जोनाथन हॉर्न, ट्रीफेरा के सीईओ और सह-संस्थापक – साक्षात्कार श्रृंखला

जोनाथन हॉर्न, ट्रीफेरा के सीईओ और सह-संस्थापक, एक प्रौद्योगिकी उद्यमी और पूर्व निवेश बैंकिंग कार्यकारी हैं जिनके पास जोखिम प्रबंधन, कृत्रिम बुद्धिमत्ता और बड़े पैमाने पर डेटा विश्लेषण में गहरा विशेषज्ञता है। ट्रीफेरा की स्थापना से पहले, उन्होंने जेपी मॉर्गन और सिटीग्रुप में वरिष्ठ नेतृत्व भूमिकाएं निभाईं, जहां उन्होंने जोखिम, डेटा और जटिल वित्तीय प्रणालियों पर ध्यान केंद्रित किया। वित्तीय-ग्रेड जोखिम मॉडलिंग में उनकी पृष्ठभूमि का उपयोग करते हुए, हॉर्न ने वैश्विक आपूर्ति श्रृंखलाओं में सबसे लगातार अंधे धब्बों में से एक को संबोधित करने के लिए ट्रीफेरा लॉन्च किया: “पहला मील”, जहां कच्चे माल उत्पन्न होते हैं। उनके नेतृत्व में, कंपनी तेजी से विकसित हुई है और अब एआई-संचालित आपूर्ति श्रृंखला बुद्धिमत्ता का एक प्रमुख प्रदाता बन गया है, जो उद्यमों को स्रोत, पर्यावरणीय जोखिम, अनुपालन आवश्यकताओं और संचालन लचीलेपन में वास्तविक समय की दृश्यता प्राप्त करने में मदद करता है।

लंदन में 2022 में स्थापित, ट्रीफेरा एक एआई-संचालित आपूर्ति श्रृंखला बुद्धिमत्ता कंपनी है जो वैश्विक वस्तु आपूर्ति श्रृंखलाओं के पहले मील में पारदर्शिता लाने पर केंद्रित है। इसका प्रोप्राइटरी डेटा फैब्रिक उपग्रह इमेजरी, स्थानिक और समयिक डेटा, एआई मॉडल और जोखिम विश्लेषण को जोड़ती है ताकि संगठनों को स्रोत, अनुपालन, स्थिरता और आपूर्ति श्रृंखला जोखिम के बारे में वास्तविक समय के अंतर्दृष्टि प्राप्त हो सकें। प्लेटफ़ॉर्म व्यवसायों को वनस्पति विनाश एक्सपोज़र और कार्बन प्रभावों से लेकर वस्तु स्रोत जोखिम तक सब कुछ देखने में मदद करता है, जो खरीद, वित्त और संचालन में सूचित निर्णय लेने की अनुमति देता है। विखंडित पर्यावरण और आपूर्ति श्रृंखला डेटा को कार्रवाई योग्य बुद्धिमत्ता में परिवर्तित करके, ट्रीफेरा एक बढ़ती अस्थिर और विनियमित वैश्विक अर्थव्यवस्था में आपूर्ति श्रृंखला लचीलापन को मजबूत करना चाहता है।

आप जेपी मॉर्गन और सिटी में वरिष्ठ जोखिम, एआई और डेटा विश्लेषण भूमिकाओं के बाद ट्रीफेरा की स्थापना की। कृषि और नरम वस्तु जोखिम को समझने में उद्यमों में क्या विशिष्ट अंतराल देखा जो आपको ट्रीफेरा के अस्तित्व के लिए आश्वस्त किया?

