TreeferaのCEO兼共同創設者ジョナサン・ホーン – インタビュー・シリーズ

ジョナサン・ホーン、TreeferaのCEO兼共同創設者は、テクノロジー・エントレプレナーであり、元投資銀行幹部で、リスク管理、人工知能、そして大規模なデータ分析における深い専門知識を持っています。Treeferaを2022年に創設する前に、彼は、JPモルガンとシティバンクでシニアリーダーとしての役割を果たし、リスク、データ、そして複雑な金融システムに焦点を当てていました。金融グレードのリスクモデリングのバックグラウンドを活かし、ホーンは、グローバル・サプライ・チェーンで最も根深い盲点の1つである「ファースト・マイル」を解決するためにTreeferaを立ち上げました。彼のリーダーシップの下で、同社は急速に成長し、企業が調達、環境リスク、コンプライアンス要件、運用的回復力についてリアルタイムの可視性を得ることを助ける、AI駆動のサプライ・チェーン・インテリジェンスの主要提供者となりました。

2022年にロンドンで創設された、Treeferaは、グローバル・コモディティ・サプライ・チェーンのファースト・マイルに透明性をもたらすことを目的とした、AIを活用したサプライ・チェーン・インテリジェンス・カンパニーです。同社の独自のデータ・ファブリックは、衛星画像、空間および時間データ、AIモデル、リスク・アナリティクスを組み合わせて、組織に調達、コンプライアンス、持続可能性、サプライ・チェーン・リスクに関するリアルタイムの洞察を提供します。同プラットフォームは、森林破壊の露出や炭素の影響など、さまざまなリスクをモニタリングすることを支援し、調達、財務、運用の意思決定をより情報に基づいたものにします。Treeferaは、断片化された環境およびサプライ・チェーン・データを実行可能なインテリジェンスに変換することで、増加する不安定性と規制のあるグローバル・エコノミーでサプライ・チェーンの回復力を強化することを目指しています。

あなたは、JPモルガンとシティバンクでのシニア・リスク、AI、データ・アナリティクスの役割の後、Treeferaを創設しました。企業が農業およびソフト・コモディティ・リスクを理解する方法における具体的なギャップを見たのは何ですか？Treeferaが存在する必要性を感じたのは何ですか？

自然に基づくコモディティは、世界貿易の2.1兆ドルを表していますが、リスク評価のためのデータは手動で収集され、遅れ、構造的に不正確でした。JPモルガンとシティバンクでのリスク・モデルの作業で、私は、価格と露出の決定が農業サプライ・チェーンのファースト・マイルで発生するデータに依存していることを確認しました。手で収集され、省略されやすく、現実から遅れていることが多かったです。サプライ・リスクの60%は、コモディティが港または取引所に到着する前に発生するファースト・マイルで発生しますが、そこが正確に可視化できる場所ではありませんでした。

Treeferaを構築することを決めたのは、2つの要素の収束でした。問題の規模と、それを解決するためのツールの到来です。衛星の解像度とカバレッジは、主要な生産地域のフィールド・レベルでの作物状態を観察するために、最小限のコストで到達しました。AIは、生の信号を金融的に解釈可能なものに変換することができるまでに成熟しました。誰もがこれらのドットを厳格な、科学第一の方法で接続していませんでした。企業は依然として、政府の報告書に基づいてリスクを価格設定していましたが、これらの報告書は現地の状況から数ヶ月遅れています。知識のあるギャップと知られているギャップは巨大でした。Treeferaはそのギャップに位置しています。

Treeferaは、AI駆動のインテリジェンス・プラットフォームとして説明されることが多いですが、あなたのアプローチは明示的にLLMに中心を置いていないようです。サプライ・チェーンにおける予測AIと現在会話を支配している生成AIシステムの違いを説明してください。

生成AIと大規模な言語モデルは、根本的に異なる問題を解決します。これらは生産性ツールであり、繰り返しのタスクを簡素化するために非常に役立ちます。商業的な課題は、これらのシステムの採用です。人々が仕事のやり方を変えるようにする必要があります。これは、市場教育の問題であり、科学的な問題ではありません。

