Chris Nicholson, Fondateur et PDG de Pathmind – Série d’entretiens

Chris Nicholson est le fondateur de Pathmind, une startup d’IA qui applique l’apprentissage par renforcement profond à la chaîne d’approvisionnement et aux opérations industrielles. Pathmind a été fondée pour aider les entreprises à gérer les changements économiques profonds et à accroître la résilience de leurs opérations avec l’IA. Chris supervise la vision stratégique de l’entreprise et sa mise en œuvre quotidienne, en stimulant l’innovation et la croissance de la plateforme technologique de Pathmind, et en optimisant les performances dans les entrepôts et sur les chaînes de production dans le cadre de la transformation numérique des entreprises.

Auparavant, Chris était le PDG de Skymind, une entreprise d’IA axée sur l’apprentissage profond. Avant cela, il occupait des postes de communication et de recrutement pour FutureAdvisor, une startup soutenue par Sequoia et Y Combinator qui a été acquise par BlackRock (BLK ) en 2015 pour 200 millions de dollars. Chris a également passé une décennie en tant que journaliste, couvrant la technologie et la finance pour The New York Times, Bloomberg News et Businessweek, entre autres.

Vous étiez précédemment correspondant pour The New York Times et rédacteur en chef pour Bloomberg News avant de vous tourner vers l’apprentissage automatique, pouvez-vous discuter du cheminement derrière ce réalignement de votre parcours professionnel ?

Lorsque j’étais journaliste, dans les années 2000 et au début des années 2010, l’industrie souffrait car les annonces publicitaires passaient aux moteurs de recherche et aux réseaux sociaux, et les publications traditionnelles perdaient des lecteurs. Je couvrais la finance et la technologie et je voyais des gens construire de nouvelles choses intéressantes. À un certain moment, je me suis dit que j’avais besoin de me mettre du bon côté des robots, donc je me suis installé à San Francisco.

C’était en 2013. Il y avait encore des maisons de hackers à SOMA à cette époque. Je me suis installé dans l’une d’elles, sur un lit superposé dans une chambre avec cinq autres garçons, et je suis allé travailler chaque matin dans une startup qui avait passé par Y Combinator. En travaillant à San Francisco, j’ai lentement appris à connaître des gens et à découvrir ce qui m’intéressait. À l’époque, l’apprentissage profond était encore en train de décoller. On pouvait voir le potentiel, mais il y avait encore beaucoup à construire. Cette curiosité m’a poussé à participer à un projet d’IA qui a finalement mené à Pathmind.

Pouvez-vous partager quelques détails sur la façon dont Pathmind peut aider les entreprises ?

Les entreprises qui ont une usine physique à gérer, comme un entrepôt, une usine ou un site minier, sont généralement confrontées à des tâches d’optimisation très complexes. C’est-à-dire qu’elles doivent coordonner beaucoup d’équipements pour atteindre un objectif. Beaucoup d’entre elles essayent de maximiser le débit et l’efficacité, et de minimiser les coûts et les émissions de carbone. Nous concevons des algorithmes qui peuvent utiliser leurs données réelles pour montrer de nouvelles façons pour elles de faire fonctionner leur équipement. Cela peut s’appliquer à la planification de tâches et de machines, à la planification de flotte et à la gestion des coûts énergétiques, entre autres choses.

Quels sont les avantages des logiciels open source pour les systèmes d’apprentissage automatique ?

Les entreprises de logiciels sont tous des bateaux qui flottent sur une mer de code open source. L’infrastructure des nuages publics fonctionne sur du code open source. Beaucoup d’outils que les développeurs utilisent pour construire des sites Web et des applications d’apprentissage automatique sont également open source. C’est un écosystème vibrant. Nous sommes des premiers adoptants qui travaillent sur des projets open source passionnants tels que Ray, qui aide à lancer des calculs distribués pour les charges de travail d’IA.

Vous êtes clairement optimiste sur l’avenir de l’apprentissage par renforcement profond, quels types d’entreprises sont les mieux placés pour tirer parti de ce type d’apprentissage automatique ?

Les entreprises avec lesquelles nous travaillons ont généralement des données qu’elles utilisent pour suivre leurs opérations et leur performance. Elles ont tendance à avoir des opérations physiques où elles peuvent contrôler le comportement de l’équipement. Nos algorithmes ont besoin de données pour comprendre l’environnement dans lequel ils opèrent, et ils ont besoin d’être présentés avec des actions à choisir, comme des équipements à contrôler, afin qu’ils puissent avoir un effet sur les résultats. Essentiellement, les entreprises qui ont des opérations physiques à contrôler, qui ont des données sur ces opérations et qui ont une certaine analyse en place pour ces données, sont bien placées pour commencer à réfléchir à l’optimisation comme la nôtre.

Y a-t-il autre chose que vous aimeriez discuter à propos de Pathmind ?

Une chose que nous faisons qui est adjacente au contrôle des opérations physiques est d’aider les entreprises à prédire les séries chronologiques. Donc, des données telles que les prix ou la demande influenceront la façon dont une entreprise se comporte, et combien elle produit. Pour produire la bonne quantité, ils ont besoin de savoir combien de demande il y aura. Et, pour être en mesure de fixer correctement leurs prix, ils doivent avoir une idée des fluctuations de prix. Nos algorithmes sont capables de faire ces prévisions.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus devraient visiter Pathmind.