Chris Nicholson, Fundador y CEO de Pathmind – Serie de Entrevistas

Chris Nicholson es el fundador de Pathmind, una startup de inteligencia artificial que aplica el aprendizaje de refuerzo profundo a la cadena de suministro y las operaciones industriales. Pathmind fue fundada para ayudar a las empresas a manejar el cambio económico profundo y aumentar la resistencia de sus operaciones con la inteligencia artificial. Chris supervisa la visión estratégica y la ejecución diaria de la empresa, impulsando la innovación y el crecimiento de la plataforma tecnológica de Pathmind, y optimizando el rendimiento en almacenes y plantas de fabricación como parte de la transformación digital de los negocios.

Anteriormente, Chris fue el CEO de Skymind, una empresa de inteligencia artificial centrada en el aprendizaje profundo. Antes de eso, ocupó puestos de comunicaciones y reclutamiento en FutureAdvisor, una startup respaldada por Sequoia y Y Combinator que fue adquirida por BlackRock (BLK ) en 2015 por $200 millones. Chris también pasó una década como periodista, informando sobre tecnología y finanzas para The New York Times, Bloomberg News y Businessweek, entre otros.

Usted fue anteriormente corresponsal de The New York Times y editor de Bloomberg News antes de cambiar a la inteligencia artificial, ¿podría hablar sobre el viaje detrás de este cambio en su carrera?

Cuando era periodista, en la década de 2000 y principios de 2010, la industria estaba sufriendo porque los anuncios se mudaban a los motores de búsqueda y las redes sociales, y las publicaciones tradicionales perdían lectores. Estaba cubriendo finanzas y tecnología, y vi a personas construyendo muchas cosas nuevas e interesantes. En un momento determinado, me dije que necesitaba estar en el lado correcto de los robots, así que me mudé a San Francisco.

Eso fue en 2013. Todavía había casas de hackers en SOMA en ese momento. Me mudé a una de ellas, a un catre en una habitación con cinco chicos más, y fui a trabajar cada mañana en una startup que había pasado por Y Combinator. Trabajando en San Francisco, poco a poco fui conociendo a personas y descubriendo en qué estaba interesado. En ese momento, el aprendizaje profundo todavía estaba despegando. Podías ver el potencial, pero todavía había mucho que construir. Esta curiosidad me llevó a involucrarme en un proyecto de inteligencia artificial que eventualmente llevó a Pathmind.

¿Podría compartir algunos detalles sobre cómo Pathmind puede ayudar a las empresas?

Las empresas que tienen una planta física para gestionar, como un almacén, una fábrica o un sitio de minería, suelen enfrentar tareas de optimización muy complejas. Es decir, necesitan coordinar mucho equipo para alcanzar un objetivo. Muchas de ellas están tratando de maximizar el rendimiento y la eficiencia, y minimizar los costos y las emisiones de carbono. Diseñamos algoritmos que pueden utilizar sus datos reales para mostrar nuevas formas de hacer que su equipo se comporte. Eso puede aplicarse a la programación de trabajos y máquinas, la ruta de flotas y la gestión de costos de energía, entre otras cosas.

¿Cuáles son algunos beneficios del software de código abierto para los sistemas de aprendizaje automático?

Las empresas de software están todas flotando en un mar de código de código abierto. La infraestructura de las nubes públicas se ejecuta en código abierto. Muchas de las herramientas que los desarrolladores utilizan para construir sitios web y aplicaciones de aprendizaje automático también son de código abierto. Es un ecosistema vibrante. Somos adoptadores tempranos que trabajan en proyectos de código abierto emocionantes como Ray, que ayuda a iniciar la computación distribuida para cargas de trabajo de inteligencia artificial.

Está claro que es optimista sobre el futuro del aprendizaje de refuerzo profundo, en su opinión, ¿qué tipo de empresas están mejor posicionadas para aprovechar este tipo de aprendizaje automático?

Las empresas con las que trabajamos suelen tener datos que están utilizando para rastrear sus operaciones y rendimiento. Tienen operaciones físicas donde pueden controlar el comportamiento del equipo. Nuestros algoritmos necesitan datos para entender el entorno en el que operan, y necesitan ser presentados con acciones para elegir, como equipo para controlar, para que puedan tener un efecto en los resultados. Esencialmente, las empresas que tienen operaciones físicas para controlar, tienen datos sobre esas operaciones y algún análisis en lugar para esos datos, están en una buena posición para comenzar a pensar en la optimización como la nuestra.

¿Hay algo más que le gustaría discutir sobre Pathmind?

Una cosa que hacemos que es adyacente al control de las operaciones físicas es ayudar a las empresas a predecir series temporales. Así, los datos como los precios o la demanda influirán en cómo se comporta una empresa y cuánto produce. Para producir la cantidad correcta, necesitan saber cuánta demanda habrá. Y, para poder fijar correctamente sus precios, deben tener una idea de las fluctuaciones de precios. Nuestros algoritmos pueden hacer esas previsiones.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Pathmind.