Treefera의 Jonathan Horn CEO 및 공동 창립자 – 인터뷰 시리즈

Jonathan Horn, Treefera의 CEO이자 공동 창립자는 기술 기업가이자 전 투자 은행 경영진으로서 위험 관리, 인공 지능, 대규모 데이터 분석에 대한 전문 지식을 보유하고 있습니다. Treefera를 2022년에 설립하기 전에 그는 J.P. Morgan과 Citigroup에서 선임 경영직을 맡았으며 위험, 데이터, 복잡한 금융 시스템에 중점을 두었습니다. 금융 등급의 위험 모델링 배경을 활용하여 Horn은 Treefera를 설립하여 글로벌 공급망에서 가장 지속적인 맹점 중 하나인 “첫 마일”을 해결하기 위해 설립했습니다. 그의 리더십 아래, 회사 는 빠르게 성장하여 기업들이 원재료 출처, 환경 위험, 규제 요구 사항, 운영 탄력성에 대한 실시간 가시성을 얻는 데 도움을 주는 AI 기반 공급망 인텔리전스 제공업체가 되었습니다.

2022년 런던에서 설립된 Treefera는 첫 번째 마일의 글로벌 商品 공급망에 대한 투명성을 제공하는 AI 기반 공급망 인텔리전스 회사입니다. 자체 데이터 패브릭은 위성 이미지, 공간 및 시간 데이터, AI 모델 및 위험 분석을 결합하여 조직이 원재료 출처, 환경 위험, 지속 가능성 및 공급망 위험에 대한 실시간 통찰력을 제공합니다. 이 플랫폼은 기업들이 산림 파괴 노출 및 탄소 영향과 같은 모든 것을 모니터링할 수 있도록 도와줍니다. 商品 원재료 위험, 이를 통해 조달, 재무, 운영에 대한 더 나은 의사결정을 가능하게 합니다. Treefera는 조각난 환경 및 공급망 데이터를 행동할 수 있는 지능으로 변환하여 공급망 탄력성을 강화하는 것을 목표로 합니다.

Treefera를 설립하기 전에 J.P. Morgan과 Citi에서 위험, AI, 데이터 분석에 대한 선임 역할을 맡았습니다. 농업 및 부드러운 商品 위험을 이해하는 기업에서 어떤 구체적인 간격을 보았나요? 그것은 Treefera가 존재해야 하는 것을 확신시켰나요?

자연 기반 商品은 세계 무역의 2.1조 달러를 대표하지만, 그 자산에 대한 위험 평가를 뒷받침하는 데이터는 수동적이고, 지연되며, 구조적으로 부정확했습니다. J.P. Morgan과 Citi에서 위험 모델을 작업할 때,私は첫 번째 마일의 商品 공급망에서 수집된 데이터에 의존하는 가격 및 노출 결정을 보았습니다. 그 데이터는 수동으로 수집되어 누락되기 쉽고 종종 현실보다 몇 주 또는 몇 개월 뒤처졌습니다. 60%의 공급 위험은 첫 번째 마일에서 발생하며, 商品이 항구 또는 거래소에 도달하기 전에 발생합니다. 그러나 그곳은 가시성이 가장 얇은 곳이었습니다.

Treefera를 구축하도록 설득한 것은 두 가지 요소의 수렴이었습니다. 문제의 규모와 도전할 수 있는 도구의 도착이었습니다. 위성 해상도와 커버리지로 주요 생산 지역의 필드 수준에서 작물 상태를 관찰할 수 있게 되었습니다. AI는 원시 신호를 금융적으로 해석할 수 있는 수준으로 성숙했습니다. 아무도 그 점을 엄격하고 과학적으로 연결하지 않았습니다. 기업들은 여전히 정부 보고서에 따라 위험을 가격으로 책정하고 있었으며, 그 보고서는 현지 현황보다 몇 개월 뒤처졌습니다. 국가 평균은 지역 변화를 가렸으며, 선형 모델은 기후 변동성을 처리할 수 없었습니다. 알 수 있는 것과 알려진 것 사이의 간격은 엄청났습니다. 그 간격이 Treefera가 존재하는 곳입니다.

