रॉबर्ट पियर्स, डिसीज़ननेक्स्ट में सह-संस्थापक और मुख्य विज्ञान अधिकारी – साक्षात्कार श्रृंखला

बॉब पियर्स, पीएचडी डिसीज़ननेक्स्ट में सह-संस्थापक और मुख्य विज्ञान अधिकारी हैं। उनका काम नए बाजारों और उद्योगों में उन्नत गणितीय विश्लेषण लेकर आया है, जिससे कंपनियां रणनीतिक निर्णय लेने के तरीके में सुधार कर रही हैं। डिसीज़ननेक्स्ट से पहले, बॉब सिग्नलडिमांड में मुख्य वैज्ञानिक थे, जहां उन्होंने निर्माताओं के लिए इसके समाधानों के पीछे विज्ञान का मार्गदर्शन किया। बॉब ने खिमेट्रिक्स (अब एसएपी) और कॉन्सेप्टलैब्स में वरिष्ठ अनुसंधान और विकास भूमिकाएं निभाई हैं, साथ ही राष्ट्रीय विज्ञान अकादमी, पेन स्टेट यूनिवर्सिटी और यूसी बर्कले में अकादमिक पदों पर रहे हैं। उनका काम विभिन्न उद्योगों में फैला हुआ है, जिनमें वस्तुएं और विनिर्माण शामिल हैं, और उन्होंने अर्थमिति, महासागर विज्ञान, गणित और गैर-रेखीय गतिविधियों के क्षेत्र में योगदान दिया है। वह कई पेटेंट रखते हैं और कई सहकर्मी द्वारा समीक्षा किए गए पत्रों के लेखक हैं। बॉब के पास यूसी बर्कले से सैद्धांतिक भौतिकी में पीएचडी है।

डिसीज़ननेक्स्ट एक डेटा विश्लेषण और पूर्वानुमान कंपनी है, जिसकी स्थापना 2015 में हुई थी, जो कि कृत्रिम बुद्धिमत्ता से चलित मूल्य और आपूर्ति पूर्वानुमान में विशेषज्ञता रखती है। कंपनी का निर्माण पारंपरिक “ब्लैक बॉक्स” पूर्वानुमान मॉडल की सीमाओं को दूर करने के लिए किया गया था, जो अक्सर पारदर्शिता और कार्रवाई योग्य अंतर्दृष्टि की कमी थी। कृत्रिम बुद्धिमत्ता और मशीन लर्निंग को एकीकृत करके, डिसीज़ननेक्स्ट व्यवसायों को उनके पूर्वानुमानों को प्रभावित करने वाले कारकों में अधिक दृश्यता प्रदान करता है, जिससे वे बाजार और व्यवसाय जोखिम दोनों के आधार पर सूचित निर्णय ले सकते हैं। उनका प्लेटफ़ॉर्म आपूर्ति श्रृंखला भर में पूर्वानुमान सटीकता में सुधार करने के लिए डिज़ाइन किया गया है, जिससे ग्राहक अंतर्ज्ञान-आधारित निर्णय लेने से परे जा सकते हैं।

डिसीज़ननेक्स्ट की स्थापना के पीछे मूल विचार या प्रेरणा क्या थी, और आपके सैद्धांतिक भौतिकी में पृष्ठभूमि और विभिन्न उद्योगों में आपकी भूमिका ने इस दृष्टि को कैसे आकार दिया?

मेरे सह-संस्थापक माइक नील और मैंने अपनी पिछली कंपनियों में खुदरा विक्रेताओं और वस्तु प्रोसेसर को अनुकूलन और पूर्वानुमान समाधान वितरित करने में बहुत अनुभव प्राप्त किया है। उस अनुभव से दो प्राथमिक ज्ञान यह थे:

1. उपयोगकर्ताओं को यह विश्वास होना चाहिए कि वे समझते हैं कि पूर्वानुमान और समाधान कहां से आ रहे हैं; और
2. उपयोगकर्ताओं को यह बहुत मुश्किल लगता है कि वे क्या सोचते हैं कि क्या होगा और इसकी संभावना कि यह वास्तव में हो जाएगा।

