Robert Pierce, Co-fondateur et Directeur des Sciences de DecisionNext – Série d’entretiens

Bob Pierce, PhD est co-fondateur et Directeur des Sciences de DecisionNext. Ses travaux ont apporté une analyse mathématique avancée à de nouveaux marchés et industries, améliorant la façon dont les entreprises prennent des décisions stratégiques. Avant DecisionNext, Bob était Chef Scientifique chez SignalDemand, où il a guidé la science derrière ses solutions pour les fabricants. Bob a occupé des postes de recherche et de développement seniors chez Khimetrics (maintenant SAP) et ConceptLabs, ainsi que des postes universitaires avec l’Académie Nationale des Sciences, l’Université de Penn State et l’UC Berkeley. Ses travaux couvrent un large éventail d’industries, notamment les matières premières et la fabrication, et il a apporté des contributions aux domaines de l’économétrie, de l’océanographie, des mathématiques et de la dynamique non linéaire. Il détient de nombreux brevets et est l’auteur de plusieurs articles révisés par des pairs. Bob détient un PhD en physique théorique de l’UC Berkeley.

DecisionNext est une entreprise d’analyse de données et de prévisions fondée en 2015, spécialisée dans la prévision des prix et des approvisionnements basée sur l’IA. L’entreprise a été créée pour répondre aux limites des modèles de prévision traditionnels “boîte noire”, qui manquaient souvent de transparence et de connaissances actionnables. En intégrant l’IA et l’apprentissage automatique, DecisionNext fournit aux entreprises une meilleure visibilité sur les facteurs qui influencent leurs prévisions, les aidant à prendre des décisions éclairées basées à la fois sur les risques du marché et de l’entreprise. Leur plateforme est conçue pour améliorer la précision des prévisions dans toute la chaîne d’approvisionnement, permettant aux clients de dépasser la prise de décision basée sur l’intuition.

Quelle était l’idée originale ou l’inspiration derrière la fondation de DecisionNext, et comment votre expérience en physique théorique et vos rôles dans diverses industries ont-ils façonné cette vision ?

Mon co-fondateur Mike Neal et moi avons accumulé une grande expérience dans nos entreprises précédentes en fournissant des solutions d’optimisation et de prévision aux détaillants et aux transformateurs de matières premières. Deux enseignements clés de cette expérience étaient :

1. Les utilisateurs ont besoin de croire qu’ils comprennent d’où viennent les prévisions et les solutions ; et
2. Les utilisateurs ont du mal à séparer ce qu’ils pensent qui se produira de la probabilité que cela se produise réellement.

Ces deux concepts ont des origines profondes dans la cognition humaine ainsi que des implications sur la façon de créer des logiciels pour résoudre des problèmes. Il est bien connu que l’esprit humain n’est pas bon pour calculer les probabilités. En tant que physicien, j’ai appris à créer des cadres conceptuels pour interagir avec l’incertitude et à construire des plateformes de calcul distribué pour explorer cela. C’est le socle technique de nos solutions pour aider nos clients à prendre de meilleures décisions face à l’incertitude, ce qui signifie qu’ils ne peuvent pas savoir comment les marchés évolueront mais doivent toujours décider quoi faire maintenant pour maximiser les profits dans le futur.

Comment votre transition vers le rôle de Directeur des Sciences a-t-elle influencé votre focalisation quotidienne et votre vision à long terme pour DecisionNext ?

La transition vers le rôle de Directeur des Sciences a impliqué un recentrage sur la façon dont le produit devrait apporter de la valeur à nos clients. Dans le processus, j’ai libéré certaines responsabilités d’ingénierie quotidienne qui sont mieux gérées par d’autres. Nous avons toujours une longue liste de fonctionnalités et d’idées pour améliorer la solution, et ce rôle me donne plus de temps pour rechercher de nouvelles approches innovantes.

Quels défis uniques les marchés des matières premières présentent-ils qui les rendent particulièrement adaptés – ou résistants – à l’adoption de solutions basées sur l’IA et l’apprentissage automatique ?

