Robert Pierce, Co-Fondatore e Chief Science Officer di DecisionNext – Serie di Interviste

Bob Pierce, PhD è co-fondatore e Chief Science Officer di DecisionNext. Il suo lavoro ha portato un’analisi matematica avanzata a nuovi mercati e settori, migliorando il modo in cui le aziende prendono decisioni strategiche. Prima di DecisionNext, Bob era Chief Scientist a SignalDemand, dove ha guidato la scienza dietro le soluzioni per i produttori. Bob ha ricoperto ruoli di ricerca e sviluppo senior in Khimetrics (ora SAP) e ConceptLabs, nonché incarichi accademici presso la National Academy of Sciences, la Penn State University e la UC Berkeley. Il suo lavoro copre una gamma di settori, tra cui commodities e produzione, e ha contribuito ai campi dell’econometria, oceanografia, matematica e dinamica non lineare. Detiene numerosi brevetti e è autore di diversi articoli peer-reviewed. Bob ha un dottorato in fisica teorica presso la UC Berkeley.

DecisionNext è un’azienda di analisi dei dati e previsioni fondata nel 2015, specializzata in previsioni di prezzi e forniture guidate da AI. L’azienda è stata creata per affrontare le limitazioni dei modelli di previsione tradizionali “black box”, che spesso mancavano di trasparenza e informazioni azionabili. Integrando AI e apprendimento automatico, DecisionNext fornisce alle aziende una maggiore visibilità sui fattori che influenzano le loro previsioni, aiutandole a prendere decisioni informate basate sia sul rischio di mercato che su quello aziendale. La piattaforma è progettata per migliorare l’accuratezza delle previsioni in tutta la catena di approvvigionamento, consentendo ai clienti di andare oltre le decisioni basate sull’intuizione.

Qual era l’idea originale o l’ispirazione dietro la fondazione di DecisionNext, e come il tuo background in fisica teorica e i tuoi ruoli in vari settori hanno plasmato questa visione?

Il mio co-fondatore Mike Neal e io abbiamo accumulato molta esperienza nelle nostre precedenti aziende, fornendo soluzioni di ottimizzazione e previsione ai dettaglianti e ai produttori di commodities. Due delle principali lezioni che abbiamo tratto da quell’esperienza sono:

1. Gli utenti devono credere di capire da dove provengono le previsioni e le soluzioni;
2. Gli utenti hanno difficoltà a separare ciò che pensano accadrà dalla probabilità che accada effettivamente.

Questi due concetti hanno radici profonde nella cognizione umana e implicazioni su come creare software per risolvere problemi. È noto che la mente umana non è brava a calcolare le probabilità. Come fisico, ho imparato a creare framework concettuali per affrontare l’incertezza e a costruire piattaforme computazionali distribuite per esplorarla. Questo è il fondamento tecnico delle nostre soluzioni per aiutare i nostri clienti a prendere migliori decisioni di fronte all’incertezza, ovvero non possono sapere come si evolveranno i mercati, ma devono comunque decidere cosa fare ora per massimizzare i profitti nel futuro.

Come è cambiata la tua attenzione quotidiana e la tua visione a lungo termine per DecisionNext dopo la tua transizione al ruolo di Chief Science Officer?

La transizione al ruolo di CSO ha comportato una rifocalizzazione su come il prodotto debba fornire valore ai nostri clienti. Nel processo, ho rilasciato alcune responsabilità quotidiane di ingegneria che sono meglio gestite da altri. Abbiamo sempre una lunga lista di funzionalità e idee per migliorare la soluzione, e questo ruolo mi dà più tempo per ricercare nuove e innovative soluzioni.

Quali sfide uniche presentano i mercati delle commodities che li rendono particolarmente adatti o resistenti all’adozione di soluzioni di AI e apprendimento automatico?

La modellazione dei mercati delle commodities presenta un affascinante mix di proprietà strutturali e stocastiche. Combinare questo con il numero incalcolabile di modi in cui le persone scrivono contratti per il commercio fisico e cartaceo e utilizzano materiali nella produzione, dà vita a un campo incredibilmente ricco e complesso. Tuttavia, la matematica è considerevolmente meno sviluppata rispetto al mondo più semplice delle azioni. L’AI e l’apprendimento automatico ci aiutano a lavorare attraverso questa complessità, trovando modi più efficienti per modellare e aiutando gli utenti a navigare decisioni complesse.

Come DecisionNext bilancia l’uso di modelli di apprendimento automatico con l’esperienza umana critica per la presa di decisioni sulle commodities?

L’apprendimento automatico come campo è in costante miglioramento, ma ancora lotta con il contesto e la causalità. La nostra esperienza è che ci sono aspetti della modellazione in cui l’esperienza e la supervisione umana sono ancora critiche per generare modelli robusti e parsimoniosi. I nostri clienti guardano generalmente ai mercati attraverso la lente dei fondamentali di offerta e domanda. Se i modelli non riflettono questa convinzione (e i modelli non supervisionati spesso non lo fanno), allora i nostri clienti non sviluppano fiducia. Inoltre, gli utenti non integreranno modelli non attendibili nei loro processi decisionali quotidiani. Quindi, anche un modello di apprendimento automatico dimostrabilmente preciso che sfida l’intuizione diventerà probabilmente “shelfware” piuttosto che essere utilizzato.

Ci sono scoperte specifiche nell’AI o nella scienza dei dati che ritieni possano rivoluzionare la previsione delle commodities nei prossimi anni, e come DecisionNext si sta preparando per questi cambiamenti?

