Jonathan Horn, Treeferan toimitusjohtaja ja perustaja – Haastattelusarja

Jonathan Horn, Treeferan toimitusjohtaja ja perustaja, on teknologiayrittäjä ja entinen investment-pankin johtaja, jolla on syvä asiantuntemus riskienhallinnassa, tekoälyssä ja suurten datamäärien analytiikassa. Ennen Treeferan perustamista vuonna 2022 hän toimi johtotehtävissä sekä J.P. Morganilla että Citigroupilla, missä hän keskittyi riskeihin, dataan ja monimutkaisiin rahoitusjärjestelmiin. Hyödyntäen taustaaan finanssialan riskimallinnuksessa, Horn perusti Treeferan ratkaisemaan yhtä globaalien toimitusketjujen pysyvintä sokeaa pistettä: “ensimmäisen mailin”, missä raaka-aineet ovat peräisin. Hänen johdollaan yritys on kasvanut nopeasti johtavaksi tekoälypohjaiseksi toimitusketjun tiedonhallintayritykseksi, joka auttaa yrityksiä saamaan reaaliaikaisen näkyvyyden hankintaan, ympäristöriskeihin, vaatimuksiin ja operatiiviseen joustavuuteen.

Perustettu Lontoossa vuonna 2022, Treefera on tekoälykäyttöinen toimitusketjun tiedonhallintayritys, joka keskittyy toimitusketjujen ensimmäisen mailin läpinäkyvyyteen. Sen omistama datan kudos yhdistää satelliittikuvia, paikallisia ja aikasarjatietoja, tekoälymallit ja riskianalytiikkaa, jotta yritykset voisivat saada reaaliaikaisia oivalluksia hankinnasta, ympäristöriskeistä, kestävyydestä ja toimitusketjun riskeistä. Alusta auttaa yrityksiä seuraamaan kaikkea metsien hävittämisen alttiudesta ja hiilivaikutuksista raaka-aineiden hankintariskeihin, mahdollistaen perustellumpia päätöksiä hankinnassa, rahoituksessa ja operatiivisissa toimissa. Muuttaessaan sirpaleisen ympäristö- ja toimitusketjutiedon toimivaksi tiedoksi Treefera pyrkii vahvistamaan toimitusketjun joustavuutta yhä epävakaisemmassa ja säännellymmässä globaalissa taloudessa.

Perustit Treeferan sen jälkeen, kun olet toiminut senior-johtotehtävissä riskienhallinnassa, tekoälyssä ja datan analytiikassa J.P. Morganilla ja Citigroupilla. Mikä tarkka aukko näit hänen ymmärtäessään maatalous- ja pehmeiden raaka-aineiden riskejä, mikä vakuutti sinut siitä, että Treefera tarvitaan?

Luonnonperäiset raaka-aineet edustavat 2,1 biljoonaa dollarin maailmankauppaa, mutta riskiarvioon liittyvät tiedot näille varoille olivat manuaalisia, viivästyneitä ja rakenteellisesti epätarkkoja. Työskennellessäni riskimalleilla J.P. Morganilla ja Citigroupilla näin hinnoittelupäätöksiä, jotka riippuivat tiedoista, jotka olivat peräisin maatalousketjujen ensimmäisestä mailista: kerätty käsin, altis puutteille ja usein viikkoja tai kuukausia todellisuuden jäljessä. Kuusikymmentä prosenttia toimitusketjun riskeistä syntyy ensimmäisellä maililla, ennen kuin raaka-aineet pääsevät satamaan tai pörssiin, ja juuri siellä näkyvyys oli ohuin.

Se, mikä vakuutti minut rakentamaan Treeferan, oli kahden asian yhteenlaskeminen: ongelman laajuus ja työkalujen saapuminen, joilla sitä voitiin ratkaista. Satelliittiresoluutio ja -kattavuus olivat saavuttaneet pisteen, jossa voitiin havainnoida viljelyolosuhteita kenttätasolla suurten tuotantoalueiden yli vähäisillä kustannuksilla. Tekoäly oli kehittynyt siihen pisteeseen, jossa se voisi muuttaa raakasignaalin joksikin taloudellisesti tulkittavissa olevaksi. Kukaan ei ollut yhdistämässä näitä pisteitä tieteellisesti ja tarkasti. Yritykset perustivat edelleen riskin hintaan virallisiin raportteihin, jotka olivat kuukausien takaisia, kansallisiin keskiarvoihin, jotka peittivät paikalliset vaihtelut, ja lineaarisiin malleihin, jotka eivät voineet käsitellä ilmaston epävakautta. Ero siinä, mitä tiedettiin ja mitä voitiin tietää, oli valtava. Se ero on siellä, missä Treefera sijaitsee.

