Chris Nicholson, Fondatore e Amministratore Delegato di Pathmind – Serie di Interviste

Chris Nicholson è il fondatore di Pathmind, una startup di intelligenza artificiale che applica il deep reinforcement learning alla catena di approvvigionamento e alle operazioni industriali. Pathmind è stata fondata per aiutare le aziende a gestire profondi cambiamenti economici e aumentare la resilienza delle loro operazioni con l’intelligenza artificiale. Chris sovrintende alla visione strategica e all’esecuzione quotidiana dell’azienda, guidando l’innovazione e la crescita della piattaforma tecnologica di Pathmind e ottimizzando le prestazioni nei magazzini e sui pavimenti delle fabbriche come parte della trasformazione digitale delle aziende.

In precedenza, Chris era l’amministratore delegato di Skymind, un’azienda di intelligenza artificiale focalizzata sul deep learning. Prima di allora, aveva ricoperto ruoli di comunicazione e reclutamento per FutureAdvisor, una startup di Sequoia supportata da Y Combinator che è stata acquisita da BlackRock (BLK ) nel 2015 per 200 milioni di dollari. Chris ha anche trascorso un decennio come giornalista, scrivendo di tecnologia e finanza per The New York Times, Bloomberg News e Businessweek, tra gli altri.

Lei è stato in precedenza un corrispondente per The New York Times e un editore per Bloomberg News prima di passare al machine learning, potrebbe discutere il viaggio dietro questo riassetto del suo percorso di carriera?

Quando ero un giornalista, nei primi anni 2000 e all’inizio degli anni 2010, l’industria stava soffrendo poiché gli annunci si spostavano sui motori di ricerca e sui social media e le pubblicazioni tradizionali perdevano lettori. Stavo coprendo la finanza e la tecnologia e vedevo le persone costruire molte cose nuove e interessanti. A un certo punto, mi sono detto che dovevo mettermi dalla parte giusta dei robot, quindi mi sono trasferito a San Francisco.

Quello era il 2013. C’erano ancora case di hacker a SOMA all’epoca. Mi sono trasferito in una di quelle, su un letto in una stanza con altri cinque ragazzi, e sono andato a lavorare ogni mattina in una startup che aveva frequentato Y Combinator. Lavorando a San Francisco, ho lentamente conosciuto le persone e capito cosa mi interessava. All’epoca, il deep learning stava ancora decollando. Potevi vedere il potenziale, ma c’era ancora molto da costruire. Questa curiosità mi ha spinto a coinvolgermi in un progetto di intelligenza artificiale che alla fine ha portato a Pathmind.

Potrebbe condividere alcuni dettagli su come Pathmind possa aiutare le aziende?

Le aziende che hanno una pianta fisica da gestire, come un magazzino, una fabbrica o un sito di estrazione, di solito affrontano compiti di ottimizzazione molto complessi. Cioè, devono coordinare molti macchinari per raggiungere un obiettivo. Molti di loro stanno cercando di massimizzare la produzione e l’efficienza e di minimizzare i costi e le emissioni di carbonio. Progettiamo algoritmi che possono utilizzare i loro dati reali per mostrare nuovi modi per far funzionare i loro macchinari. Ciò può applicarsi alla pianificazione dei lavori e delle macchine, alla gestione della flotta e alla gestione dei costi energetici, tra le altre cose.

Quali sono alcuni vantaggi del software open source per i sistemi di machine learning?

Le aziende di software sono tutte barche che galleggiano su un mare di codice open source. L’infrastruttura delle nuvole pubbliche funziona con codice open source. Molti degli strumenti che gli sviluppatori utilizzano per costruire siti web e applicazioni di machine learning sono anche open source. È un ecosistema vibrante. Siamo tra i primi ad adottare progetti open source emozionanti come Ray, che aiuta a creare calcolo distribuito per carichi di lavoro di intelligenza artificiale.

Lei è chiaramente ottimista sul futuro del deep reinforcement learning, secondo la sua opinione, quali tipi di aziende sono meglio posizionati per trarre vantaggio da questo tipo di apprendimento automatico?

Le aziende con cui lavoriamo di solito hanno dati che utilizzano per tenere traccia delle loro operazioni e prestazioni. Tendono ad avere operazioni fisiche che possono controllare. I nostri algoritmi hanno bisogno di dati per comprendere l’ambiente in cui operano e devono essere presentati con azioni da scegliere, come macchinari da controllare, in modo che possano avere un effetto sugli esiti. In sostanza, le aziende che hanno operazioni fisiche da controllare, hanno dati su quelle operazioni e alcuni strumenti analitici in atto per quei dati, sono in una buona posizione per iniziare a pensare all’ottimizzazione come la nostra.

C’è qualcos’altro che lei vorrebbe discutere su Pathmind?

Una cosa che facciamo che è adiacente al controllo delle operazioni fisiche è aiutare le aziende a prevedere serie temporali. Quindi, dati come prezzi o domanda influenzeranno il comportamento di un’azienda e quanto produce. Per produrre la quantità giusta, devono sapere quanto sarà la domanda. E, per poter fissare correttamente i loro prezzi, devono avere una lettura delle fluttuazioni dei prezzi. I nostri algoritmi sono in grado di fare quelle previsioni.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Pathmind.