L’avvento dei LLM funzionali è una scoperta che richiederà molto tempo per essere pienamente integrata nelle decisioni aziendali. Il ritmo di miglioramento dei modelli stessi è ancora impressionante e difficile da tenere. Tuttavia, credo che siamo solo all’inizio del percorso per comprendere i migliori modi per integrare l’AI nei processi aziendali. La maggior parte dei problemi che incontriamo può essere inquadrata come problemi di ottimizzazione con vincoli complessi. I vincoli all’interno dei processi aziendali sono spesso non documentati e applicati in modo contestuale piuttosto che rigoroso. Credo che questa sia un’opportunità enorme e inesplorata per l’AI, sia per scoprire vincoli impliciti nei dati storici, sia per costruire e risolvere i problemi di ottimizzazione contestuale appropriati.

Il tuo lavoro copre campi diversi come oceanografia, econometria e dinamica non lineare. Come queste intuizioni interdisciplinari contribuiscono a risolvere problemi nella previsione delle commodities?

Il mio background variegato informa il mio lavoro in tre modi. In primo luogo, l’ampiezza del mio lavoro mi ha impedito di addentrarmi troppo in una specifica area della matematica. Invece, sono stato esposto a diverse discipline e posso attingere da tutte loro. In secondo luogo, il calcolo distribuito ad alte prestazioni è stato un filo conduttore in tutto il lavoro che ho svolto. Molti dei metodi che ho utilizzato per creare cluster di calcolo ad hoc come studente di fisica sono ora utilizzati in framework mainstream, quindi tutto mi sembra familiare anche quando il ritmo dell’innovazione è rapido. Infine, lavorare su questi diversi problemi ispira una curiosità filosofica. Come studente di dottorato, non ho mai contemplato di lavorare in economia, ma eccomi qui. Non so cosa sto lavorando in 5 anni, ma so che lo troverò intrigante.

DecisionNext sottolinea l’importanza di uscire dal modello di previsione “black box”. Perché questa trasparenza è così critica, e come pensi che influenzi la fiducia e l’adozione degli utenti?

Un trader di commodities tipico (sia esso su un mercato o meno) è qualcuno che ha imparato le basi del proprio settore nella produzione, ma ha una capacità per scommettere in un mercato volatile. Se non hanno esperienza nel lato della fornitura dell’azienda, non guadagnano la fiducia degli executive e non vengono promossi come trader. Se non hanno una certa affinità per il gioco d’azzardo, si stressano troppo nell’eseguire transazioni. A differenza dei quants di Wall Street, i trader di commodities spesso non hanno un background formale in probabilità e statistica. Per guadagnare fiducia, dobbiamo presentare un sistema che sia intuitivo, veloce e tocchi la loro convinzione che l’offerta e la domanda siano i principali driver dei grandi movimenti di mercato. Quindi, adottiamo un approccio “white box” in cui tutto è trasparente. Di solito c’è una fase di “appuntamento” in cui guardano a fondo sotto il cofano e li guidiamo attraverso il ragionamento del sistema. Una volta stabilita la fiducia, gli utenti non trascorrono più tempo a guardare a fondo, ma torneranno periodicamente per interrogare previsioni importanti o sorprendenti.

Come l’approccio di DecisionNext alla previsione consapevole del rischio aiuta le aziende non solo a reagire alle condizioni di mercato, ma anche a plasmare attivamente le loro strategie?

Il commercio di commodities non è limitato ai mercati. La maggior parte delle aziende ha solo un accesso limitato ai futures per coprire il proprio rischio. Un processore potrebbe acquistare una commodity elencata come materia prima (bestiame, forse), ma il suo output è anche una commodity volatile (carne) che spesso ha poca correlazione con gli input. Date le limitazioni strutturali di margine che le strutture costose devono operare vicino alla capacità, i processori sono costretti ad avere un piano strategico che si estende nel futuro. Ciò significa che non possono operare interamente nel mercato spot e devono contrattare in anticipo per acquistare materiali e vendere output. DecisionNext consente al processore di prevedere l’intero ecosistema di variabili di offerta, domanda e prezzo, e quindi simulare come le decisioni aziendali siano influenzate dalla gamma completa di esiti di mercato. Il trading cartaceo potrebbe essere un componente della strategia, ma la cosa più importante è capire gli impegni di materiali e vendite e le decisioni di elaborazione per garantire l’utilizzo della capacità. DecisionNext è progettata appositamente per questo.

Come persona con un profondo background scientifico, cosa ti entusiasma di più dell’intersezione tra scienza e AI nel trasformare settori tradizionali come le commodities?

L’economia comportamentale ha trasformato la nostra comprensione di come la cognizione influenzi le decisioni aziendali. L’AI sta trasformando il modo in cui possiamo utilizzare strumenti software per supportare la cognizione umana e prendere decisioni migliori. I guadagni di efficienza che saranno realizzati dall’automazione abilitata all’AI saranno sicuramente importanti dal punto di vista economico. Le aziende di commodities operano con margini molto sottili e costi del lavoro elevati, quindi presumibilmente trarranno grandi benefici dall’automazione. Oltre a ciò, credo che ci sia un’inefficienza nascosta nel modo in cui la maggior parte delle decisioni aziendali vengono prese tramite intuizione e regole empiriche. Le decisioni sono spesso basate su informazioni limitate e opache e su semplici strumenti di foglio di calcolo. Per me, il risultato più entusiasmante è che piattaforme come DecisionNext aiutino a trasformare il processo aziendale utilizzando l’AI e la simulazione per normalizzare il contesto e le decisioni consapevoli del rischio basate su dati trasparenti e ragionamento aperto.

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