Treeferaa kuvataan usein tekoälypohjaiseksi tiedonhallintaplatformaksi, mutta lähestymistapanne ei keskity LLM:ään. Miten selität eroa tekoälyllisen toimitusketjun ennusteen ja generatiivisen tekoälyn järjestelmien välillä, jotka hallitsevat tällä hetkellä keskustelua?

Generatiivinen tekoäly ja suuret kielimallit ratkaisevat perustavanlaatuisesti erilaisen ongelman. Ne ovat tuottavuustyökaluja: erittäin hyödyllisiä toistuvien tehtävien yksinkertaistamiseen, kuten luomiseen ja tiivistämiseen. Kaupallinen haaste näille järjestelmille on omaksuminen, saada ihmiset muuttamaan työskentelytapansa. Se on markkinakasvatuksen ongelma, ei tieteellinen.

Treefera käyttää tekoälyä tieteellisten ongelmien ratkaisemiseen taloudellisen tarkkuuden vaatimusten kanssa. Meidän syvät oppimismallimme on koulutettu tulkimaan satelliittikuvia, ilmastosignaaleja ja viljelybiologiaa tuottamaan sato- ja tuotantoalueen ennusteita, jotka ovat riittävän tarkkoja informoimaan pääoman jakamispäätöksiä. Kysymys, jota vastaamme, ei ole “mitä tämä asiakirja sanoo?” Vaan “mitä tämä alue tuottaa kolmen kuukauden kuluttua, ja kuinka varma sinun pitäisi olla?” Nämä eivät ole samaa luokkaa ongelmia, eivätkä ne vaadi samaa luokkaa malleja. LLM:t on optimoitu kielelle; meidän mallimme on optimoitu fyysiseen maailman tulkintaan. Näiden sekoittaminen johtaa väärän työkalun soveltamiseen ongelmaan, jota se ei ollut tarkoitettu ratkaisemaan.

Monet tekoälyyritykset väittävät, että parempi suorituskyky edellyttää enemmän laskentaa, suurempia malleja ja suurempaa pääsyä GPU:hin. Treefera näyttää haastavan tämän oletuksen. Mitä “sahnaava laskenta” tarkoittaa käytännössä, ja miksi se on tärkeää sovelletussa tekoälyssä?

Vallassa oleva oletus tekoälyssä on, että mittakaava vastaa suorituskykyä: enemmän parametreja, enemmän GPU:ita, enemmän pilvirakennetta. Sovelletussa tekoälyssä domain-erityisissä konteksteissa tämä oletus on väärä, ja se tuottaa tarpeetonta kustannusta ja energiahävikkiä.

Sahnaava laskenta tarkoittaa meille käytännössä kolmea asiaa. Ensinnäkin, me irrotamme laskennan ajasta. Useimmat prosessitehtävistämme eivät tarvitse tapahtua tiettynä sekuntina. Sen sijaan, että pyöritettäisiin jatkuvasti infrastruktuuria, tunnistamme verkkoylijäämän aikajaksoja ja lainaamme laskentaa näiden ikkunoiden aikana.

Toiseksi, me hajautamme työkuormaa. Sen sijaan, että reitittäisimme kaiken yhden pilvikeskuksen kautta, hajautamme sen saatavilla olevan solmujen verkostoon, mukaan lukien blockchain-infrastruktuuri, joka kantaa merkittävää ylijäämäkapasiteettia tietyissä vaiheissa. Jos yksi solmu muuttuu tehottomaksi, tehtävät uudelleenohjataan dynaamisesti.

Kolmanneksi, oikein kokoamme laitteiston. Käytämme NVIDIA (NVDA ) AG6:ta sen sijaan, että käyttäisimme huipputehokkaita prosessoreita, missä suorituskyky on vastaava meidän työmääriemme osalta murto-osaan energian ja kustannuksen. Syy, miksi tämä on tärkeää, on tarkkuus. Sahnaava laskenta pakottaa kuria siinä, mitä laskentaa todella tarvitaan. Se tuottaa hoikkaampia, tulkittavampia malleja – sellaisia, joita taloudelliset ja operatiiviset päätöksentekijät voivat todella käyttää. He eivät tarvitse suurempaa mallia; he tarvitsevat tarkemman vastauksen.