प्राकृतिक आधारित वस्तुओं का प्रतिनिधित्व विश्व व्यापार का $2.1 ट्रिलियन है, फिर भी जोखिम मूल्यांकन के लिए इन संपत्तियों के लिए डेटा मैनुअल, देरी से और संरचनात्मक रूप से असटीक था। जेपी मॉर्गन और सिटी में जोखिम मॉडल के साथ काम करते हुए, मैंने मूल्य निर्धारण और जोखिम निर्णय देखे जो कृषि आपूर्ति श्रृंखलाओं के पहले मील से उत्पन्न डेटा पर निर्भर थे: हाथ से एकत्र किया गया, छूट के लिए प्रवण और अक्सर वास्तविकता के हफ्तों या महीनों पीछे। आपूर्ति जोखिम का साठ प्रतिशत पहले मील पर उत्पन्न होता है, जब वस्तुएं कभी भी एक बंदरगाह या एक्सचेंज तक नहीं पहुंचती हैं, फिर भी यह वह जगह थी जहां दृश्यता सबसे पतली थी।

मुझे ट्रीफेरा बनाने के लिए क्या प्रेरित किया, वह दो चीजों का संयोजन था: समस्या का पैमाना और समस्या को संबोधित करने में सक्षम उपकरणों का आगमन। उपग्रह रिज़ॉल्यूशन और कवरेज उस बिंदु पर पहुंच गया था जहां आप मेजर उत्पादन क्षेत्रों में फील्ड स्तर पर फसल की स्थिति का अवलोकन कर सकते थे, न्यूनतम लागत पर। एआई उस बिंदु पर परिपक्व हो गया था जहां वह कच्चे संकेत को कुछ वित्तीय रूप से व्याख्या योग्य में बदल सकता था। कोई भी उन बिंदुओं को एक सख्त, विज्ञान-मूल विधि में जोड़ नहीं रहा था। उद्यम अभी भी जोखिम को सरकारी रिपोर्टों पर आधारित मूल्यांकन कर रहे थे जो जमीनी स्थितियों से महीनों पीछे थे, राष्ट्रीय औसत जो स्थानीय भिन्नता को छुपाते थे और रैखिक मॉडल जो जलवायु अस्थिरता को संभाल नहीं सकते थे। ज्ञात और ज्ञात होने योग्य के बीच का अंतर विशाल था। वह अंतर है जहां ट्रीफेरा बैठता है।

ट्रीफेरा को अक्सर एक एआई-संचालित इंटेलिजेंस प्लेटफ़ॉर्म के रूप में वर्णित किया जाता है, लेकिन आपका दृष्टिकोण स्पष्ट रूप से एलएलएम्स पर केंद्रित नहीं है। आप आपूर्ति श्रृंखलाओं के लिए पूर्वानुमानिक एआई और वर्तमान में चर्चा में प्रमुख जनरेटिव एआई प्रणालियों के बीच अंतर कैसे समझाते हैं?

जनरेटिव एआई और बड़े भाषा मॉडल एक मौलिक रूप से अलग समस्या का समाधान करते हैं। वे उत्पादकता उपकरण हैं: अत्यधिक उपयोगी दोहराए जाने वाले कार्यों को सरल बनाने के लिए, जैसे कि मसौदा तैयार करना और सारांशित करना। इन प्रणालियों के लिए व्यावसायिक चुनौती गोद लेने की है; लोगों को यह बदलने के लिए प्राप्त करना कि वे कैसे काम करते हैं। यह एक बाजार शिक्षा समस्या है, एक वैज्ञानिक नहीं।

ट्रीफेरा वैज्ञानिक समस्याओं को हल करने के लिए एआई का उपयोग करता है जिनके लिए वित्तीय-ग्रेड सटीकता आवश्यकताएं हैं। हमारे गहरे शिक्षण मॉडल उपग्रह इमेजरी, जलवायु संकेतों और फसल जीव विज्ञान की व्याख्या के लिए प्रशिक्षित हैं ताकि पूंजी आवंटन निर्णयों को सूचित करने के लिए पर्याप्त सटीक उपज और उत्पादन क्षेत्र के पूर्वानुमान उत्पन्न किए जा सकें। हम जो प्रश्न पूछ रहे हैं वह यह नहीं है “यह दस्तावेज़ क्या कहता है?” यह है “तीन महीने में यह क्षेत्र क्या उपज देगा और आप कितने आत्मविश्वासी होने चाहिए?” वे एक ही वर्ग की समस्या नहीं हैं और उन्हें एक ही वर्ग के मॉडल की आवश्यकता नहीं है। एलएलएम्स भाषा के लिए अनुकूलित हैं; हमारे मॉडल भौतिक दुनिया की व्याख्या के लिए अनुकूलित हैं। उन्हें भ्रमित करने से समस्या के लिए गलत वर्ग के उपकरण का उपयोग करने की ओर जाता है।

