Chris Nicholson, Pendiri & CEO Pathmind – Seri Wawancara

Chris Nicholson adalah pendiri Pathmind, sebuah startup AI yang menerapkan deep reinforcement learning pada rantai pasokan dan operasi industri. Pathmind didirikan untuk membantu bisnis menangani perubahan ekonomi yang mendalam dan meningkatkan ketahanan operasional mereka dengan AI. Chris mengawasi visi strategis perusahaan dan eksekusi hari-hari, mengarahkan inovasi dan pertumbuhan untuk platform teknologi Pathmind, dan mengoptimalkan kinerja di gudang dan lantai pabrik sebagai bagian dari transformasi digital bisnis.

Sebelumnya, Chris adalah CEO Skymind, sebuah perusahaan AI yang fokus pada deep learning. Sebelum itu, ia memegang peran komunikasi dan perekrutan untuk FutureAdvisor, sebuah startup Y Combinator yang didukung Sequoia yang diakuisisi oleh BlackRock (BLK ) pada 2015 seharga $200 juta. Chris juga menghabiskan satu dekade sebagai jurnalis, meliput teknologi dan keuangan untuk The New York Times, Bloomberg News, dan Businessweek, di antara lain.

Anda sebelumnya adalah koresponden untuk The New York Times dan editor untuk Bloomberg News sebelum beralih ke machine learning, bisa Anda diskusikan perjalanan di balik perubahan jalur karir Anda?

Ketika saya menjadi jurnalis, pada 2000-an dan awal 2010-an, industri itu menderita karena iklan berpindah ke mesin pencari dan media sosial, dan publikasi tradisional kehilangan pembaca. Saya meliput keuangan dan teknologi dan saya melihat orang-orang membangun banyak hal baru dan menarik. Pada suatu titik, saya mengatakan kepada diri sendiri bahwa saya perlu berada di sisi yang tepat dari robot, jadi saya pindah ke San Francisco.

Itu tahun 2013. Masih ada rumah hacker di SOMA saat itu. Saya pindah ke salah satunya, ke tempat tidur di kamar dengan lima pria lain, dan pergi bekerja setiap pagi di sebuah startup yang telah melewati Y Combinator. Bekerja di San Francisco, saya perlahan-lahan mengenal orang dan mencari tahu apa yang saya minati. Saat itu, deep learning masih dalam tahap awal. Anda bisa melihat potensinya, tetapi masih banyak yang harus dibangun. Rasa ingin tahu ini mengarahkan saya untuk terlibat dalam proyek AI yang akhirnya membawa saya ke Pathmind.

Bisakah Anda berbagi beberapa detail tentang bagaimana Pathmind dapat membantu bisnis?

Bisnis yang memiliki fasilitas fisik untuk dikelola, seperti gudang, pabrik, atau situs pertambangan, biasanya menghadapi tugas optimisasi yang sangat kompleks. Artinya, mereka perlu mengoordinasikan banyak peralatan untuk mencapai tujuan. Banyak dari mereka mencoba memaksimalkan throughput dan efisiensi, serta meminimalkan biaya dan emisi karbon. Kami merancang algoritma yang dapat menggunakan data nyata mereka untuk menunjukkan cara baru bagi mereka untuk membuat peralatan mereka berperilaku. Ini dapat diterapkan pada penjadwalan pekerjaan dan mesin, pengaturan rute armada, dan pengelolaan biaya energi, di antara lain.

Apa beberapa manfaat dari perangkat lunak open source untuk sistem machine learning?

Perusahaan perangkat lunak semua mengapung di atas laut kode open source. Infrastruktur awan publik berjalan di atas open source. Banyak alat yang digunakan pengembang untuk membangun situs web dan aplikasi machine learning juga open source. Ini adalah ekosistem yang sangat hidup. Kami adalah pengadopsi awal yang bekerja untuk proyek open source yang menarik seperti Ray, yang membantu Anda memulai komputasi terdistribusi untuk beban kerja AI.

Anda jelas sangat optimis tentang masa depan deep reinforcement learning, menurut Anda, jenis bisnis apa yang paling siap untuk memanfaatkan jenis machine learning ini?

Perusahaan yang kami kerjakan biasanya memiliki data yang mereka gunakan untuk melacak operasi dan kinerja mereka. Mereka cenderung memiliki operasi fisik di mana mereka dapat mengontrol perilaku peralatan. Algoritma kami memerlukan data untuk memahami lingkungan di mana mereka beroperasi, dan mereka perlu diberikan tindakan untuk dipilih, seperti peralatan untuk dikontrol, sehingga mereka dapat memiliki dampak pada hasil. Secara esensial, bisnis yang memiliki operasi fisik untuk dikontrol, memiliki data tentang operasi tersebut, dan beberapa analitik yang ada untuk data tersebut, berada dalam posisi yang baik untuk memulai pemikiran tentang optimisasi seperti kami.

Apakah ada yang lain yang Anda ingin diskusikan tentang Pathmind?

Satu hal yang kami lakukan yang berdekatan dengan mengontrol operasi fisik adalah membantu bisnis memprediksi seri waktu. Jadi, data seperti harga atau permintaan akan mempengaruhi bagaimana sebuah perusahaan berperilaku, dan berapa banyak yang mereka produksi. Untuk memproduksi jumlah yang tepat, mereka perlu tahu berapa banyak permintaan yang akan ada. Dan, untuk dapat menetapkan harga mereka dengan benar, mereka harus memiliki pemahaman tentang fluktuasi harga. Algoritma kami dapat membuat prakiraan tersebut.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Pathmind.