Robert Pierce, Co-Fundador y Director Científico de DecisionNext – Serie de Entrevistas

Bob Pierce, PhD es co-fundador y Director Científico de DecisionNext. Su trabajo ha llevado el análisis matemático avanzado a nuevos mercados e industrias, mejorando la forma en que las empresas toman decisiones estratégicas. Antes de DecisionNext, Bob fue Científico Jefe en SignalDemand, donde guió la ciencia detrás de sus soluciones para fabricantes. Bob ha ocupado puestos de investigación y desarrollo senior en Khimetrics (ahora SAP) y ConceptLabs, así como puestos académicos en la Academia Nacional de Ciencias, la Universidad Estatal de Pensilvania y la Universidad de California en Berkeley. Su trabajo abarca una variedad de industrias, incluyendo commodities y fabricación, y ha hecho contribuciones a los campos de la econometría, la oceanografía, las matemáticas y la dinámica no lineal. Es titular de numerosas patentes y es autor de varios artículos revisados por pares. Bob tiene un doctorado en física teórica de la Universidad de California en Berkeley.

DecisionNext es una empresa de análisis de datos y pronósticos fundada en 2015, especializada en pronósticos de precios y suministro impulsados por IA. La empresa se creó para abordar las limitaciones de los modelos de pronóstico tradicionales “caja negra”, que a menudo carecían de transparencia y conocimientos aprovechables. Al integrar la IA y el aprendizaje automático, DecisionNext brinda a las empresas una mayor visibilidad sobre los factores que influyen en sus pronósticos, lo que les permite tomar decisiones informadas basadas en el riesgo del mercado y del negocio. Su plataforma está diseñada para mejorar la precisión de los pronósticos en toda la cadena de suministro, lo que permite a los clientes ir más allá de la toma de decisiones basada en la intuición.

¿Cuál fue la idea original o la inspiración detrás de la fundación de DecisionNext, y cómo su experiencia en física teórica y sus puestos en diversas industrias dieron forma a esta visión?

Mi co-fundador Mike Neal y yo hemos acumulado mucha experiencia en nuestras empresas anteriores al entregar soluciones de optimización y pronósticos a minoristas y procesadores de commodities. Dos conocimientos clave que obtuvimos de esa experiencia fueron:

1. Los usuarios necesitan creer que entienden de dónde provienen los pronósticos y las soluciones; y
2. Los usuarios tienen mucha dificultad para separar lo que creen que sucederá de la probabilidad de que realmente ocurra.

Estos dos conceptos tienen orígenes profundos en la cognición humana, así como implicaciones en la forma de crear software para resolver problemas. Es bien sabido que la mente humana no es buena para calcular probabilidades. Como físico, aprendí a crear marcos conceptuales para interactuar con la incertidumbre y construir plataformas computacionales distribuidas para explorarla. Este es el fundamento técnico de nuestras soluciones para ayudar a nuestros clientes a tomar mejores decisiones ante la incertidumbre, lo que significa que no pueden saber cómo evolucionarán los mercados, pero aún deben decidir qué hacer ahora para maximizar las ganancias en el futuro.

¿Cómo ha influido su transición al papel de Director Científico en su enfoque diario y su visión a largo plazo para DecisionNext?

La transición a Director Científico ha involucrado un replanteamiento de cómo el producto debe brindar valor a nuestros clientes. En el proceso, he delegado algunas responsabilidades diarias de ingeniería que son mejor manejadas por otros. Siempre tenemos una larga lista de características e ideas para mejorar la solución, y este papel me da más tiempo para investigar nuevos y innovadores enfoques.

¿Qué desafíos únicos presentan los mercados de commodities que los hacen particularmente adecuados o resistentes a la adopción de soluciones de IA y aprendizaje automático?