Treefera는 종종 AI 기반 인텔리전스 플랫폼으로 묘사되지만, 접근 방식은 명시적으로 LLM에 중심을 두지 않습니다. 예측 AI와 현재 대화에서 지배적인 생성 AI 시스템 사이의 차이를 설명해 주시겠습니까?

생성 AI와 대규모 언어 모델은 근본적으로 다른 문제를 해결합니다. 그것들은 생산성 도구입니다. 매우 유용한 반복적인 작업을 단순화하는 데 사용됩니다. 상업적인 도전은 채택입니다. 사람들을 작업 방식을 변경하도록 설득하는 것입니다. 그것은 시장 교육 문제입니다. 과학적인 문제가 아닙니다.

Treefera는 과학적인 문제를 해결하기 위해 AI를 사용합니다. 우리의 딥 러닝 모델은 위성 이미지, 기후 신호 및 작물 생물학을 해석하여 자본 할당 결정을 информ하는 정확한 수확 및 생산 지역 예측을 생성하도록 훈련되었습니다. 우리가 대답하는 질문은 “이 문서는 무엇을 말합니까?”가 아닙니다. “이 지역은 3개월 후에 무엇을 생산할 것인가? 그리고 얼마나 확신할 수 있습니까?”라는 것입니다. 그것은 같은 문제 클래스가 아닙니다. 동일한 모델 클래스가 필요하지 않습니다. LLM은 언어를 위해 최적화되었습니다. 우리의 모델은 물리적 세계 해석을 위해 최적화되었습니다. 두 가지를 혼동하면 문제를 해결하기 위해 잘못된 도구 클래스를 적용하게 됩니다.

많은 AI 회사들은 더 나은 성능을 위해 더 많은 컴퓨팅, 더 큰 모델 및 더 많은 GPU 액세스가 필요하다고 주장합니다. Treefera는 그 가정을 도전하는 것으로 보입니다. “검소한 컴퓨팅”이란 무엇이며, 적용된 AI에 대해 왜 중요합니까?

AI의 일반적인 가정은 규모가 성능을 의미한다는 것입니다. 더 많은 매개 변수, 더 많은 GPU, 더 많은 클라우드 인프라. 도메인별 contexto에서 적용된 AI의 경우, 그 가정이 잘못되며, 불필요한 비용과 에너지 낭비를 초래합니다.

실제로 “검소한 컴퓨팅”은 세 가지를 의미합니다. 첫째, 우리는 컴퓨팅을 시간과 분리합니다. 대부분의 처리 작업은 특정 시간에 발생할 필요가 없습니다. 항상 켜져 있는 인프라를 실행하는 대신, 우리는 네트워크 용량이 넘치는 기간을 식별하고 그 기간 동안 컴퓨팅을 빌립니다.

둘째, 우리는 작업을 분산합니다. 모든 것을 단일 클라우드 허브를 통해 라우팅하는 대신, 우리는 사용 가능한 노드 네트워크를 통해 분산하며, 특정 기간에 상당한 여유 용량을 갖는 블록체인 인프라를 포함합니다. 노드 중 하나가 비효율적으로 되면 작업은 동적으로 다시 라우팅됩니다.

셋째, 우리는 하드웨어를 올바르게 크기 조정합니다. 우리는 작업에 해당하는 성능을 제공하는 NVIDIA (NVDA ) AG6와 같은 하드웨어를 사용합니다. 에너지와 비용의 상당한 부분입니다. 이유는 효율성 외에도 정밀도와 관련이 있습니다. 검소한 컴퓨팅은 실제로 필요한 계산에 대한 kỷ律을 강요합니다. 그것은 더 얇고, 더 해석 가능한 모델을 생성합니다. 금융 및 운영 의사 결정자가 실제로 사용할 수 있는 모델입니다. 더 큰 모델이 필요하지 않습니다. 더 정확한 답이 필요합니다.