कई एआई कंपनियां तर्क देती हैं कि बेहतर प्रदर्शन के लिए अधिक कंप्यूट, बड़े मॉडल और जीपीयू तक अधिक पहुंच की आवश्यकता होती है। ट्रीफेरा इस धारणा को चुनौती देता है। “किफायती कंप्यूटिंग” का क्या अर्थ है और व्यावहार में इसका क्या महत्व है?

एआई में प्रचलित धारणा यह है कि स्केल प्रदर्शन के बराबर है: अधिक पैरामीटर, अधिक जीपीयू, अधिक क्लाउड इन्फ्रास्ट्रक्चर। डोमेन-विशिष्ट संदर्भों में लागू एआई के लिए, यह धारणा गलत है, और यह अनावश्यक लागत और ऊर्जा अपशिष्ट का उत्पादन करता है।

किफायती कंप्यूटिंग, व्यावहार में हमारे लिए तीन चीजें हैं। सबसे पहले, हम कंप्यूट को समय से डिकपल करते हैं। हमारे अधिकांश प्रोसेसिंग कार्यों को एक विशिष्ट सेकंड में होने की आवश्यकता नहीं है। इसके बजाय हम नेटवर्क क्षमता की कमी की अवधि की पहचान करते हैं और उन खिड़कियों के दौरान कंप्यूट उधार लेते हैं।

दूसरा, हम कार्यभार को विकेंद्रित करते हैं। एकल क्लाउड हब के माध्यम से सब कुछ मार्गदर्शन करने के बजाय, हम उपलब्ध नोड्स के नेटवर्क में वितरित करते हैं, जिसमें ब्लॉकचेन इन्फ्रास्ट्रक्चर भी शामिल है, जिसमें कुछ अवधि में महत्वपूर्ण खाली क्षमता होती है। यदि एक नोड अक्षम हो जाता है, तो कार्य गतिशील रूप से रूट करते हैं।

तीसरा, हम हार्डवेयर को सही आकार देते हैं। हम एनवीडिया एजी6 का उपयोग करते हैं, न कि शीर्ष-स्तरीय चिप्स, जहां हमारे कार्यभार के लिए प्रदर्शन एक ही है, लेकिन ऊर्जा और लागत का एक अंश है। इसका कारण यह है कि यह केवल कुशलता से परे है। किफायती कंप्यूटिंग गणना के बारे में अनुशासन को मजबूर करती है जिसकी आपको वास्तव में आवश्यकता है। इससे पतले, अधिक व्याख्या योग्य मॉडल बनते हैं – जो वित्तीय और संचालन निर्णय लेने वालों का वास्तव में उपयोग कर सकते हैं। उन्हें एक बड़ा मॉडल नहीं चाहिए; उन्हें एक अधिक सटीक उत्तर चाहिए।

आपका मंच कथित तौर पर फसल उपज, भूमि उपयोग और आपूर्ति जोखिम पर पूर्वानुमानिक आउटपुट प्रदान करता है, बिना हमेशा-चालू क्लाउड इन्फ्रास्ट्रक्चर पर निर्भर हुए। आप कंप्यूट को समय से कैसे डिकपल करते हैं और फिर भी व्यावसायिक रूप से उपयोगी, लगभग वास्तविक समय की खुफिया जानकारी प्रदान करते हैं?

