Robert Pierce, DecisionNextin perustaja ja Chief Science Officer – Haastattelusarja

Bob Pierce, PhD on DecisionNextin perustaja ja Chief Science Officer. Hänen työnsä on tuonut edistyneen matemaattisen analyysin täysin uusiin markkinoihin ja teollisuuteen, parantaen yritysten strategista päätöksentekoa. Ennen DecisionNextiä Bob oli Chief Scientist SignalDemandissa, jossa hän ohjasi tieteen taustalla sen ratkaisujen kehittämisessä valmistajille. Bob on toiminut johtavissa tutkimus- ja kehitystehtävissä Khimetricsissä (nyk. SAP) ja ConceptLabsissa, sekä akateemisissa tehtävissä National Academy of Sciencesissa, Penn State Universityssä ja UC Berkeleyssä. Hänen työnsä kattaa useita aloja, kuten raaka-aineita ja valmistusta, ja hän on tehnyt merkittäviä panoksia taloustieteiden, oseanografian, matematiikan ja epälineaarisen dynamiikan aloille. Hänellä on useita patenteja ja hän on useiden tieteellisten artikkeleiden kirjoittaja. Bobilla on teoreettisen fysiikan tohtorin tutkinto UC Berkeleyssä.

DecisionNext on data-analytiikka- ja ennusteyhtiö, joka on perustettu vuonna 2015 ja erikoistunut tekoälypohjaisiin hinta- ja tarjontaanalyysiin. Yritys perustettiin korjaamaan perinteisten “mustan laatikon” ennustemallien rajoituksia, jotka usein puuttuvat läpinäkyvyydeltä ja toimivat näkymistä. Tekoälyn ja koneoppimisen integroimalla DecisionNext tarjoaa yrityksille paremman näkyvyyden tekijöihin, jotka vaikuttavat heidän ennusteisiinsa, auttaen heitä tekemään perusteltuja päätöksiä sekä markkina- että liiketoimintariskin perusteella. Heidän alustansa on suunniteltu parantamaan ennusteen tarkkuutta koko toimitusketjussa, mahdollistaen asiakkaiden siirtymisen intuition perusteella tehtävistä päätöksistä tarkempiin ja perustellumpiin päätöksiin.

Mikä oli alkuperäinen idea tai inspiraatio DecisionNextin perustamiseen, ja miten taustasi teoreettisessa fysiikassa ja roolisi eri teollisuusaloilla muovasi tämän visio?

Minun ja perustajakumppani Mike Nealin kokemuksiemme perusteella aiemmista yrityksistämme, joissa toimimme optimaatio- ja ennustusratkaisujen toimittajina vähittäiskauppiaille ja raaka-aineiden prosessoreille, oli kaksi tärkeää opetusta:

1. Käyttäjien on uskottava, että he ymmärtävät, mistä ennusteet ja ratkaisut tulevat; ja
2. Käyttäjillä on suuri vaikeus erottaa, mitä he ajattelevat tapahtuvan, ja mitä todennäköisesti todella tapahtuu.

Nämä kaksi konseptia ovat syvällisesti juurtuneita ihmisen kognitioon ja vaikuttavat siihen, miten luodaan ohjelmistoja ongelmien ratkaisemiseksi. On hyvin tiedostettu, että ihmisen mieli ei ole hyvä laskeemaan todennäköisyyksiä. Fyysikkona opin luomaan konseptuaalisia kehyksiä epävarmuuden kanssa työskentelyyn ja rakentamaan hajautettuja laskentaplatformeja sen tutkimiseksi. Tämä on tekninen perusta ratkaisuille, joilla autamme asiakkaitamme tekemään parempia päätöksiä epävarmuuden keskellä, tarkoittaen, että he eivät voi tietää, miten markkinat kehittyvät, mutta heidän on kuitenkin tehtävä päätöksiä nyt maksimoimaan voitot tulevaisuudessa.

Miten siirtymisesi Chief Science Officerin rooliin on vaikuttanut päivittäiseen fokuksiisi ja pitkän aikavälin visioosi DecisionNextissä?

Siirtymäni CSO:ksi on vaikuttanut siihen, miten tuote toimittaa arvoa asiakkaillemme. Prosessissa olen vapauttanut joitain päivittäisiä insinööritöitä, jotka ovat paremmin käsittelyssä toisten toimesta. Meillä on aina pitkä lista ominaisuuksia ja ideoita parantamaan ratkaisua, ja tämä rooli antaa minulle enemmän aikaa tutkia uusia ja innovatiivisia lähestymistapoja.

Mitkä ovat raaka-aineiden markkinoiden ainutlaatuiset haasteet, jotka tekevät niistä erityisen soveltuvia tai vastustuskykyisiä tekoäly- ja koneoppimisratkaisujen omaksumiselle?