Treefera는 항상 켜져 있는 클라우드 인프라에 의존하지 않고 작물 수확, 토지 이용, 공급 위험에 대한 예측 출력을 제공한다고 보고되었습니다. 어떻게 시간과 컴퓨팅을 분리하면서 여전히 상업적으로 유용한 근 실시간 인텔리전스를 제공합니까?

근 실시간 인텔리전스와 지속적인 계산은 같은 것이 아닙니다. 고객은 매주 업데이트된 예측을 필요로 합니다. 그들이 예측을 생성하는 컴퓨팅이 지속적으로 실행될 필요는 없습니다.

우리는 처리 주기를 데이터의 자연적 리듬에 매핑합니다. 위성 이미지에는 카덴스가 있습니다. 날씨 입력은 카덴스를 업데이트합니다. 우리 모델이 답변하는 분석 질문도 카덴스 주도입니다. 예를 들어, 이 지역의 수확 트레이저리는 무엇이며, 이 주에 심은 지역이 어떻게 변경됩니까? 따라서 우리는 데이터 창에 대한 컴퓨팅 작업을 예약하고, 낮은 수요 기간 동안 분산 인프라에서 용량을 빌립니다. 고객에게 제공되는 출력은 현재, 행동할 수 있는, 모델이 준비된 주간 데이터 피드입니다. 기반 인프라는 의미 있는 것을 처리할 때만 실행됩니다. 이러한 아키텍처는 또한 더 탄력성 있습니다. 실패한 노드를 경유하는 분산 작업은 단일 항상 켜져 있는 서버보다 더 신뢰할 수 있습니다.

농업 및 부드러운 商品 시장은 여전히 지연된, 조사 기반 또는 조각난 데이터에 크게 의존합니다. AI는 공식 보고서에 나타나기 전에 公司, 은행, 보험사 및 거래자가 위험을 평가하는 방법을 변경합니다.

조사 기반 보고의 구조적 문제는 설계에 의해 후향적이라는 것입니다. 정부 기관이 공급 추정을 발표할 때, 그 추정의 물리적 조건은 이미 몇 주 또는 몇 개월 전의 것입니다. 그 데이터에 반응하는 시장은 역사에 반응합니다.

AI는 정보 출처를 조사에서 직접 관찰로 변경하여 이를 변경합니다. 위성 이미지, 기후 신호 및 작물 개발 데이터는 지금 사용할 수 있으며, 6주 후에 컴파일되고 발표되는 보고서에는 없습니다. 우리의 모델이 하는 일은 물리적 데이터를 실제로 사용하는 거래자, 언더라이터 및 분석가가 사용하는 금융 언어로 번역하는 것입니다. 수확 예측과 불확실성 간격, 생산 지역 추정과 주간 업데이트가 포함됩니다. 스트레스 점수는 가격에 나타나기 전에 원천에서 위험을 양자화합니다.

2022년 우리의 미국玉米 모델은 USDA가 발표하기 5주 전에 하향 수정을 표시했습니다. 2025년 1월, 우리의 모델은 가나의 카카오 벨트에서 0.76의 스트레스 점수를 표면화했습니다. COCOBOD는 6월까지 계절 예측을 수정하지 않았습니다. 정보 우위는 주변 우위가 아닙니다. 구조적 우위입니다. 공식 보고서를 기다리는 기업은 아직 공유하지 않은 지연을 운영할 수 있습니다.

공급망의 “첫 마일”은 역사적으로 글로벌 기업들에게 가장 투명하지 않은 영역 중 하나였습니다. 기후 변동성, 규제, 지리 정치적 불확실성이 증가함에 따라 첫 마일의 가시성이 왜 지금 इतन 중요해졌나요?

세 가지 힘이 수렴하고 있으며, 각 힘이 개별적으로 중요합니다.

