Robert Pierce, Co-Founder & Chief Science Officer di DecisionNext – Seri Wawancara

Bob Pierce, PhD adalah co-founder dan Chief Science Officer di DecisionNext. Karyanya telah membawa analisis matematika lanjutan ke pasar dan industri baru, memperbaiki cara perusahaan melakukan pengambilan keputusan strategis. Sebelum DecisionNext, Bob adalah Chief Scientist di SignalDemand, di mana ia memimpin sains di balik solusi untuk produsen. Bob telah memegang posisi penelitian dan pengembangan senior di Khimetrics (sekarang SAP) dan ConceptLabs, serta posisi akademis dengan National Academy of Sciences, Penn State University, dan UC Berkeley. Karyanya mencakup berbagai industri, termasuk komoditas dan manufaktur, dan ia telah memberikan kontribusi pada bidang ekonomi, oseanografi, matematika, dan dinamika nonlinier. Ia memegang banyak paten dan adalah penulis beberapa makalah yang telah ditinjau sejawat. Bob memiliki gelar PhD dalam fisika teoretis dari UC Berkeley.

DecisionNext adalah perusahaan analitik data dan peramalan yang didirikan pada tahun 2015, yang mengkhususkan diri dalam peramalan harga dan pasokan yang didorong oleh AI. Perusahaan ini dibuat untuk mengatasi keterbatasan model peramalan “black box” tradisional, yang sering kali kekurangan transparansi dan wawasan yang dapat ditindaklanjuti. Dengan mengintegrasikan AI dan pembelajaran mesin, DecisionNext memberikan bisnis dengan visibilitas yang lebih besar ke dalam faktor-faktor yang mempengaruhi peramalan mereka, membantu mereka membuat keputusan yang lebih baik berdasarkan risiko pasar dan bisnis. Platform mereka dirancang untuk meningkatkan akurasi peramalan di seluruh rantai pasokan, memungkinkan pelanggan untuk melampaui pengambilan keputusan berbasis intuisi.

Apa ide atau inspirasi asli di balik pendirian DecisionNext, dan bagaimana latar belakang Anda dalam fisika teoretis dan peran di berbagai industri membentuk visi ini?

Saya dan co-founder saya, Mike Neal, telah mengumpulkan banyak pengalaman dalam perusahaan sebelumnya yang menyediakan solusi optimasi dan peramalan untuk pengecer dan pengolah komoditas. Dua pelajaran utama dari pengalaman itu adalah:

1. Pengguna perlu percaya bahwa mereka memahami dari mana peramalan dan solusi berasal; dan
2. Pengguna memiliki kesulitan besar untuk memisahkan apa yang mereka pikir akan terjadi dari kemungkinan bahwa itu akan benar-benar terjadi.

Konsep-konsep ini memiliki akar yang dalam dalam kognisi manusia serta implikasi dalam menciptakan perangkat lunak untuk memecahkan masalah. Ini sudah diketahui bahwa pikiran manusia tidak baik dalam menghitung probabilitas. Sebagai seorang fisikawan, saya belajar untuk menciptakan kerangka konseptual untuk berinteraksi dengan ketidakpastian dan membangun platform komputasi terdistribusi untuk mengeksplorasi ketidakpastian tersebut. Ini adalah landasan teknis dari solusi kami untuk membantu pelanggan membuat keputusan yang lebih baik dalam menghadapi ketidakpastian, yaitu mereka tidak dapat mengetahui bagaimana pasar akan berkembang, tetapi masih harus memutuskan apa yang harus dilakukan sekarang untuk memaksimalkan keuntungan di masa depan.

Bagaimana transisi Anda ke peran Chief Science Officer mempengaruhi fokus harian dan visi jangka panjang Anda untuk DecisionNext?

Transisi ke CSO telah melibatkan fokus kembali pada bagaimana produk harus memberikan nilai kepada pelanggan kami. Dalam proses ini, saya telah melepaskan beberapa tanggung jawab harian yang lebih baik ditangani oleh orang lain. Kami selalu memiliki daftar fitur dan ide untuk membuat solusi lebih baik, dan peran ini memberi saya lebih banyak waktu untuk melakukan penelitian pada pendekatan baru dan inovatif.

Apa tantangan unik yang ditawarkan oleh pasar komoditas yang membuatnya lebih sesuai – atau resisten – terhadap adopsi solusi AI dan pembelajaran mesin?