La modélisation des marchés des matières premières présente un mélange fascinant de propriétés structurelles et stochastiques. Combiner cela avec le nombre incalculable de façons dont les gens rédigent des contrats pour les échanges physiques et papetiers et utilisent des matériaux dans la production donne lieu à un domaine extrêmement riche et compliqué. Pourtant, les mathématiques sont considérablement moins développées que le monde plus simple des actions. L’IA et l’apprentissage automatique nous aident à naviguer dans cette complexité en trouvant des moyens plus efficaces de modéliser ainsi qu’en aidant nos utilisateurs à prendre des décisions complexes.

Comment DecisionNext équilibre-t-il l’utilisation de modèles d’apprentissage automatique avec l’expertise humaine critique pour la prise de décision dans les matières premières ?

Le domaine de l’apprentissage automatique progresse constamment, mais il lutte encore avec le contexte et la causalité. Notre expérience est que les aspects de la modélisation où l’expertise humaine et la supervision sont toujours critiques pour générer des modèles robustes et parsimonieux. Nos clients regardent généralement les marchés à travers le prisme des fondamentaux de l’offre et de la demande. Si les modèles ne reflètent pas cette croyance (et les modèles non supervisés ne le font souvent pas), alors nos clients ne développeront généralement pas la confiance. De manière cruciale, les utilisateurs n’intégreront pas des modèles non fiables dans leurs processus de prise de décision quotidienne. Donc, même un modèle d’apprentissage automatique démontrablement précis qui défie l’intuition deviendra probablement du “shelfware” plutôt que d’être utilisé.

Les connaissances humaines des clients sont également critiques car il est un axiome que les données observées ne sont jamais complètes, les modèles représentant donc un guide et ne doivent pas être confondus avec la réalité. Les utilisateurs immergés dans les marchés ont des connaissances et des idées importantes qui ne sont pas disponibles comme entrée pour les modèles. DecisionNext AI permet aux utilisateurs d’augmenter les entrées de modèle et de créer des scénarios de marché. Cela ajoute de la flexibilité aux prévisions et aux recommandations de décision et améliore la confiance et l’interaction de l’utilisateur avec le système.

Y a-t-il des avancées spécifiques dans l’IA ou la science des données que vous croyez révolutionner la prévision des matières premières dans les prochaines années, et comment DecisionNext se positionne-t-il pour ces changements ?

L’avènement des LLM (Large Language Models) fonctionnels est une avancée qui prendra du temps à se propager dans le tissu des décisions commerciales. Le rythme des améliorations des modèles eux-mêmes est encore à couper le souffle et difficile à suivre. Cependant, je pense que nous sommes seulement au début du chemin pour comprendre les meilleures façons d’intégrer l’IA dans les processus commerciaux. La plupart des problèmes que nous rencontrons peuvent être formulés comme des problèmes d’optimisation avec des contraintes compliquées. Les contraintes au sein des processus commerciaux sont souvent non documentées et contextuellement plutôt que rigoureusement appliquées. Je pense que cette zone est une opportunité énorme et inexploitée pour l’IA, à la fois pour découvrir des contraintes implicites dans les données historiques et pour construire et résoudre les problèmes d’optimisation contextuels appropriés.

DecisionNext est une plateforme de confiance pour résoudre ces problèmes et fournir un accès facile à des informations et des prévisions critiques. DecisionNext développe des agents basés sur les LLM pour rendre le système plus facile à utiliser et effectuer des tâches complexes au sein du système à la direction de l’utilisateur. Cela nous permettra de nous développer et d’ajouter de la valeur dans plus de processus commerciaux et d’industries.

Vos travaux couvrent des domaines aussi divers que l’océanographie, l’économétrie et la dynamique non linéaire. Comment ces connaissances interdisciplinaires contribuent-elles à résoudre des problèmes dans la prévision des matières premières ?

Mon expérience diversifiée éclaire mon travail de trois manières. Premièrement, l’étendue de mon travail m’a empêché de me concentrer trop sur un domaine spécifique de mathématiques. Plutôt, j’ai été exposé à de nombreuses disciplines différentes et je peux puiser dans toutes. Deuxièmement, le calcul distribué haute performance a été un fil conducteur dans tout le travail que j’ai fait. Beaucoup des techniques que j’ai utilisées pour créer des grappes de calcul ad hoc en tant qu’étudiant en physique sont maintenant utilisées dans les frameworks mainstream, donc tout me semble familier, même si le rythme de l’innovation est rapide. Enfin, travailler sur ces différents problèmes inspire une curiosité philosophique. En tant qu’étudiant, je n’ai jamais pensé travailler en économie, mais me voici. Je ne sais pas sur quoi je travaillerai dans cinq ans, mais je sais que je le trouverai intrigant.