Vuosi sitten teidän alustanne toimitti ennustevaihtoehtoja sadon, maankäytön ja toimitusketjun riskeistä ilman, että se riippui jatkuvasti toimivasta pilvinfrastruktuurista. Miten te decouplat laskennan ajasta ja toimitatte kaupallisesti hyödyllistä, lähes reaaliaikaista tiedonhallintaa?

Lähes reaaliaikainen tiedonhallinta ja jatkuva laskenta eivät ole sama asia. Asiakkaidemme tarvitsevat viikoittain päivitettäviä ennusteita; he eivät tarvitse laskentaa, joka tuottaa nämä ennusteet, jatkuvasti pyöriessään.

Karttamme prosessointijaksojamme datan luonnolliseen rytmiin. Satelliittikuvat saapuvat tietyssä tahtiin. Sääsyötteet päivittyvät tietyssä tahtiin. Analytiikka, jota mallimme vastaavat, on myös tahtiripustus: mitä on satoalueen suunta tässä alueessa, mitä on muuttunut tällä viikolla istutetussa alueessa. Niinpä ajoitamme laskentatyöt suoritettavaksi näiden datasiirtolukujen vastaisesti, lainaten kapasiteettia hajautetusta infrastruktuurista matalan kysynnän aikana. Asiakkaalle output on viikoittainen tietovirta, joka on ajantasainen, toimiva ja mallivalmis. Taustalla oleva infrastruktuuri toimii vain silloin, kun on jotain merkityksellistä prosessoida. Tämä arkkitehtuuri on myös kestävämpi. Hajautettu työkuorma, joka kiertää epäonnistuneita solmuja, on luotettavampi kuin yksi jatkuvasti toimiva palvelin yhdellä epäonnistumispistellä.

Maatalous- ja pehmeät raaka-aineet riippuvat edelleen viivästetyistä, kyselypohjaisista tai sirpaleisista tiedoista. Miten tekoäly muuttaa tapaa, jolla yritykset, pankit, vakuutusyhtiöt ja kauppiaat arvioivat riskejä ennen kuin ne tulevat näkyviin virallisissa raporteissa?

Rakenteellinen ongelma kyselypohjaisessa raportoinnissa on, että se on takautuva luonteeltaan. Kun viranomainen julkaisee arvion toimituksesta, fyysiset olosuhteet, joihin se perustuu, ovat vanhentuneita. Markkinat, jotka reagoivat tähän dataan, reagoivat historiaan.

Tekoäly muuttaa tämän siirtämällä tietolähteen kyselyistä suoraan havainnointiin. Satelliittikuvat, ilmastosignaalit ja viljelykehitystiedot ovat saatavilla nyt, eikä kuuden viikon kuluttua, kun raportti on koostettu ja julkaistu. Mitä meidän mallimme tekevät, on kääntää fyysistä dataa taloudelliseksi kieleksi, jota kauppiaat, vakuutusyhtiöt ja analyytikot todella käyttävät: satoennusteet määritellyillä epävarmuustasoilla, tuotantoalueen arviot viikoittain päivitettynä, stressipisteet, jotka mittaavat riskejä alkuperässä ennen kuin ne ilmenevät hinnoissa.

Vuonna 2022 meidän Yhdysvaltain maissimallimme osoittivat alaspäin suuntautuvan korjauksen viisi viikkoa ennen kuin USDA julkaisi oman. Tammikuussa 2025 meidän mallimme paljastivat stressipisteen 0,76 Ghanan kaakaovyöhykkeellä; COCOBOD ei korjannut kauden ennustettaan ennen kuin kesäkuussa. Tietohyöty ei ole marginaalinen; se on rakenteellinen. Yritykset, jotka odottavat edelleen virallisia raportteja tehdäkseen toimitus- ja hinnoittelupäätöksiä, toimivat viiveellä, jota heidän vastapuolensa eivät välttämättä jaa.

“Ensimmäinen maili” toimitusketjuissa on historiallisesti ollut yksi vähiten läpinäkyvistä alueista globaaleille yrityksille. Miksi ensimmäisen mailin näkyvyys on tullut niin kriittiseksi nyt, erityisesti ilmaston epävakauden, sääntelyn ja geopolitiikan epävarmuuden lisääntyessä?