इन दोनों अवधारणाओं की मानव संज्ञान और सॉफ्टवेयर समस्याओं को हल करने के लिए बनाने में गहरी जड़ें हैं। यह ज्ञात है कि मानव मस्तिष्क संभावनाओं की गणना करने में अच्छा नहीं है। एक भौतिक विज्ञानी के रूप में, मैंने अनिश्चितता के साथ जुड़ने और वितरित गणना मंच बनाने के लिए संकल्पनात्मक ढांचे बनाना सीखा। यह हमारे समाधानों का तकनीकी आधार है जो हमारे ग्राहकों को अनिश्चितता के सामने बेहतर निर्णय लेने में मदद करता है, जिसका अर्थ है कि वे नहीं जानते कि बाजार कैसे विकसित होंगे लेकिन अभी भी भविष्य में लाभ को अधिकतम करने के लिए क्या करना है।

मुख्य विज्ञान अधिकारी की भूमिका में आपकी स्थिति कैसे बदल गई है, और डिसीज़ननेक्स्ट के लिए आपका दीर्घकालिक दृष्टिकोण कैसे प्रभावित किया गया है?

मुख्य विज्ञान अधिकारी की भूमिका में परिवर्तन ने उत्पाद को ग्राहकों को मूल्य प्रदान करने के तरीके पर पुनः ध्यान केंद्रित किया है। इस प्रक्रिया में, मैंने दिन-प्रतिदिन की इंजीनियरिंग जिम्मेदारियों को छोड़ दिया है जो दूसरों द्वारा बेहतर तरीके से संभाला जा सकता है। हमारे पास हमेशा सुविधाओं और विचारों की एक लंबी सूची होती है जो समाधान को बेहतर बनाने के लिए होती है, और यह भूमिका मुझे नए और नवाचारी दृष्टिकोणों पर शोध करने के लिए अधिक समय देती है।

वस्तु बाजारों में कुछ विशिष्ट चुनौतियां प्रस्तुत करते हैं जो उन्हें कृत्रिम बुद्धिमत्ता और मशीन लर्निंग समाधानों के अपनाने के लिए विशेष रूप से उपयुक्त या प्रतिरोधी बनाते हैं?

वस्तु बाजारों का मॉडलिंग एक आकर्षक मिश्रण प्रस्तुत करता है जिसमें संरचनात्मक और स्टोकास्टिक गुण होते हैं। इसके साथ-साथ भौतिक और कागजी व्यापार के लिए अनुबंध लिखने और उत्पादन में सामग्री का उपयोग करने के लिए लोगों के अनगिनत तरीकों को जोड़कर, यह एक अविश्वसनीय रूप से समृद्ध और जटिल क्षेत्र है। फिर भी, गणित शेयरों की दुनिया की तुलना में कम विकसित है। कृत्रिम बुद्धिमत्ता और मशीन लर्निंग हमें इस जटिलता के माध्यम से काम करने में मदद करते हैं ताकि मॉडलिंग और उपयोगकर्ताओं को जटिल निर्णयों को नेविगेट करने में अधिक कुशल तरीके खोजे जा सकें।

डिसीज़ननेक्स्ट मशीन लर्निंग मॉडल का उपयोग वस्तु निर्णय लेने में महत्वपूर्ण मानव विशेषज्ञता के साथ कैसे संतुलित करता है?