Mengembangkan model pasar komoditas menawarkan campuran menarik dari sifat struktural dan stokastik. Menggabungkan ini dengan jumlah cara yang tidak terhitung yang digunakan orang untuk menulis kontrak untuk perdagangan fisik dan kertas serta menggunakan bahan dalam produksi menghasilkan bidang yang sangat kaya dan rumit. Namun, matematika jauh kurang berkembang daripada dunia saham yang relatif lebih sederhana. AI dan pembelajaran mesin membantu kami bekerja melalui kompleksitas ini dengan menemukan cara yang lebih efisien untuk memodelkan serta membantu pengguna kami menavigasi keputusan yang rumit.

Bagaimana DecisionNext mengimbangkan penggunaan model pembelajaran mesin dengan keahlian manusia yang kritis dalam pengambilan keputusan komoditas?

Pembelajaran mesin sebagai bidang terus meningkat, tetapi masih berjuang dengan konteks dan kausalitas. Pengalaman kami adalah bahwa ada aspek pemodelan di mana keahlian manusia dan pengawasan masih kritis untuk menghasilkan model yang kuat dan parsimonius. Pelanggan kami umumnya melihat pasar melalui lensa fondasi supply dan demand. Jika model tidak mencerminkan keyakinan itu (dan model yang tidak diawasi sering tidak melakukannya), maka pelanggan kami umumnya tidak akan mengembangkan kepercayaan. Sangat penting, pengguna tidak akan mengintegrasikan model yang tidak tepercaya ke dalam proses pengambilan keputusan sehari-hari. Jadi, bahkan model pembelajaran mesin yang dapat dibuktikan akurat yang melanggar intuisi akan menjadi barang yang tidak terpakai lebih sering daripada tidak.

Keahlian manusia dari pelanggan juga sangat penting karena suatu kebenaran bahwa data yang diamati tidak pernah lengkap, sehingga model harus dianggap sebagai panduan dan tidak boleh disalahartikan sebagai kenyataan. Pengguna yang terjun ke pasar memiliki pengetahuan dan wawasan penting yang tidak tersedia sebagai input untuk model. DecisionNext AI memungkinkan pengguna untuk melengkapi input model dan membuat skenario pasar. Ini membangun fleksibilitas ke dalam peramalan dan rekomendasi keputusan serta meningkatkan kepercayaan dan interaksi pengguna dengan sistem.

Apakah ada terobosan spesifik dalam AI atau ilmu data yang Anda percayai akan merevolusi peramalan komoditas dalam beberapa tahun mendatang, dan bagaimana DecisionNext memposisikan diri untuk perubahan tersebut?

Munculnya LLM fungsional adalah terobosan yang akan memakan waktu lama untuk benar-benar meresap ke dalam proses pengambilan keputusan bisnis. Kecepatan perbaikan dalam model itu sendiri masih menakjubkan dan sulit diikuti. Namun, saya pikir kita baru saja memulai jalan untuk memahami cara terbaik untuk mengintegrasikan AI ke dalam proses bisnis. Sebagian besar masalah yang kita temui dapat dirumuskan sebagai masalah optimasi dengan konstrain yang rumit. Konstrain dalam proses bisnis sering tidak terdokumentasi dan ditegakkan secara kontekstual daripada secara ketat. Saya pikir ini adalah peluang besar yang belum terjamah untuk AI, baik untuk menemukan konstrain implisit dalam data historis maupun membangun dan menyelesaikan masalah optimasi kontekstual yang tepat.

DecisionNext adalah platform tepercaya untuk memecahkan masalah ini dan memberikan akses mudah ke informasi kritis dan peramalan. DecisionNext sedang mengembangkan agen berbasis LLM untuk membuat sistem lebih mudah digunakan dan melakukan tugas yang rumit dalam sistem atas perintah pengguna. Ini akan memungkinkan kami untuk menskalakan dan menambah nilai dalam lebih banyak proses bisnis dan industri.

Bagaimana latar belakang Anda yang beragam dalam bidang seperti oseanografi, ekonomi, dan dinamika nonlinier memberikan kontribusi pada pemecahan masalah dalam peramalan komoditas?

Latar belakang saya yang beragam mempengaruhi pekerjaan saya dalam tiga cara. Pertama, luasnya pekerjaan saya telah mencegah saya untuk terlalu fokus pada satu area spesifik. Saya telah terpapar pada banyak disiplin ilmu yang berbeda dan dapat mengambil manfaat dari semuanya. Kedua, komputasi terdistribusi berkinerja tinggi telah menjadi benang merah dalam semua pekerjaan yang saya lakukan. Banyak teknik yang saya gunakan untuk membuat klaster komputasi ad hoc sebagai mahasiswa pascasarjana di Fisika sekarang digunakan dalam kerangka mainstream, sehingga semua ini terasa familiar bagi saya bahkan ketika kecepatan inovasi sangat cepat. Terakhir, bekerja pada berbagai masalah ini menginspirasi rasa ingin tahu filosofis. Sebagai mahasiswa pascasarjana, saya tidak pernah mempertimbangkan bekerja dalam Ekonomi, tetapi saya sekarang berada di sini. Saya tidak tahu apa yang akan saya kerjakan dalam 5 tahun, tetapi saya tahu saya akan menemukannya menarik.