Raaka-aineiden markkinoiden mallintaminen esittää mielenkiintoisen rakenteellisen ja stokastisen ominaisuuksien yhdistelmän. Yhdistämällä tämän lukemattomaan määrään tapoja, joilla ihmiset kirjoittavat sopimuksia fyysisten ja paperikaupan toteuttamiseksi ja materiaalien käytölle tuotannossa, johtaa tämä erittäin rikkaaseen ja monimutkaiseen alaan. Kuitenkin matematiikka on huomattavasti vähemmän kehittynyt kuin osakkeiden maailma. Tekoäly ja koneoppiminen auttavat meitä työskentelemään tämän monimutkaisuuden parissa löytämällä tehokkaampia tapoja mallintaa sekä auttavat käyttäjiämme navigoimaan monimutkaisissa päätöksissä.

Miten DecisionNext tasapainottaa tekoälymallien käytön ja ihmisen asiantuntemuksen, joka on kriittinen raaka-aineiden päätöksentekoon?

Tekoäly on ala, joka kehittyy jatkuvasti, mutta se kamppailee edelleen kontekstin ja kausaalisuuden kanssa. Kokemuksemme on, että on olemassa joitain malleja, joissa ihmisen asiantuntemus ja valvonta ovat edelleen kriittisiä luotettavien ja taloudellisten mallien luomiseksi. Asiakkaidemme yleensä tarkastelevat markkinoita tarjonta- ja kysyntäperusteiden kautta. Jos mallit eivät heijasta tätä uskomusta (ja valvomattomat mallit usein eivät tee), asiakkaamme eivät yleensä kehitä luottamusta. Olennaisesti, käyttäjät eivät integroi epäluotettavia malleja päivittäisiin päätöksentekoprosesseihin. Jopa osoitettavasti tarkin tekoälymalli, joka vastustaa intuitiota, tulee todennäköisemmin olemaan hylätty kuin otettu käyttöön.

Ovatko tekoälyssä tai data-tieteessä tulevaisuudessa mullistavia läpimurtoja, jotka voivat vallankumouksellisesti muuttaa raaka-aineiden ennustamista, ja miten DecisionNext asettuu näille muutoksille?

Toiminnallisten LLM:ien (Large Language Model) kehittyminen on läpimurto, joka vie kauan aikaa täysin sulauttaa liiketoimintapäätöksiin. Itse mallien paranemisen vauhti on edelleen henkeäsalpaava ja vaikea seurata. Kuitenkin uskon, että olemme vasta aloittamassa matkaa ymmärtämään, miten integroida tekoäly liiketoimintaprosesseihin. Useimmat ongelmat, joita kohtaamme, voidaan muotoilla optimointiongelmina, joissa on monimutkaisia rajoituksia. Liiketoimintaprosessien rajoitukset ovat usein asiakirjoittamattomia ja kontekstuaalisesti eikä johdonmukaisesti pakotettuja. Uskon, että tämä alue on valtava, käyttämätön mahdollisuus tekoälylle sekä löytää implisiittisiä rajoituksia historiallisista tiedoista että rakentaa ja ratkaista asiaankuuluvat kontekstuaaliset optimointiongelmat.

Miten teidän työnne eri aloilla, kuten oseanografia, taloustiede ja epälineaarinen dynamiikka, vaikuttavat ratkaisujen löytämiseen raaka-aineiden ennustamisessa?

Monialainen taustani vaikuttaa työhöni kolmella tavalla. Ensinnäkin, työni laajuus on estänyt minua menemästä liian syvälle yhteen tiettyyn alaan. Sen sijaan olen saanut nähdä monia eri aloja ja voin hyödyntää niitä kaikkia. Toiseksi, korkean suorituskyvyn jakeluun perustuva laskenta on ollut yhteinen näkymä koko työni ajan. Monet tekniikat, joita käytin ad hoc -laskentaklusterien kokoamiseen fysiikan gradustudenttina, ovat nyt valtavirtaistuneita, joten se tuntuu minulle tutulta, vaikka innovaation vauhti on nopea. Viimeksi, eri ongelmien parissa työskentely herättää filosofista uteliaisuutta. Graduna en koskaan ajatellut työskenteleväni taloustieteessä, mutta tässä olen. En tiedä, mihin olen viiden vuoden päästä työskentelemässä, mutta tiedän, että se on mielenkiintoista.

Miksi DecisionNext korostaa “mustan laatikon” ennustemallien murtamista? Miksi läpinäkyvyys on niin kriittinen, ja miten se vaikuttaa käyttäjien luottamukseen ja omaksumiseen?