लगभग वास्तविक समय की खुफिया जानकारी और निरंतर गणना एक ही चीज नहीं हैं। हमारे ग्राहकों को साप्ताहिक अद्यतन पूर्वानुमान की आवश्यकता होती है; उन्हें गणना की आवश्यकता नहीं है जो उन पूर्वानुमानों को उत्पन्न करती है जो निरंतर चल रही हों।

हम अपने प्रोसेसिंग चक्रों को डेटा की प्राकृतिक लय के साथ मैप करते हैं। उपग्रह इमेजरी एक लय पर आती है। मौसम इनपुट एक लय पर अपडेट होते हैं। हमारे मॉडल जो विश्लेषणात्मक प्रश्नों का उत्तर देते हैं वे भी लय-चालित होते हैं: इस क्षेत्र के लिए उपज की गति क्या है, इस सप्ताह में क्या बदलाव आया है जो लगाया गया है। इसलिए, हम कम मांग वाले अवधि के दौरान वितरित बुनियादी ढांचे से क्षमता उधार लेते हुए डेटा खिड़कियों के खिलाफ प्रोसेसिंग नौकरियों को पूर्व-निर्धारित करते हैं। ग्राहक को आउटपुट एक साप्ताहिक डेटा फीड है जो वर्तमान, कार्रवाई योग्य और मॉडल-तैयार है। इन्फ्रास्ट्रक्चर के पीछे यह केवल तब चलता है जब इसका कुछ अर्थपूर्ण प्रसंस्करण करना होता है। यह वास्तुकला अधिक लचीली भी है। एक वितरित कार्यभार जो विफल नोड्स के चारों ओर मार्गदर्शन करता है एक एकल, हमेशा-चालू सर्वर की तुलना में अधिक विश्वसनीय है जिसमें एक एकल बिंदु विफलता है।

कृषि और नरम वस्तु बाजार अभी भी देर से, सर्वेक्षण-आधारित या खंडित डेटा पर बहुत अधिक निर्भर हैं। एआई कंपनियों, बैंकों, बीमाकर्ताओं और व्यापारियों के लिए जोखिम का मूल्यांकन करने के लिए एआई कैसे बदल रहा है जब यह आधिकारिक रिपोर्टों में दिखाई देने से पहले ही दिखाई दे रहा है?

सर्वेक्षण-आधारित रिपोर्टिंग के साथ संरचनात्मक समस्या यह है कि यह डिज़ाइन द्वारा पीछे की ओर देखती है। जब एक सरकारी एजेंसी एक आपूर्ति अनुमान प्रकाशित करती है, तो इसके आधार पर भौतिक स्थितियां हफ्तों या महीनों पुरानी होती हैं। जो बाजार उस डेटा पर चलते हैं वे इतिहास पर प्रतिक्रिया कर रहे हैं।

एआई इसे बदल देता है जो सूचना के स्रोत को सर्वेक्षणों से सीधे अवलोकन में बदल देता है। उपग्रह इमेजरी, जलवायु संकेत और फसल विकास डेटा अब उपलब्ध हैं, न कि छह सप्ताह में जब एक रिपोर्ट संकलित और प्रकाशित की जाती है। हमारे मॉडल जो करते हैं वह यह भौतिक डेटा को व्यापारियों, अंडरराइटर्स और विश्लेषकों द्वारा वास्तव में उपयोग की जाने वाली वित्तीय भाषा में अनुवाद करते हैं: उपज पूर्वानुमान जिसमें घोषित अनिश्चितता अंतराल होते हैं, उत्पादन क्षेत्र अनुमान जिनमें साप्ताहिक अद्यतन होते हैं, तनाव स्कोर जो मूल में जोखिम को मात्रा देते हैं इससे पहले कि यह कीमतों में दिखाई दे।

