πόσο αξιόπιστη είναι η απάντηση και πόσο γρήγορα μπορώ να ενεργήσω σε αυτή;” Η κλίμακα μόνο δεν μπορεί να απαντήσει σε αυτό. Οι εταιρείες που θα ηγηθούν στην εφαρμοσμένη τεχνητή νοημοσύνη τα επόμενα πέντε χρόνια θα έχουν χτίσει ιδιόκτητα pipes δεδομένων στον φυσικό κόσμο, έχουν εκπαιδεύσει μοντέλα σε αυτά τα δεδομένα με κατάλληλη επιστημονική αυστηρότητα και έχουν αποδείξει μετρήσιμη ακρίβεια σε ζωντανούς όρους. Η τεχνολογία γίνεται ολοένα και περισσότερο ένα εμπόρευμα, τα δεδομένα και η domain-ειδική εμπειρογνωσία δεν είναι.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Treefera.