Tyyppillinen raaka-aineiden kauppias (joko pörssissä tai sen ulkopuolella) on joku, joka on oppinut perusteet alastaan tuotannossa, mutta on myös taitava uhkapelaaja volatiilissa markkinassa. Jos heillä ei ole kokemusta toimituspuolen liiketoiminnasta, he eivät ansaitse johtajien luottamusta eivätkä pääse eteenpäin urallaan kauppiaana. Jos heillä ei ole jonkinlaista affiniteettia uhkapelaamiseen, he stressaavat liikaa kauppojen toteuttamisessa. Toisin kuin Wall Streetin kvantit, raaka-aineiden kauppiaat eivät usein ole virallista taustaa todennäköisyydessä ja tilastotieteessä. Voittaaksemme heidän luottamuksensa, meidän on esitettävä järjestelmä, joka on intuitiivinen, nopea ja koskettaa heidän kognitiivista vinoumaansa, jonka mukaan tarjonta ja kysyntä ovat suurten markkinaliikkeiden pääasialliset ajurit. Niinpä, otamme “valkoisen laatikon” lähestymistavan, jossa kaikki on läpinäkyvää. Yleensä on “treffipeli” -vaihe, jossa he tarkastelevat syvällisesti järjestelmän perusteita ja opastamme heitä järjestelmän logiikassa. Kun luottamus on vakiintunut, käyttäjät eivät yleensä viittaa syvällisesti, mutta palautuvat aina silloin tällöin tärkeiden tai yllättävien ennusteiden kanssa.

Miten DecisionNextin riskitietoinen ennustemalli auttaa yrityksiä reagoimasta markkinatilanteisiin ja muokkaamasta strategioitaan?

Raaka-aineiden kauppa ei rajoitu pelkästään pörsseihin. Useimmat yritykset ovat rajoitetusti päässeet futuureihin riskien suojaamiseksi. Prosessori saattaa ostaa listatun raaka-aineen raaka-aineena (naudanliha, esim.), mutta heidän tuotettaan on myös volatiilinen raaka-aine (liha), jolla usein on vähän hintakorrelaatiota syötteinä. Koska prosessoreilla on rakenteellinen marginaalirajoitus, jossa kalliit laitokset on toimittava lähellä kapasiteettia, prosessoreiden on oltava strateginen suunnitelma, joka ulottuu tulevaisuuteen. Tämä tarkoittaa, että he eivät voi toimia turvallisesti pelkästään spot-markkinoilla, ja heidän on tehtävä eteenpäin sopimuksia raaka-aineiden ostamiseksi ja myymiseksi. DecisionNext mahdollistaa prosessorille ennustaa koko tarjonta-, kysyntä- ja hintamuuttujien ekosysteemiä ja simuloimaan, miten liiketoimintapäätökset vaikuttavat kaikkiin markkinatuloksiin. Paperikauppa voi olla osa strategiaa, mutta tärkeintä on ymmärtää materiaali- ja myyntisitoumuksia ja prosessipäätöksiä varmistaaksesi kapasiteetin käytön. DecisionNext on suunniteltu tämän kaltaiseen käyttöön.

Miten teidän tieteellinen taustanne vaikuttaa siihen, mitä teillä on mielenkiintoista tekoälyn ja tieteen leikkauspisteessä perinteisten alojen, kuten raaka-aineiden, muuttamisessa?

Käyttäytymistaloustiede on muuttanut ymmärrystämme siitä, miten kognitio vaikuttaa liiketoimintapäätöksiin. Tekoäly muuttaa tapaa, jolla voimme käyttää ohjelmistotyökaluja tukemaan ihmisen kognitiota ja tehdä parempia päätöksiä. Tekoälyllä mahdollistettavien automaatiovoittojen taloudellinen merkitys on ollut laajalti keskustelun aiheena ja tulee olemaan taloudellisesti tärkeä. Raaka-aineiden yritykset toimivat ohuilla marginaaleilla ja korkeilla työkustannuksilla, joten he hyötyvät luonnollisesti automaatiosta. Sen lisäksi uskon, että on piilevä tehokkuus liiketoimintapäätöksissä, jotka tehdään usein intuition ja sääntöjen perusteella. Päätökset perustuvat usein rajoitettuihin ja epäselviin tietoihin sekä yksinkertaisiin taulukkolaskentaohjelmiin. Minulle mielenkiintoisin tulos on, että alustat kuten DecisionNext auttavat muuttamaan liiketoimintaprosessia tekoälyllä ja simulaatiolla normalisoimaan kontekstia ja riskitietoista päätöksentekoa läpinäkyvien tietojen ja avoimen päättelyn perusteella.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla DecisionNextissä.