2022 में, हमारे यूएस कॉर्न मॉडल ने पांच सप्ताह पहले एक नीचे की ओर संशोधन को झंडी दिखाई जब यूएसडीए ने अपना प्रकाशित किया। जनवरी 2025 में, हमारे मॉडल ने घाना के कोको बेल्ट में 0.76 का तनाव स्कोर दिखाया; कोकोबोड ने जून तक अपने मौसम के पूर्वानुमान को संशोधित नहीं किया। जानकारी का लाभ सीमांत नहीं है; यह संरचनात्मक है। अभी भी आधिकारिक रिपोर्टों की प्रतीक्षा करने वाले उद्यम जो आपूर्ति और मूल्य निर्धारण निर्णय लेते हैं वे एक ऐसी देरी के साथ काम कर रहे हैं जिसे उनके प्रतिपक्षी साझा नहीं कर सकते हैं।

“पहला मील” आपूर्ति श्रृंखला का ऐतिहासिक रूप से वैश्विक उद्यमों के लिए सबसे कम दृश्य क्षेत्रों में से एक रहा है। पहले मील की दृश्यता अब इतनी महत्वपूर्ण क्यों हो रही है, खासकर जब जलवायु अस्थिरता, विनियमन और भू-राजनीतिक अनिश्चितता बढ़ रही है?

तीन बल एक साथ आ रहे हैं और प्रत्येक व्यक्तिगत रूप से महत्वपूर्ण है।

जलवायु अस्थिरता उत्पादन झटकों की आवृत्ति और गंभीरता को बढ़ा रही है जो मूल में होती है। एक ही मौसम की घटना अब अधिक आपूर्ति प्रभाव लाती है क्योंकि फसल प्रणालियां अधिक तनावग्रस्त हैं और चरम घटनाएं ऐतिहासिक औसतों से कम अनुमानित हैं। ऐतिहासिक नॉर्म्स पर आधारित रैखिक जोखिम मॉडल जलवायु अस्थिरता को संभालने के लिए संरचनात्मक रूप से अक्षम हैं। आपको वास्तव में क्या हो रहा है यह देखने के लिए आपको वास्तविक समय के भौतिक अवलोकन की आवश्यकता है।

विनियमन एक सीधा दायित्व लिंक बना रहा है जो पहले मील में होता है और एक उद्यम क्या बेच सकता है या वित्तपोषित कर सकता है। ईयूडीआर, सीएसआरडी, टीसीएफडी: ये ढांचे उद्यमों को जानने के लिए कहते हैं कि उनकी वस्तुएं कहां से आती हैं और मूल पर क्या स्थितियां थीं। “हमने सप्लायर पर भरोसा किया” अब एक रक्षात्मक स्थिति नहीं है। वह दायित्व ट्रेसबिलिटी और प्रोवेनेंस को एक प्राथमिकता से एक कानूनी आवश्यकता में बदल रहा है।

भू-राजनीतिक विघटन ने एकल-मूल निर्भरता को एक बोर्डरूम जोखिम बना दिया है। जब एक क्षेत्र एक वस्तु की वैश्विक आपूर्ति के लिए एक प्रमुख हिस्से के लिए खाता है और उस क्षेत्र में राजनीतिक या भौतिक रूप से अविश्वसनीय हो जाता है, तो पहले मील की दृश्यता के बिना उद्यमों के पास कोई प्रारंभिक चेतावनी तंत्र नहीं है। वे तब पता चलता है जब बाजार पहले ही कीमतों को फिर से मूल्यांकन कर चुका है।