Kolme voimaa kohtaavat, ja kunkin vaikutus on yksinään merkittävä.

Ilmaston epävakaus lisää tuotannon shokkien frekvenssiä ja vakavuutta alkuperässä. Sama sääilmiö kantaa nyt suurempaa toimitusketjun vaikutusta, koska viljelyjärjestelmät ovat enemmän stressaantuneita ja ääri-ilmiöt ovat vähemmän ennustettavissa historiallisista keskiarvoista. Lineaariset riskimallit, jotka perustuvat historiallisiin normeihin, eivät ole rakenteellisesti soveltuvia käsittelemään sitä. Tarvitaan reaaliaikainen fyysinen havainnointi nähdäkseen, mitä kentällä todella tapahtuu.

Sääntely luo suoran vastuulinkin sen välille, mitä tapahtuu ensimmäisellä maililla, ja mitä yritys voi myydä tai rahoittaa. EUDR, CSRD, TCFD: nämä kehykset vaativat yrityksiltä tietää, todisteiden kanssa, mistä heidän raaka-aineensa tulevat ja mitkä olivat olosuhteet alkuperässä. “Luotimme toimittajaan” ei ole enää puolustettavissa oleva asema. Tämä vastuu ajaa jäljitettävyyttä ja alkuperän osoittamista hankinnan mieltymyksestä lailliseksi vaatimukseksi.

Geopolitiikan häiriintyminen on tehnyt yhden alueen riippuvuudesta hallituksen riskin. Kun yksi alue kattaa suuren osan raaka-aineen maailmanlaajuisesta tuotannosta ja se alue tulee epäluotettavaksi poliittisesti tai fyysisesti, yritykset, joilla ei ole ensimmäisen mailin näkyvyyttä, eivät ole varoittaneet ajoissa. He saavat tietää, kun markkina on jo uudelleen hinannut.

On myös laajempi muutos tapahtumassa itse dataympäristössä. Google (GOOGL ) Earth AI:n viimeaikainen pan-trooppisten raaka-aineiden karttojen julkaisu – vuotuiset 10 metrin viljelyjalanjäljet kaakaolle, kahville, öljypalmulle ja kummille, julkaistu avoimena datana – on hyödyllinen osoitus siitä, mihin asiat ovat menossa. Fyysinen maailma on yhä enemmän luettavissa avaruudesta, ja toimitusketjun läpinäkyvyyden vaatimus on jo nyt riittävän vakiintunut houkuttelemaan suurten teknologiayritysten sijoituksia laajassa mittakaavassa. Treefera tervehtii tätä. Rikkaampi perustavanlaatuinen datataso nostaa koko markkinan pohjaa ja luo yhteistä tietoisuutta siitä, että parempi tieto ei ole vain mahdollista, vaan se on saatavilla.

Mitä avoimet löytökartat eivät voi tehdä, on sulkea tiedon aukko. Tietää, mistä viljelykasvit ovat istutettu, ei ole sama asia kuin tietää, miten tämä kausi kehittyy, mitä olosuhteet alkuperässä tarkoittavat toimitusketjun altistumiselle tai missä portfoliossa on riski. Käännös havainnosta taloudelliseksi oivallukseksi on se, mihin Treefera on rakennettu.

Ensimmäisen mailin tietämättömyys oli kaupallisesti hyväksyttävää, kun maailma oli enemmän ennustettavissa. Se ei enää ole.

Teidän asiakaskuntaan kuuluu suuria yrityksiä, kuten JP Morgan, Microsoft (MSFT ), Bayer ja Anew. Mitkä ovat yleisimpiä ongelmia, joita yritykset yrittävät ratkaista Treeferan avulla: noudattaminen, toimitusketjun riski, ennustaminen, kestävyys, hankinta tai jotain muuta?

Yritykset tuovat meille ydinongelmaa, joka on versio samaa asiaa: heillä on merkittävä taloudellinen altistus sille, mitä tapahtuu maatalousketjujen ensimmäisellä maililla, ja heillä ei ole luotettavaa mekanismia nähdä se ennen kuin se maksaa heille. Tietyt kehykset eroavat toimialan mukaan.