Mengapa transparansi dalam peramalan sangat kritis, dan bagaimana Anda pikir ini mempengaruhi kepercayaan dan adopsi pengguna?

Seorang pedagang komoditas prototipikal (di atau di luar bursa) adalah seseorang yang belajar dasar-dasar industri mereka dalam produksi tetapi memiliki kemampuan untuk bertaruh dalam pasar yang volatil. Jika mereka tidak memiliki pengalaman dunia nyata di sisi pasokan bisnis, mereka tidak memperoleh kepercayaan eksekutif dan tidak dipromosikan sebagai pedagang. Jika mereka tidak memiliki beberapa afinitas untuk perjudian, mereka akan stres terlalu banyak dalam mengeksekusi perdagangan. Tidak seperti kuantitas Wall Street, pedagang komoditas sering tidak memiliki latar belakang formal dalam probabilitas dan statistik. Untuk memperoleh kepercayaan, kami harus menyajikan sistem yang intuitif, cepat, dan menyentuh bias kognitif mereka bahwa supply dan demand adalah penggerak utama pergerakan pasar besar. Jadi, kami menggunakan pendekatan “white box” di mana semua transparan. Biasanya ada “tahap kencan” di mana mereka melihat dalam ke sistem dan kami membimbing mereka melalui penalaran sistem. Setelah kepercayaan terbentuk, pengguna tidak sering menghabiskan waktu untuk melihat dalam, tetapi akan kembali secara berkala untuk menginterogasi peramalan dan keputusan penting.

Bagaimana pendekatan DecisionNext terhadap peramalan yang sadar risiko membantu perusahaan tidak hanya bereaksi terhadap kondisi pasar, tetapi secara proaktif membentuk strategi mereka?

Perdagangan komoditas tidak terbatas pada bursa. Sebagian besar perusahaan hanya memiliki akses terbatas ke futures untuk menghedging risiko mereka. Seorang pengolah mungkin membeli komoditas terdaftar sebagai bahan baku (sapi, mungkin), tetapi output mereka juga merupakan komoditas volatil (daging sapi) yang sering memiliki korelasi harga yang rendah dengan input. Mengingat keterbatasan margin struktural bahwa fasilitas mahal harus beroperasi dekat dengan kapasitas, pengolah dipaksa untuk memiliki rencana strategis yang melihat ke depan. Artinya, mereka tidak dapat beroperasi sepenuhnya di pasar spot, dan mereka harus melakukan kontrak ke depan untuk membeli bahan baku dan menjual output. DecisionNext memungkinkan pengolah untuk meramalkan seluruh ekosistem variabel supply, demand, dan harga, serta mensimulasikan bagaimana keputusan bisnis dipengaruhi oleh berbagai hasil pasar. Perdagangan kertas mungkin merupakan komponen dari strategi, tetapi yang paling penting adalah memahami komitmen material dan penjualan serta keputusan pengolahan untuk memastikan utilisasi kapasitas. DecisionNext dirancang khusus untuk ini.

Sebagai seseorang dengan latar belakang ilmiah yang mendalam, apa yang paling Anda nikmati tentang persimpangan sains dan AI dalam mengubah industri tradisional seperti komoditas?

Ekonomi perilaku telah mengubah pemahaman kita tentang bagaimana kognisi mempengaruhi keputusan bisnis. AI mengubah bagaimana kita dapat menggunakan perangkat lunak untuk mendukung kognisi manusia dan membuat keputusan yang lebih baik. Keuntungan efisiensi yang akan diperoleh dari otomatisasi yang ditenagai AI telah banyak dibahas dan akan sangat penting secara ekonomi. Perusahaan komoditas beroperasi dengan margin yang sangat tipis dan biaya tenaga kerja yang tinggi, sehingga mereka kemungkinan akan sangat diuntungkan oleh otomatisasi. Di luar itu, saya percaya ada ketidakefisienan tersembunyi dalam cara keputusan bisnis dibuat, yaitu oleh intuisi dan aturan praktis. Keputusan sering didasarkan pada informasi yang terbatas dan tidak transparan serta alat spreadsheet sederhana. Bagi saya, hasil yang paling menarik adalah platform seperti DecisionNext membantu mengubah proses bisnis dengan menggunakan AI dan simulasi untuk menormalkan konteks dan keputusan yang sadar risiko berdasarkan data transparan dan penalaran terbuka.

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