डेटा पारिस्थितिकी तंत्र में एक बड़ा बदलाव हो रहा है। गूगल अर्थ एआई के हालिया लॉन्च के पैन-ट्रॉपिकल कमोडिटी मैप – कोको, कॉफी, ताड़ का तेल और रबर के लिए वार्षिक 10-मीटर फसल फुटप्रिंट, खुले डेटा के रूप में जारी किए गए – यह दर्शाता है कि चीजें कहां जा रही हैं। भौतिक दुनिया अंतरिक्ष से तेजी से पढ़ने योग्य हो रही है, और आपूर्ति श्रृंखला पारदर्शिता की मांग अब बड़े पैमाने पर निवेश को आकर्षित करने के लिए पर्याप्त है। ट्रीफेरा इसका स्वागत करता है। एक समृद्ध आधारभूत डेटा परत बाजार के लिए एक साझा जागरूकता बनाती है कि बेहतर जानकारी न केवल संभव है, बल्कि उपलब्ध है।

खुले खोज मानचित्र जो कर सकते हैं वह जोखिम अंतर को बंद नहीं कर सकता है। यह जानना कि फसलें कहां लगाई जा रही हैं, यह जानने जैसा नहीं है कि इस मौसम में कैसे विकसित हो रही है, मूल स्थितियां आपके आपूर्ति जोखिम के लिए क्या意味 रखती हैं या आपका पोर्टफोलियो कहां जोखिम में है। भौतिक दुनिया से वित्तीय-ग्रेड अंतर्दृष्टि में अनुवाद करना वह है जो ट्रीफेरा के लिए बनाया गया है।

पहले मील की अज्ञानता व्यावसायिक रूप से सहनीय थी जब दुनिया अधिक अनुमानित थी। यह अब नहीं है।

आपके ग्राहक आधार में जेपी मॉर्गन, माइक्रोसॉफ्ट, बायर और एन्यू जैसे प्रमुख संगठन शामिल हैं। उद्यम क्या समस्याएं हल करने की कोशिश कर रहे हैं: अनुपालन, आपूर्ति जोखिम, पूर्वानुमान, स्थिरता, खरीद, या कुछ और?

उद्यम जो समस्या लाते हैं वह मूल रूप से एक ही चीज़ का एक संस्करण है: उन्हें कृषि आपूर्ति श्रृंखलाओं के पहले मील में महत्वपूर्ण वित्तीय जोखिम है और उन्हें देखने के लिए कोई विश्वसनीय तंत्र नहीं है इससे पहले कि यह उन्हें लागत दे। विशिष्ट फ्रेमिंग क्षेत्र द्वारा भिन्न होती है।

व्यापारियों और वस्तु-जोखिम वाले वित्तीय संस्थानों के लिए, प्रश्न जानकारी लाभ है: आपूर्ति में बदलाव देखना जो कीमतों में या आधिकारिक डेटा में दिखाई देने से पहले ही दिखाई दे रहे हैं। कृषि उधारदाताओं और बीमाकर्ताओं के लिए, यह जोखिम मूल्यांकन है; वे संचालन के प्रदर्शन को वित्तपोषित कर रहे हैं या जो स्थितियों से निर्देशित होता है जिसे वे देख नहीं सकते हैं। निगमों के लिए जो स्थिरता या अनुपालन दायित्वों के साथ हैं, प्रश्न साक्ष्य है: साक्ष्य के साथ, नियामकों और प्रतिपक्षियों की अब आवश्यकता है कि उनकी आपूर्ति श्रृंखलाएं मानकों को पूरा करती हैं।

पारंपरिक उत्तर – सप्लायर पर भरोसा करें, आधिकारिक रिपोर्ट की प्रतीक्षा करें, सर्वसम्मति अनुमान खरीदें – अब पर्याप्त नहीं है। सार्वजनिक डेटा पारिस्थितिकी तंत्र में आवश्यक सटीकता और गति मौजूद नहीं है। यह पहले मील पर मौजूद है।

ट्रीफेरा ने 6x वर्ष-दर-वर्ष वृद्धि, शून्य चालन और दो वर्षों के भीतर एक ओवरसब्सक्राइब्ड श्रृंखला बी की सूचना दी। यह स्तर की गोद लेने से क्या पता चलता है कि एआई प्रणालियों के लिए उद्यमों की मांग के बारे में जो सटीक, कुशल और संचालन-आधारित हैं, न कि केवल बड़े पैमाने पर?