Kauppiaille ja raaka-aineisiin altistuneille rahoituslaitoksille kysymys on tietohyöty: nähdä toimitusketjun muutokset ennen kuin ne ilmenevät hinnoissa tai virallisissa tiedoissa. Maatalousrahoittajille ja -vakuutusyhtiöille se on riskinarviointi; he ovat myöntämässä tai rahoittamassa toimintoja, joiden suorituskyky on suoraan ohjattu olosuhteilla, joita he eivät voi havainnoida. Yrityksille, joilla on kestävyyden tai noudattamisen velvoitteita, kysymys on todiste: osoittaa, todisteiden kanssa, että heidän toimitusketjunsä täyttää sääntelijöiden ja vastapuolien nyt vaativat standardit.

Perinteinen vastaus – luottaa toimittajaan, odottaa virallista raporttia, osta konsensusarvio – ei ole enää riittävä. Tarkkuus ja nopeus, joita he tarvitsevat, eivät ole olemassa julkisessa dataympäristössä. Se on olemassa ensimmäisellä maililla.

Treefera on raportoinut 6-kertaisen vuosittaisen kasvun, nollan käännekustannuksen ja ylikiinnitetyn sarjan B:n kahdessa vuodessa. Mitä tämä taso omaksumista osoittaa yritysten tarpeesta tekoälyjärjestelmistä, jotka ovat tarkkoja, tehokkaita ja operatiivisesti perusteltuja eikä vain suurmittakaavaisia?

Nolla käännekustannus on eniten kertova signaali. Liikevaihdon kasvu voi heijastaa kaupallista suoritusta; nolla käännekustannus kertoo tuotteen markkinasopimuksesta. Asiakkaat, jotka ovat käyttäneet dataa koko kauden ajan, takaisinsoveltaneet sitä omiin malleihinsa ja tehneet päätöksiä sen perusteella, ja sitten uudelleenkirjanneet, kertovat meille, että signaali on aito ja se muuttaa tapaa, jolla he toimivat.

Se osoittaa myös merkittävää yritysten tarvetta tekoälylle, joka on tarkkaa, tarkasteltavissa ja operatiivisesti integroitavissa – tarpeita, joita generatiiviset työkalut ja suurten yleisten mallien painottama maisema eivät palvele. Toimitusketjun ja riskien ammattilaiset tarvitsevat ennustetta, jossa on määritelty epävarmuuden väli, jonka he voivat puolustaa riskivaliokunnassa. Kun tämä kynnys ylittyy – domain-erityinen data, taloudellisen tarkkuuden vaatimukset, läpinäkyvä metodologia – yritykset priorisoivat sitä. Ylikiinnitetty rahoitus osoittaa sijoittajien tunnustusta samasta dynamiikasta: markkina on suuri, ongelma on rakenteellinen, ja olemassa oleva data-infrastruktuuri ei ollut rakennettu ratkaisemaan sitä.

Katsoen eteenpäin, uskotko, että seuraava vaihe sovelletussa tekoälyssä määritellään vähemmän mallin koolla ja enemmän operatiivisella tehokkuudella, domain-erityisillä tiedoilla ja mitattavilla liiketoimintatuloksilla?

Kyllä, ja näyttö siitä on jo näkyvissä.

Suurten tekoälyjärjestelmien suorituskyky on alkanut osua suorituskyvyn rajoihin. Lisäämällä parametreja ei paranneta satoennustetta, jos perustana oleva data on karkeaa, viivästynyttä tai maantieteellisesti väärää. Marginaalinen arvo laskennasta on vähentynyt, kun pullonkaula on datan laatu ja domain-tarkkuus, ei mallin koko. Seuraava vaihe määritellään domain-erityisillä koulutusdatilla, oikean kokoisilla malleilla ja verifioiduilla tuloksilla. Aloissa, kuten maataloudessa, rahoituksessa ja toimitusketjussa, joissa päätökset kantavat taloudellista ja operatiivista merkitystä, kysymys ei ole ollut “kuinka suuri on malli?” Se on ollut “kuinka luotettava on vastaus, ja kuinka nopeasti voin toimia sen perusteella?” Suuruus yksinään ei voi vastata siihen. Yritykset, jotka johtavat sovelletussa tekoälyssä seuraavien viiden vuoden aikana, ovat rakentaneet omat datan putkistot fyysiseen maailmaan, kouluttaneet malleja siinä datassa oikealla tieteellisellä tarkkuudella ja osoittaneet mitattavissa olevan tarkkuuden reaaliolosuhteissa. Teknologia on yhä enemmän valmiina; data ja domain-asiantuntemus eivät ole.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Treeferassa.