Treeferaは、科学的な問題を金融グレードの精度要件で解決するためにAIを使用します。私たちのディープ・ラーニング・モデルは、衛星画像、気候信号、作物生物学を解釈して、資本配置の決定に十分な精度の収穫量と生産面積の予測を生成するようにトレーニングされています。私たちが答えるべき質問は、「この文書は何を言っているのですか？」ではなく、「この地域は3ヶ月後に何を生産するでしょうか？それについてどれだけ自信を持つべきですか？」これらは同じクラスの問題ではなく、同じクラスのモデルが必要ではありません。LLMは言語に最適化されていますが、私たちのモデルは物理世界の解釈に最適化されています。これら2つを混同すると、問題に対して適切なツールを適用しないことになります。

多くのAI企業は、より良いパフォーマンスにはより多くのコンピューティング、より大きなモデル、GPUへのアクセスが必要であると主張しています。Treeferaは、この仮定に異議を唱えています。「節約コンピューティング」が実践では何を意味するのか、また適用されたAIにとってなぜ重要なのかを説明してください。

AIにおける一般的な仮定は、スケールがパフォーマンスを意味するというものです。より多くのパラメータ、より多くのGPU、より多くのクラウド・インフラストラクチャ。しかし、ドメイン・スペシフィックなコンテキストにおける適用されたAIの場合、この仮定は誤りであり、不必要なコストとエネルギーの浪費につながります。

実践では、節約コンピューティングは私たちにとって3つのことを意味します。まず、コンピューティングと時間を切り離します。私たちの多くの処理タスクは、特定の秒で発生する必要はありません。常に稼働しているインフラストラクチャではなく、ネットワークの余裕がある期間にコンピューティングを借ります。

2番目に、ワークロードを分散します。単一のクラウド・ハブを介してすべてのものをルーティングするのではなく、利用可能なノードのネットワーク、ブロックチェーン・インフラストラクチャを含む、を介して分散します。特定の期間にアイドル・キャパシティが重要です。如果ノードが非効率的になる場合、タスクは動的に再ルーティングされます。

3番目に、ハードウェアを適切なサイズにします。私たちはNVIDIA (NVDA ) AG6を使用します。トップ・ティアのチップではなく、私たちのワークロードではパフォーマンスは同等ですが、エネルギーとコストは大幅に削減されます。精度が重要な理由は、節約コンピューティングが必要な計算についての規律を強制することです。その結果、より薄い、より解釈可能なモデルが生まれます。金融および運用上の意思決定者が実際に使用できるようなモデルです。彼らはより大きなモデルが必要ではありません。より正確な答えが必要です。

あなたのプラットフォームは、常にオンのクラウド・インフラストラクチャに依存せずに、作物収穫量、土地利用、サプライ・リスクに関する予測結果を提供することが報告されています。コンピューティングと時間を切り離しながら、商業的に有用な、ニア・リアルタイムのインテリジェンスをどのように提供するのですか？

ニア・リアルタイムのインテリジェンスと継続的なコンピューティングは、同じものではありません。私たちの顧客は、毎週更新される予測が必要です。コンピューティングが継続的に実行されている必要はありません。

私たちは、データの自然なリズムに処理サイクルをマッピングします。衛星画像は一定の周期で到着します。天気の入力は一定の周期で更新されます。私たちのモデルが答える分析的な質問も、周期によって駆動されます。特定の地域の収穫量のトラジェクトリーは何ですか？今週、植え付けられた面積に何が変化しましたか？私たちは、データ・ウィンドウに対してコンピューティング・ジョブを事前にスケジュールし、低需要期間中に分散されたインフラストラクチャから容量を借ります。顧客への出力は、現在、実行可能、モデルが準備できている週次データ・フィードです。インフラストラクチャは、実行するべきものがある場合にのみ実行されます。このアーキテクチャは、信頼性も高くなります。単一の常にオンのサーバーに単一の障害点があるよりも、障害点を回避する分散ワークロードが信頼性が高いからです。