शून्य चालन सबसे बड़ा संकेत देने वाला है। राजस्व वृद्धि व्यावसायिक निष्पादन को प्रतिबिंबित कर सकती है; शून्य चालन उत्पाद-बाजार फिट को दर्शाता है। जिन ग्राहकों ने पूरे मौसम के लिए डेटा का उपयोग किया है, अपने स्वयं के मॉडल के खिलाफ इसे पीछे की तारीख में देखा है, और निर्णय लिया है जो इसके आधार पर है, और फिर नवीनीकरण किया है, वे बता रहे हैं कि संकेत वास्तविक है और यह उनके संचालन को बदल रहा है।

यह बड़े पैमाने पर जनरेटिव टूल और बड़े पैमाने पर सामान्य मॉडल के लिए भारी भूमि के बावजूद सटीक, ऑडिट करने योग्य और संचालन में एकीकृत करने योग्य एआई के लिए महत्वपूर्ण उद्यम मांग की ओर भी इशारा करता है। आपूर्ति श्रृंखला और जोखिम पेशेवरों को एक पूर्वानुमान की आवश्यकता होती है जिसमें एक घोषित अनिश्चितता अंतराल होता है जिसे वे जोखिम समिति में खड़े हो सकते हैं। जब उस पट्टी को पूरा किया जाता है, तो उद्यम इसे प्राथमिकता देते हैं। ओवरसब्सक्राइब्ड फंडरेज़ निवेशकों की मान्यता को दर्शाता है: बाजार बड़ा है, समस्या संरचनात्मक है और मौजूदा डेटा बुनियादी ढांचा इसे हल करने के लिए नहीं बनाया गया था।

क्या आप सोचते हैं कि लागू किए गए एआई का अगला चरण अधिक मॉडल स्केल से कम और अधिक संचालन की कुशलता, डोमेन-विशिष्ट डेटा और मापने योग्य व्यावसायिक परिणामों से परिभाषित किया जाएगा?

हाँ, और इसके लिए साक्ष्य पहले से ही दिखाई दे रहा है।

बड़े पैमाने पर एआई स्केल की सीमाओं को पार करना शुरू कर रहा है जो कच्चे पैमाने पर हल कर सकता है। अधिक पैरामीटर जोड़ने से फसल उपज पूर्वानुमान में सुधार नहीं होता है यदि अंतर्निहित डेटा मोटा, देरी से या भौगोलिक रूप से गलत है। अगला चरण डोमेन-विशिष्ट प्रशिक्षण डेटा, सही आकार के मॉडल और सत्यापन योग्य आउटपुट द्वारा परिभाषित किया जाएगा। कृषि, वित्त और आपूर्ति श्रृंखला जैसे क्षेत्रों में, जहां निर्णय वित्तीय और संचालन परिणामों को ले जाते हैं, प्रश्न यह नहीं था “मॉडल कितना बड़ा है?” यह था “उत्तर कितना विश्वसनीय है और मैं इस पर कितनी जल्दी कार्रवाई कर सकता हूं?” स्केल अकेले उस प्रश्न का उत्तर नहीं दे सकता है। अगले पांच वर्षों में लागू एआई में अग्रणी कंपनियों ने भौतिक दुनिया में स्वामित्व वाले डेटा पाइपलाइन बनाए होंगे, उस डेटा पर मॉडल को प्रशिक्षित किया होगा, उचित वैज्ञानिक कठोरता के साथ और जीवित स्थितियों में मापने योग्य सटीकता का प्रदर्शन किया होगा। प्रौद्योगिकी तेजी से एक वस्तु बन रही है; डेटा और डोमेन विशेषज्ञता नहीं हैं। धन्यवाद महान साक्षात्कार के लिए, पाठक जो अधिक जानना चाहते हैं उन्हें ट्रीफेरा पर जाना चाहिए。