DecisionNext met l’accent sur la sortie du modèle de prévision “boîte noire”. Pourquoi cette transparence est-elle si critique, et comment pensez-vous qu’elle affecte la confiance et l’adoption des utilisateurs ?

Un trader de matières premières typique (sur ou hors d’une bourse) est quelqu’un qui a appris les bases de son industrie en production mais a un don pour parier sur un marché volatile. S’il n’a pas d’expérience pratique dans le côté de l’offre de l’entreprise, il ne gagne pas la confiance des dirigeants et ne se fait pas promouvoir en tant que trader. S’il n’a pas d’affinité pour le jeu, il est trop stressé lors de l’exécution des transactions. Contrairement aux quants de Wall Street, les traders de matières premières n’ont souvent pas de formation formelle en probabilités et statistiques. Pour gagner la confiance, nous devons présenter un système qui est intuitif, rapide et touche leur biais cognitif selon lequel l’offre et la demande sont les principaux moteurs des grands mouvements de marché. Nous prenons donc une approche “boîte blanche” où tout est transparent. Il y a généralement une phase de “rendez-vous” où ils regardent profondément sous le capot et nous les guidons à travers la logique du système. Une fois la confiance établie, les utilisateurs ne passent généralement pas leur temps à aller en profondeur, mais reviennent périodiquement pour interroger des prévisions importantes ou surprenantes.

Comment l’approche de DecisionNext en matière de prévision sensible au risque aide les entreprises à ne pas seulement réagir aux conditions du marché mais à façonner proactivement leurs stratégies ?

Le commerce des matières premières n’est pas limité aux bourses. La plupart des entreprises n’ont qu’un accès limité aux contrats à terme pour couvrir leur risque. Un transformateur peut acheter une matière première cotée (du bétail, par exemple) comme matière première, mais sa production est également une matière première volatile (de la viande) qui a souvent peu de corrélation de prix avec les intrants. Étant donné la contrainte de marge structurelle que les installations coûteuses doivent fonctionner à pleine capacité, les transformateurs sont forcés d’avoir un plan stratégique qui regarde vers l’avenir. C’est-à-dire qu’ils ne peuvent pas opérer en toute sécurité uniquement sur le marché spot et doivent contracter à l’avance pour acheter des matières premières et vendre des produits. DecisionNext permet au transformateur de prévoir l’écosystème entier des variables d’offre, de demande et de prix, puis de simuler comment les décisions commerciales sont affectées par la gamme complète des résultats du marché. Le trading papier peut être un composant de la stratégie, mais l’aspect le plus important est de comprendre les engagements de matériaux et de ventes, ainsi que les décisions de traitement pour assurer l’utilisation des capacités. DecisionNext est conçu spécifiquement pour cela.

En tant que personne ayant une solide formation scientifique, qu’est-ce qui vous excite le plus à l’intersection de la science et de l’IA dans la transformation d’industries traditionnelles comme les matières premières ?

L’économie comportementale a transformé notre compréhension de la façon dont la cognition affecte les décisions commerciales. L’IA transforme la façon dont nous pouvons utiliser des outils logiciels pour soutenir la cognition humaine et prendre de meilleures décisions. Les gains d’efficacité qui seront réalisés par l’automatisation basée sur l’IA ont été largement discutés et seront économiquement importants. Les sociétés de matières premières opèrent avec des marges très faibles et des coûts de main-d’œuvre élevés, donc elles bénéficieront probablement grandement de l’automatisation. Au-delà de cela, je crois qu’il y a une inefficacité cachée dans la façon dont la plupart des décisions commerciales sont prises par intuition et des règles empiriques. Les décisions sont souvent basées sur des informations limitées et opaques, ainsi que sur des outils de tableur simples. Pour moi, le résultat le plus excitant est que des plateformes comme DecisionNext aident à transformer le processus commercial en utilisant l’IA et la simulation pour normaliser le contexte et les décisions sensibles au risque basées sur des données transparentes et une logique ouverte.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter DecisionNext.