मशीन लर्निंग के क्षेत्र में संदर्भ और कारणता के साथ अभी भी संघर्ष है। हमारा अनुभव यह है कि मॉडलिंग के कुछ पहलुओं में मानव विशेषज्ञता और पर्यवेक्षण अभी भी महत्वपूर्ण हैं ताकि मजबूत, संक्षिप्त मॉडल तैयार किए जा सकें। हमारे ग्राहक आमतौर पर बाजारों को आपूर्ति और मांग के मूलभूत सिद्धांतों के माध्यम से देखते हैं। यदि मॉडल उस विश्वास को प्रतिबिंबित नहीं करते हैं (और पर्यवेक्षित मॉडल अक्सर नहीं करते हैं), तो हमारे ग्राहक आमतौर पर विश्वास नहीं विकसित करते हैं। महत्वपूर्ण रूप से, उपयोगकर्ता अविश्वसनीय मॉडल को अपने दैनिक निर्णय प्रक्रियाओं में एकीकृत नहीं करेंगे। इसलिए, यहां तक कि एक प्रदर्शित रूप से सटीक मशीन लर्निंग मॉडल जो अंतर्ज्ञान के विरुद्ध जाता है, वह अधिक संभावना से अलमारी में जाएगा।

ग्राहक से मानव विशेषज्ञता भी महत्वपूर्ण है क्योंकि यह एक सत्य है कि देखी गई डेटा कभी भी पूरी नहीं होती है, इसलिए मॉडल वास्तविकता के लिए नहीं बल्कि एक मार्गदर्शक के रूप में होना चाहिए। बाजारों में डूबे हुए उपयोगकर्ताओं के पास मॉडल के इनपुट के रूप में उपलब्ध नहीं होने वाला महत्वपूर्ण ज्ञान और अंतर्दृष्टि है। डिसीज़ननेक्स्ट एआई उपयोगकर्ताओं को मॉडल इनपुट को बढ़ाने और बाजार परिदृश्य बनाने की अनुमति देता है। यह पूर्वानुमान और निर्णय सिफारिशों में लचीलापन बनाता है और उपयोगकर्ता के विश्वास और प्रणाली के साथ बातचीत को बढ़ाता है।

क्या कृत्रिम बुद्धिमत्ता या डेटा विज्ञान में विशिष्ट सफलताएं हैं जो आपको लगता है कि वस्तु पूर्वानुमान में क्रांति ला देंगी, और डिसीज़ननेक्स्ट इन परिवर्तनों के लिए खुद को कैसे तैयार कर रहा है?

कार्यात्मक एलएलएम का आगमन एक सफलता है जो व्यवसायिक निर्णयों के ताने बाने में पूरी तरह से प्रवेश करने में लंबा समय लेगा। मॉडल खुद में सुधार की गति अभी भी सांस लेने वाली और इसके साथ तालमेल बिठाना मुश्किल है। हालांकि, मुझे लगता है कि हम अभी भी व्यवसायिक प्रक्रियाओं में कृत्रिम बुद्धिमत्ता को एकीकृत करने के सर्वोत्तम तरीकों को समझने की शुरुआत में हैं। अधिकांश समस्याएं जो हमें मिलती हैं उन्हें जटिल प्रतिबंधों के साथ अनुकूलन समस्याओं के रूप में फ्रेम किया जा सकता है। व्यवसायिक प्रक्रियाओं में प्रतिबंध अक्सर अदला-बदली नहीं किए जाते हैं और संदर्भिक रूप से बल्कि कठोरता से लागू किए जाते हैं। मुझे लगता है कि यह क्षेत्र एक बड़ा अवसर है जहां कृत्रिम बुद्धिमत्ता ऐतिहासिक डेटा में अंतर्निहित प्रतिबंधों की खोज कर सकती है, साथ ही साथ संदर्भिक अनुकूलन समस्याओं का निर्माण और समाधान कर सकती है।

डिसीज़ननेक्स्ट इन समस्याओं को हल करने और महत्वपूर्ण जानकारी और पूर्वानुमान तक आसान पहुंच प्रदान करने के लिए एक विश्वसनीय मंच है। डिसीज़ननेक्स्ट एलएलएम-आधारित एजेंट विकसित कर रहा है ताकि प्रणाली का उपयोग करना आसान हो और उपयोगकर्ता के निर्देश पर जटिल कार्यों को पूरा किया जा सके। इससे हमें स्केल करने और अधिक व्यवसाय प्रक्रियाओं और उद्योगों में मूल्य जोड़ने में मदद मिलेगी।

विभिन्न क्षेत्रों जैसे महासागर विज्ञान, अर्थमिति और गैर-रेखीय गतिविधियों में आपका काम कैसे वस्तु पूर्वानुमान में समस्याओं का समाधान करने में योगदान देता है?