기후 변동성은 원천에서 생산 충격의 빈도와 심각성을 증가시킵니다. 동일한 날씨 이벤트는 이제 역사적 평균에서보다 더 큰 공급 영향을 미칩니다. 작물 시스템은 더 스트레스를 받고 극단적인 이벤트는 역사적 평균에서 예측하기 어렵습니다. 선형 위험 모델은 역사적 규범에 기반하여 구조적으로 기후 변동성을 처리할 수 없습니다. 실제로 필드에서 발생하는 것을 볼 수 있는 실시간 물리적 관찰이 필요합니다.

규제는 첫 번째 마일에서 발생하는 일과 기업이 판매하거나 자금을 조달할 수 있는 것 사이에 직접적인 책임 링크를 생성합니다. EUDR, CSRD, TCFD와 같은 프레임워크는 기업이 증거와 함께 商品의 원천과 원천 조건을 알 수 있어야 합니다. “우리는 공급업체를 신뢰했습니다”는 더 이상 방어 가능한 위치가 아닙니다. 그 책임은 추적 가능성과 출처를 조달의 선호도에서 법적 요구 사항으로 밀어냅니다.

지리 정치적 혼란으로 인해 단일 지역 의존성이 이사회 위험으로 바뀌었습니다. 한 지역이 商品의 글로벌 공급의 지배적 공유를 차지할 때 그 지역이 정치적 또는 물리적으로 신뢰할 수 없게 되면, 첫 번째 마일의 가시성이 없는 기업은 초기 경보 메커니즘을 찾을 수 없습니다. 그들은 이미 시장에서 재가공된 후에 알게 됩니다.

데이터 생태계 자체에서 더 넓은 변화가 발생하고 있습니다. Google (GOOGL ) Earth AI의 최근 출시된 판-열대 商品 지도 – 카카오, 커피, 오일 팜, 고무를 위한 연간 10미터 작물 발자국 – 오픈 데이터로 출시되었습니다. 이것은 어디로 향하는지에 대한 유용한 지표입니다. 물리적 세계는 점점 더 공간에서 읽을 수 있습니다. 공급망 투명성에 대한 수요는 이미 대규모 기술 투자를 आकर들이기에 충분히 주류가 되었습니다. Treefera는 이를 환영합니다. 더 풍부한 기초 데이터 계층은 전체 시장의 바닥을 높이고, 더 나은 정보가 가능하다는 인식을 공유합니다.

개방형 발견 지도는 지능 격차를 메우지 못합니다. 작물이 어디에 심어졌는지 알 수는 있지만, 이번 시즌이 어떻게 진행되고 있는지, 원천 조건이 공급 노출에 무엇을 의미하는지, 포트폴리오가 어디에서 위험에 처해 있는지 알 수는 없습니다. 관찰에서 금융 등급의 통찰력으로의 번역은 Treefera가 구축된 것입니다.

첫 번째 마일의 무지는 이전에는 상업적으로 용인될 수 있었습니다. 더 이상 용인될 수 없습니다.

Treefera의 고객에는 J.P. Morgan, Microsoft (MSFT ), Bayer 및 Anew와 같은 주요 조직이 포함됩니다. 기업들이 Treefera와 함께 해결하려고 하는 가장 일반적인 문제는 무엇입니까? 규제, 공급 위험, 예측, 지속 가능성, 조달, 또는 다른 것입니까?

核心 문제는 기업이 첫 번째 마일의 농업 공급망에 대한 중요한 금융 노출을 가지고 있으며, 그것을 볼 수 있는 신뢰할 수 있는 메커니즘이 없다는 것입니다. 구체적인 프레이밍은 섹터마다 다르지만, 공통된 문제는 있습니다.