Modelar los mercados de commodities presenta una fascinante mezcla de propiedades estructurales y estocásticas. Combinar esto con el número incalculable de formas en que las personas redactan contratos para el comercio físico y de papel y utilizan materiales en la producción da como resultado un campo increíblemente rico y complicado. Sin embargo, las matemáticas son considerablemente menos desarrolladas que el mundo de las acciones, que es más simple. La IA y el aprendizaje automático nos ayudan a trabajar con esta complejidad al encontrar formas más eficientes de modelar y ayudar a los usuarios a navegar decisiones complejas.

¿Cómo equilibra DecisionNext el uso de modelos de aprendizaje automático con la experiencia humana crítica para la toma de decisiones en commodities?

El aprendizaje automático como campo está mejorando constantemente, pero todavía lucha con el contexto y la causalidad. Nuestra experiencia es que hay aspectos de la modelización en los que la experiencia y la supervisión humanas son aún críticas para generar modelos robustos y parsimoniosos. Nuestros clientes generalmente ven los mercados a través de la lente de los fundamentos de la oferta y la demanda. Si los modelos no reflejan esa creencia (y los modelos no supervisados a menudo no lo hacen), entonces nuestros clientes no desarrollarán confianza. Es crucial que los usuarios no integrarán modelos no confiables en sus procesos de toma de decisiones diarios. Así que, incluso un modelo de aprendizaje automático demostrablemente preciso que desafíe la intuición se convertirá en algo que no se utiliza con más frecuencia que no.

La experiencia humana del cliente también es crítica porque es un axioma que los datos observados nunca son completos, por lo que los modelos representan una guía y no deben confundirse con la realidad. Los usuarios inmersos en los mercados tienen conocimientos y perspicacias importantes que no están disponibles como entrada para los modelos. La IA de DecisionNext permite al usuario aumentar las entradas del modelo y crear escenarios de mercado. Esto incorpora flexibilidad en los pronósticos y las recomendaciones de decisión, y mejora la confianza y la interacción del usuario con el sistema.

¿Hay avances específicos en IA o ciencia de datos que cree que revolucionarán el pronóstico de commodities en los próximos años, y cómo se está posicionando DecisionNext para esos cambios?

El advenimiento de los LLM funcionales es un avance que tardará mucho en percolar completamente en la toma de decisiones empresariales. El ritmo de mejoras en los modelos en sí es aún asombroso y difícil de seguir. Sin embargo, creo que estamos apenas al comienzo del camino para entender las mejores formas de integrar la IA en los procesos empresariales. La mayoría de los problemas que encontramos se pueden enmarcar como problemas de optimización con restricciones complicadas. Las restricciones dentro de los procesos empresariales a menudo son no documentadas y contextualmente más que rigurosamente aplicadas. Creo que esta área es una oportunidad enorme y no aprovechada para que la IA descubra restricciones implícitas en los datos históricos, así como construya y resuelva los problemas de optimización contextual adecuados.

DecisionNext es una plataforma de confianza para resolver estos problemas y brindar un acceso fácil a información y pronósticos críticos. DecisionNext está desarrollando agentes basados en LLM para hacer que el sistema sea más fácil de usar y realizar tareas complicadas dentro del sistema bajo la dirección del usuario. Esto nos permitirá escalar y agregar valor en más procesos y industrias empresariales.

Su trabajo abarca campos tan diversos como la oceanografía, la econometría y la dinámica no lineal. ¿Cómo contribuyen estas perspectivas interdisciplinarias a la resolución de problemas en el pronóstico de commodities?

Mi experiencia diversa informa mi trabajo de tres maneras. Primero, el alcance de mi trabajo me ha impedido profundizar demasiado en un área específica de matemáticas. En su lugar, he sido expuesto a muchas disciplinas diferentes y puedo sacar provecho de todas ellas. Segundo, la computación distribuida de alto rendimiento ha sido un hilo conductor en todo el trabajo que he realizado. Muchas de las técnicas que utilicé para crear clusters de cómputo ad hoc como estudiante de doctorado en Física se utilizan ahora en frameworks principales, así que todo me resulta familiar incluso cuando el ritmo de la innovación es rápido. Por último, trabajar en todos estos problemas diferentes inspira una curiosidad filosófica. Como estudiante de doctorado, nunca contemplé trabajar en Economía, pero aquí estoy. No sé en qué estaré trabajando en 5 años, pero sé que lo encontraré intrigante.