農業およびソフト・コモディティ・マーケットは、依然として遅れた、調査に基づいた、または断片化されたデータに大きく依存しています。企業、銀行、保険会社、トレーダーが公式の報告書が出る前にリスクを評価する方法を、AIはどのように変えますか？

調査に基づく報告書の構造的な問題は、設計上、後ろ向きであるということです。政府機関がサプライ・エスティメートを公開するまでに、裏付けとなる物理条件はすでに数週間または数ヶ月遅れています。公式のデータに基づいて動く市場は、歴史に反応しています。

AIは、調査から直接観察への情報源の移行によってこれを変えます。衛星画像、気候信号、作物開発データは、報告書がコンパイルされ公開される6週間後にではなく、現在利用可能です。私たちのモデルが行うことは、この物理データを、トレーダー、保険者、分析家が実際に使用する金融言語に翻訳することです。収穫量の予測、生産面積の推定、ストレス・スコアが含まれます。これらは、価格や公式のデータが出る前に、サプライ・エクスポージャーのリスクを量化するために使用されます。

2022年、私たちの米国コーン・モデルは、USDAが発表する5週間前に収穫量の下方修正を示しました。2025年1月、私たちのモデルはガーナのカカオ・ベルトでストレス・スコア0.76を示しました。COCOBODは、6月までにその年の予測を修正しませんでした。情報の優位性は、わずかなものではありません。それは構造的なものです。依然として公式の報告書を待ってサプライと価格の決定を行っている企業は、カウンターパーティーが共有しない遅れで動作しています。

サプライ・チェーンの「ファースト・マイル」は、従来、グローバル企業にとって最も非透明な領域の1つでした。特に気候の変動、規制、地政学的不確実性が増加する中で、ファースト・マイルの可視性が今なぜ重要になっているのですか？

3つの力が収束し、それぞれが個別に重要です。

気候の変動は、生産のショックの頻度と重大性を、オリジンで増加させています。同じ気象イベントは、作物システムがよりストレスを受けていることと、極端なイベントが歴史的な平均から予測されることが少なくなったことから、サプライ・リスクに大きな影響を与えるようになりました。歴史的な規範に基づいて構築された線形リスク・モデルは、気候の変動を扱うために構造的に不適切です。リアルタイムの物理観測が必要です。

規制は、ファースト・マイルで起こることと企業が販売またはファイナンスできることの間に直接の責任のリンクを生み出しています。EUDR、CSRD、TCFDなどのフレームワークでは、企業は証拠をもって、コモディティの原産地と原産地の条件を知る必要があります。「サプライヤーを信頼していた」というのは、もう防御可能な立場ではありません。その責任は、調達における透明性と起源の要件を推進しています。

地政学的混乱により、単一の地域がグローバル・サプライの支配的なシェアを占め、そしてその地域が政治的または物理的に信頼できない場合、企業はファースト・マイルの可視性がなければ、早期警告メカニズムを持っていません。市場がすでに価格を再評価したときに、それを知ることになります。

データ・エコシステム自体に、より広範な変化が起こっています。Google (GOOGL ) Earth AIのパン・トロピカル・コモディティ・マップの最近の発表 – ココア、コーヒー、オイル・パーム、ゴムのための年間10メートルの作物フットプリントを公開データとしてリリース – では、どこへ向かっているかを示す有用な指標です。物理世界は、空間から読み取れるようになっています。サプライ・チェーンの透明性に対する需要は、すでに大規模な投資を引き付けるほど主流になっています。Treeferaはそれを歓迎します。より豊かな基礎データ・レイヤーは、全体の市場の底を上げ、より良い情報が可能であるという共有の認識を生み出します。

オープン・ディスカバリー・マップはインテリジェンス・ギャップを埋めることはできません。作物がどこに植えられているかを知ることは、シーズンの進行状況や原産地の条件がサプライ・エクスポージャーに与える影響、またはポートフォリオがリスクにさらされている場所を知ることとは異なります。観察から金融グレードの洞察への翻訳は、Treeferaが構築されているものです。