मेरी विविध पृष्ठभूमि मुझे तीन तरीकों से सूचित करती है। पहला, मेरे काम की विस्तृत श्रृंखला ने मुझे एक विशिष्ट क्षेत्र में बहुत गहराई से जाने से रोका है। बल्कि, मैं कई अलग-अलग अनुशासनों के साथ जुड़ा हुआ हूं और उन सभी पर आकर्षित कर सकता हूं। दूसरा, उच्च प्रदर्शन वितरित गणना मेरे द्वारा किए गए सभी कार्यों में एक सामान्य धागा रहा है। मैंने जिन तकनीकों का उपयोग एक स्नातक छात्र के रूप में भौतिकी में अस्थायी गणना क्लस्टर बनाने के लिए किया था, वे अब मुख्यधारा के ढांचे में उपयोग की जाती हैं, इसलिए यह मुझे परिचित लगता है, भले ही नवाचार की गति तेज हो। अंत में, विभिन्न समस्याओं पर काम करने से दार्शनिक जिज्ञासा पैदा होती है। एक स्नातक छात्र के रूप में, मैंने कभी अर्थशास्त्र में काम करने पर विचार नहीं किया, लेकिन यहां मैं हूं। मुझे नहीं पता कि पांच साल में मैं क्या कर रहा हूंगा, लेकिन मुझे पता है कि मुझे यह दिलचस्प लगेगा।

डिसीज़ननेक्स्ट ‘ब्लैक बॉक्स’ मॉडल से बाहर निकलने पर जोर देता है। यह पारदर्शिता इतनी महत्वपूर्ण क्यों है, और आप इसे उपयोगकर्ता विश्वास और अपनाने पर कैसे प्रभावित करते हैं?

एक प्रोटोटाइपल वस्तु व्यापारी (एक्सचेंज पर या बाहर) कोई है जिसने अपने उद्योग के मूलभूत बातों को उत्पादन में सीखा है लेकिन अस्थिर बाजार में दांव लगाने की क्षमता रखता है। यदि उन्हें व्यवसाय के आपूर्ति पक्ष में वास्तविक दुनिया का अनुभव नहीं है, तो वे कार्यकारी अधिकारियों का विश्वास नहीं जीतते हैं और व्यापारी के रूप में पदोन्नत नहीं होते हैं। यदि उन्हें जुआ खेलने की कुछ प्रवृत्ति नहीं है, तो वे व्यापार निष्पादन में बहुत तनावग्रस्त हो जाते हैं। वॉल स्ट्रीट क्वांट के विपरीत, वस्तु व्यापारी अक्सर संभाव्यता और सांख्यिकी में औपचारिक पृष्ठभूमि नहीं रखते हैं। विश्वास हासिल करने के लिए, हमें एक प्रणाली प्रस्तुत करनी होगी जो直सूची है, तेज है, और उनके संज्ञानात्मक पूर्वाग्रह को छूती है कि आपूर्ति और मांग बाजार की बड़ी गतिविधियों के प्राथमिक चालक हैं। इसलिए, हम एक “सफेद बॉक्स” दृष्टिकोण अपनाते हैं जहां सब कुछ पारदर्शी है। आमतौर पर एक “डेटिंग” चरण होता है जहां वे प्रणाली के अंदर गहराई से देखते हैं और हम उन्हें प्रणाली की तर्कसंगतता के माध्यम से मार्गदर्शन करते हैं। एक बार विश्वास स्थापित हो जाने के बाद, उपयोगकर्ता आमतौर पर गहराई से जाने के लिए समय नहीं बिताते हैं, लेकिन महत्वपूर्ण या आश्चर्यजनक पूर्वानुमान की जांच करने के लिए समय-समय पर लौटते हैं।

डिसीज़ननेक्स्ट का जोखिम-अवेयर पूर्वानुमान दृष्टिकोण कंपनियों को बाजार की स्थिति पर प्रतिक्रिया करने के बजाय अपनी रणनीतियों को सक्रिय रूप से आकार देने में कैसे मदद करता है?