DecisionNext enfatiza la ruptura del modelo de pronóstico “caja negra”. ¿Por qué es tan crítica esta transparencia, y cómo cree que impacta la confianza y la adopción del usuario?

Un trader de commodities prototípico (en o fuera de una bolsa) es alguien que aprendió los conceptos básicos de su industria en la producción, pero tiene una habilidad para apostar en un mercado volátil. Si no tienen experiencia en el mundo real en el lado de la oferta del negocio, no ganan la confianza de los ejecutivos y no son promovidos como trader. Si no tienen alguna afinidad por el juego, se estresan demasiado al ejecutar operaciones. A diferencia de los cuantos de Wall Street, los traders de commodities a menudo no tienen un trasfondo formal en probabilidad y estadística. Para ganar confianza, debemos presentar un sistema que sea intuitivo, rápido y toque su sesgo cognitivo de que la oferta y la demanda son los principales impulsores de los grandes movimientos del mercado. Así que, adoptamos un enfoque de “caja blanca” donde todo es transparente. Generalmente, hay una “fase de citas” donde miran profundamente debajo de la capota y los guiemos a través de la lógica del sistema. Una vez que se establece la confianza, los usuarios no suelen pasar tiempo para mirar profundamente, pero regresarán periódicamente para interrogar pronósticos importantes o sorprendentes.

¿Cómo ayuda el enfoque de DecisionNext para el pronóstico con conciencia de riesgo a las empresas a no solo reaccionar a las condiciones del mercado, sino a moldear proactivamente sus estrategias?

El comercio de commodities no se limita a las bolsas. La mayoría de las empresas solo tienen un acceso limitado a futuros para cubrir su riesgo. Un procesador puede comprar una commodity listada como materia prima (ganado, quizás), pero su producto también es una commodity volátil (carne) que a menudo tiene poca correlación de precios con las entradas. Dado el margen estructural que las instalaciones costosas deben operar cerca de su capacidad, los procesadores están obligados a tener un plan estratégico que se proyecte hacia el futuro. Es decir, no pueden operar con seguridad enteramente en el mercado spot, y deben contratar hacia adelante para comprar materiales y vender productos. DecisionNext permite al procesador pronosticar todo el ecosistema de variables de oferta, demanda y precio, y luego simular cómo las decisiones comerciales se ven afectadas por el rango completo de resultados del mercado. El comercio de papel puede ser un componente de la estrategia, pero lo más importante es entender los compromisos de materiales y ventas y las decisiones de procesamiento para garantizar la utilización de la capacidad. DecisionNext está diseñado específicamente para esto.

Como alguien con una profunda formación científica, ¿qué es lo que más le emociona sobre la intersección de la ciencia y la IA en la transformación de industrias tradicionales como las commodities?

La economía conductual ha transformado nuestra comprensión de cómo la cognición afecta las decisiones empresariales. La IA está transformando cómo podemos utilizar herramientas de software para apoyar la cognición humana y tomar mejores decisiones. Los beneficios de eficiencia que se lograrán con la automatización habilitada por la IA han sido ampliamente discutidos y serán económicamente importantes. Las empresas de commodities operan con márgenes muy delgados y costos laborales altos, por lo que presumiblemente se beneficiarán enormemente de la automatización. Más allá de eso, creo que hay una ineficiencia oculta en la forma en que se toman la mayoría de las decisiones empresariales, basadas en intuición y reglas de thumb. Las decisiones a menudo se basan en información limitada y opaca, y en herramientas de hoja de cálculo simples. Para mí, el resultado más emocionante es que plataformas como DecisionNext ayuden a transformar el proceso empresarial utilizando la IA y la simulación para normalizar el contexto y las decisiones conscientes del riesgo basadas en datos transparentes y razonamiento abierto.

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