ファースト・マイルの無知は、世界がより予測可能だったときは、商業的に容認可能でした。そうではなくなりました。

あなたの顧客ベースには、JPモルガン、Microsoft (MSFT ) 、Bayer、Anewなどの主要企業が含まれています。企業がTreeferaを使用して解決しようとしている最も一般的な問題は、コンプライアンス、サプライ・リスク、予測、持続可能性、調達、またはその他のものですか？

企業が私たちに持ってくる核心的な問題は、同じものです。彼らは、農業サプライ・チェーンのファースト・マイルで起こることに対して、重大な金融的エクスポージャーを持っていますが、信頼できるメカニズムでそれを見ることができません。特定のフレーミングは、セクターによって異なります。

トレーダーやコモディティ・エクスポージャーを持つ金融機関にとって、質問は情報の優位性です。価格や公式のデータが出る前にサプライの変化を見ます。農業の貸し手や保険者にとって、質問はリスク評価です。彼らは、直接観察できない条件によって支配される運用を裏付けまたはファイナンスしています。持続可能性やコンプライアンスの義務を持つ企業にとって、質問は証拠です。サプライ・チェーンが規制やカウンターパーティーが要求する基準を満たしていることを、防御可能なデータで証明する必要があります。

従来の答え – サプライヤーを信頼し、政府の報告書を待ち、コンセンサス・エスティメートを購入する – は、もう十分ではありません。必要な精度とスピードは、パブリック・データ・エコシステムには存在しません。それはファースト・マイルに存在します。

Treeferaは、6倍の年間成長率、0%の顧客離れ率、2年間でオーバーサブスクライブされたシリーズBを報告しています。このような採用レベルは、精密で効率的で運用上の根拠のあるAIシステムに対する企業の需要について何を示唆していますか？

顧客離れ率0%は、最も物語的な信号です。収益成長は商業的実行を反映します。顧客離れ率0%は、製品市場のフィットを反映します。1シーズンの完全なデータを使用し、自社のモデルとバックテストし、決定を下した顧客が更新した場合、それはシグナルが実際に存在し、運用を変えていることを示しています。

これはまた、企業が精密で、監査可能で、運用的に統合可能なAIに対する未満の需要があることを示しています。サプライ・チェーンとリスクの専門家は、リスク委員会で立ち往生することができる、不確実性間隔が指定された予測が必要です。企業はそれを優先します。オーバーサブスクライブされた資金調達は、投資家が同じダイナミクスを認識していることを反映しています。市場は大きく、問題は構造的であり、既存のデータ・インフラストラクチャはそれを解決するように構築されていませんでした。

今後、適用されたAIの次の段階は、モデル・スケールではなく、運用的効率、ドメイン・スペシフィック・データ、測定可能なビジネス・アウトカムによって定義されるでしょうか？

はい、その証拠はすでにあります。

大規模なAIは、生のスケールで解決できるものの限界に達しています。パラメータを追加しても、基礎となるデータが粗い、遅れた、または地理的に不一致な場合、収穫量の予測は改善されません。コンピューティングの限界は、モデル・サイズではなく、データの品質とドメインの精度がボトルネックである場合に減少します。

次の段階は、ドメイン・スペシフィックなトレーニング・データ、適切なサイズのモデル、検証可能な出力によって定義されます。農業、金融、サプライ・チェーンなどの分野で、意思決定が金融的および運用上の結果をもたらす場合、質問は「モデルはどれくらい大きいですか？」ではなく、「答えはどれくらい信頼できますか？それに基づいてどれくらい迅速に行動できますか？」です。スケールだけではそれに答えることができません。次の5年間で適用されたAIをリードする会社は、物理世界への独自のデータ・パイプラインを構築し、適切な科学的厳格さでモデルをトレーニングし、ライブ・コンディションで測定可能な精度を実証しました。技術は、ますますコモディティ化しています。データとドメインの専門知識はそうではありません。

素晴らしいインタビュー、ありがとうございます。詳しく知りたい読者は、Treeferaを訪けてください。