वस्तु व्यापार सिर्फ एक्सचेंजों तक सीमित नहीं है। अधिकांश कंपनियों के पास जोखिम को हेज करने के लिए सूचीबद्ध वस्तुओं तक सीमित पहुंच है। एक प्रोसेसर शायद कच्चे माल के रूप में एक सूचीबद्ध वस्तु (मवेशी, शायद) खरीदता है, लेकिन उनका आउटपुट भी एक अस्थिर वस्तु (गाय का मांस) है जिसका मूल्य सामग्री के साथ अक्सर कम संबंध होता है। दिए गए संरचनात्मक मार्जिन प्रतिबंध के साथ महंगी सुविधाओं को लगभग क्षमता पर संचालित करने की आवश्यकता है, प्रोसेसर को भविष्य में देखने वाली एक रणनीतिक योजना होनी चाहिए। अर्थात्, वे पूरी तरह से स्पॉट बाजार में काम नहीं कर सकते हैं और उन्हें आगे अनुबंध करना होगा ताकि सामग्री खरीदी जा सके और आउटपुट बेचा जा सके। डिसीज़ननेक्स्ट प्रोसेसर को पूरे पारिस्थितिकी तंत्र की आपूर्ति, मांग और मूल्य चर का पूर्वानुमान लगाने और फिर व्यवसायिक निर्णयों को प्रभावित करने वाले बाजार के परिणामों की पूरी श्रृंखला का अनुकरण करने की अनुमति देता है। कागजी व्यापार उस रणनीति का एक घटक हो सकता है, लेकिन सबसे महत्वपूर्ण बात यह है कि सामग्री और बिक्री प्रतिबद्धताओं और प्रसंस्करण निर्णयों को समझना ताकि क्षमता उपयोगिता सुनिश्चित की जा सके। डिसीज़ननेक्स्ट विशेष रूप से इसके लिए तैयार किया गया है।

एक गहरी वैज्ञानिक पृष्ठभूमि वाले व्यक्ति के रूप में, वस्तुओं जैसे पारंपरिक उद्योगों में विज्ञान और कृत्रिम बुद्धिमत्ता के संगम से आपको क्या सबसे ज्यादा उत्साहित करता है?

व्यवहारिक अर्थशास्त्र ने व्यवसायिक निर्णयों पर संज्ञान के प्रभाव की हमारी समझ को बदल दिया है। कृत्रिम बुद्धिमत्ता मानव संज्ञान का समर्थन करने और बेहतर निर्णय लेने के लिए सॉफ्टवेयर टूल का उपयोग करने के तरीके को बदल रही है। कृत्रिम बुद्धिमत्ता से संचालित स्वचालन से होने वाले दक्षता लाभ बहुत चर्चा में रहे हैं और आर्थिक रूप से महत्वपूर्ण होंगे। वस्तु कंपनियां पतले मार्जिन और उच्च श्रम लागत के साथ काम करती हैं, इसलिए वे स्वचालन से बहुत लाभान्वित होंगी। इसके अलावा, मुझे लगता है कि व्यवसायिक निर्णयों को अक्सर सीमित और अस्पष्ट जानकारी और सरल स्प्रेडशीट टूल पर आधारित किया जाता है। मुझे लगता है कि सबसे रोमांचक परिणाम यह है कि प्लेटफ़ॉर्म जैसे डिसीज़ननेक्स्ट व्यवसायिक प्रक्रिया को कृत्रिम बुद्धिमत्ता और सिमुलेशन का उपयोग करके संदर्भ और जोखिम-अवेयर निर्णयों को सामान्य बनाने में मदद करेंगे, जो पारदर्शी डेटा और खुले तर्क पर आधारित होंगे।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें डिसीज़ननेक्स्ट पर जाना चाहिए।