거래자 및 商品에 노출된 금융 기관의 경우, 정보 우위가 문제입니다. 가격 또는 공식 데이터에 나타나기 전에 공급 변화를 볼 수 있습니다. 농업 대출 및 보험의 경우, 위험 평가입니다. 그들은 관찰할 수 없는 조건에 의해 직접 규정되는 작업을 보증하거나 자금을 조달하고 있습니다. 지속 가능성 또는 규제 의무가 있는 기업의 경우, 증거的问题입니다. 규제 기관 및 대응자들이 이제 요구하는 기준을 충족하는 공급망을 증명하는, 방어 가능한 데이터입니다.

전통적인 답변 – 공급업체를 신뢰하십시오, 정부 보고서를 기다리십시오, 합의 추정치를 구입하십시오 – 더 이상 충분하지 않습니다. 필요한 정확도와 속도는 공공 데이터 생태계에 존재하지 않습니다. 첫 번째 마일에 존재합니다.

Treefera는 6배의 연간 성장, 0의 이탈, 2년 내에 과잉 등록된 시리즈 B를 보고했습니다. 이러한 수준의 채택은 정밀성, 효율성, 운영 기반의 AI 시스템에 대한 기업의 수요를 나타내는 것입니까? 규모가 아니라?

이탈이 0인 것은 가장 중요한 신호입니다. 수익 성장은 상업적 실행을 반영할 수 있습니다. 이탈이 0인 것은 제품-시장 적합성을 반영합니다. 전체 시즌 동안 데이터를 사용하고, 자신의 모델과 백 테스트하고, 그에 따라 결정했으며, 갱신한 고객은 신호가 실제이고 운영 방식을 변경하고 있음을 알려줍니다.

또한 대규모 일반 모델과 생성 도구로 가중된 풍경에서 정밀성, 감정 가능성, 운영 통합 가능성이 있는 AI에 대한 상당한 미충족 수요를 나타냅니다. 공급망 및 위험 전문가는 위험위원회에서 지지할 수 있는 불확실성 간격이 있는 예측이 필요합니다. 그 기준을 충족할 때 기업은 이를 우선시합니다. 과잉 등록된 자금 조달은 투자자의 동일한 역학을 인식합니다. 시장은 크고, 문제는 구조적이며, 기존 데이터 인프라는 이를 해결하도록 설계되지 않았습니다.

앞으로, 적용된 AI의 다음 단계는 모델 규모가 아니라 운영 효율성, 도메인별 데이터 및 측정 가능한 비즈니스 결과에 의해 정의될 것으로 생각합니까?

예, 그리고 증거는 이미 나타나고 있습니다.

대규모 AI는 원시 규모가 해결할 수 있는 한계에 도달하기 시작했습니다. 모델 크기를 추가하면 데이터가 粗く, 지연되거나 지리적으로 잘못 정렬된 경우에는 작물 수확 예측을 개선하지 않습니다. 데이터 품질과 도메인 정밀도가 아니라 모델 크기라는 점에서 컴퓨팅의 주된 가치는 감소하고 있습니다.

다음 단계는 도메인별 교육 데이터, 올바른 크기의 모델 및 검증 가능한 출력으로 정의될 것입니다. 농업, 금융, 공급망과 같은 분야에서, 의사 결정은 금융 및 운영 결과를 초래하므로, “이 모델은 얼마나 큰가?”라는 질문은 중요하지 않습니다. “답은 얼마나 신뢰할 수 있습니까? 그리고 얼마나 빨리 행동할 수 있습니까?”라는 질문입니다. 규모만으로는 그것을 대답할 수 없습니다. 다음 5년 동안 적용된 AI를 이끌 기업은 물리적 세계로의 자체 데이터 파이프라인을 구축하고, 해당 데이터에서 모델을 훈련시키고, 생존 조건에서 측정 가능한 정확도를 입증할 것입니다. 기술은 점점 더 상품이 됩니다. 데이터와 도메인 전문 지식은 그렇지 않습니다.

멋진 인터뷰에 감사합니다. 더 많은 것을 배우고 싶은 독자는 Treefera를 방문해야 합니다.