Robert Pierce, DecisionNext의 공동 창립자 및 최고 과학 책임자 – 인터뷰 시리즈

Bob Pierce, PhD는 DecisionNext의 공동 창립자이자 최고 과학 책임자입니다. 그의 연구는 새로운 시장과 산업에 고급 수학적 분석을 적용하여 기업의 전략적 의사 결정 방식을 개선했습니다. DecisionNext 이전에 Bob은 SignalDemand의 최고 과학자로 일했으며 제조업체를 위한 솔루션의 과학을 지도했습니다. Bob은 Khimetrics (현재 SAP)와 ConceptLabs의 선임 연구 및 개발 직책을 맡았으며, 국립 과학 아카데미, 펜실베니아 주립 대학교, 캘리포니아 대학교 버클리에서 학술 직책을 맡았습니다. 그의 연구는 재료 및 제조를 포함한 다양한 산업에 걸쳐 있으며, 경제 측정학, 해양학, 수학, 비선형 역학 분야에 기여했습니다. 그는 수많은 특허를 보유하고 있으며, 여러 편의 심사된 논문을 저술했습니다. Bob은 캘리포니아 대학교 버클리에서 이론 물리학 박사 학위를 받았습니다.

DecisionNext는 2015년에 설립된 데이터 분석 및 예측 회사로, AI 기반 가격 및 공급 예측을 전문으로 합니다. 이 회사는 전통적인 “블랙 박스” 예측 모델의 한계를 해결하기 위해 설립되었습니다. 이 모델은 종종 투명성과 행동할 수 있는 통찰력을欠했습니다. AI와 기계 학습을 통합함으로써 DecisionNext는 비즈니스에 시장과 비즈니스 위험에 영향을 미치는 요인에 대한 더 나은 가시성을 제공하여 정보에 기반한 의사 결정을 내릴 수 있도록 합니다. 이 플랫폼은 공급망 전체에서 예측 정확성을 개선하여 고객이 직관에 기반한 의사 결정을 넘어설 수 있도록 설계되었습니다.

DecisionNext를 설립한 원래 아이디어 또는 영감은 무엇이었나요? 그리고 당신의 이론 물리학 배경과 다양한 산업에서의 역할은 이 비전을 어떻게 형성했나요?

제 동료 Mike Neal과 저는 이전 회사에서 소매 업체와 재료 처리 업체를 위한 최적화 및 예측 솔루션을 제공하는 많은 경험을積累했습니다. 그 경험에서 얻은 두 가지 주요 교훈은 다음과 같습니다.

1. 사용자는 예측과 솔루션이 어디에서 왔는지 이해한다고 믿어야 합니다.
2. 사용자는 생각하는 것과 실제로 발생할 가능성이 다르다는 것을 구분하는 것이 매우 어렵습니다.

이 두 가지 개념은 인간 인지와 소프트웨어 문제 해결을 위한 프레임워크를 생성하는 데 깊은 뿌리를 가지고 있습니다. 인간의 마음은 확률을 계산하는 데 좋지 않다는 것은 잘 알려져 있습니다. 물리학자로서 저는 불확실성에 대한 개념적 프레임워크를 생성하고 분산 컴퓨팅 플랫폼을 구축하여 이를 탐색하는 방법을 배웠습니다. 이것이 고객이 불확실성에 직면하여 더 나은 의사 결정을 내릴 수 있도록 도와주는 우리의 솔루션의 기술적 기초입니다.

최고 과학 책임자로의 전환은 DecisionNext의 일일 초점과 장기 비전에 어떻게 영향을 미쳤나요?

최고 과학 책임자로의 전환은 고객에게 가치를 제공하는 제품에 대한 초점을 다시 설정하는 것을 의미했습니다. 이 과정에서 저는 다른 사람에게 더 잘 처리될 수 있는 일일 엔지니어링 책임을 일부 방출했습니다. 우리는 항상 기능과 아이디어를 개선하기 위한 긴 목록을 가지고 있으며, 이 역할은 저에게 새로운 접근 방식을 연구하기 위한 더 많은 시간을 제공합니다.

재료 시장은 AI 및 기계 학습 솔루션의 채택에 특히 적합하거나 저항하는 고유한 도전을 제시합니다. 이러한 도전은 무엇인가요?

재료 시장의 모델링은 구조적 및 확률적 특성의 매혹적인 혼합을 제시합니다. 이것을 물리적 및 종이 거래를 위한 계약을 작성하고 생산에서 재료를 사용하는 방법의 무수한 방식과 결합하면, 매우 풍부하고 복잡한 분야가 됩니다. 그러나 수학은 주식 세계보다 훨씬 덜 발전되었습니다. AI와 기계 학습은 모델링을 더 효율적으로 만드는 방법을 찾고 사용자가 복잡한 결정을 내리도록 도와줌으로써 이러한 복잡성을 해결하도록 도와줍니다.

DecisionNext는 기계 학습 모델의 사용과 재료 의사 결정에 중요한 인간 전문 지식을 어떻게 균형 있게 조합하나요?

기계 학습은 끊임없이 발전하고 있지만, 여전히 맥락과 인과관계에 어려움을 겪고 있습니다. 우리의 경험은 모델링의某些 측면에서 인간 전문 지식과 감독이 여전히 필수적임을 보여줍니다. 고객은 일반적으로 시장 기본 요소를 통해 시장에 대한 시각을 갖습니다. 모델이 이러한 信念을 반영하지 않으면(무감독 모델은 종종 그렇지 않습니다), 고객은 모델을 신뢰하지 않습니다. 결정적으로, 사용자는 신뢰할 수 없는 모델을 일일 의사 결정 프로세스에 통합하지 않습니다. 따라서 모델이 직관에 반하는 경우에도 정확한 기계 학습 모델은 거의 사용되지 않습니다.

재료 예측에서 혁신을 일으킬 수 있는 특정 AI 또는 데이터 과학의 돌파구가 있나요? DecisionNext는 이러한 변화에 어떻게 대비하고 있나요?

기능적 LLM의 출현은 비즈니스 의사 결정의 구조에 완전히 침투하기까지 오랜 시간이 걸릴 것입니다. 모델 자체의 발전 속도는 여전히 놀랍고 따라가기 어렵습니다. 그러나 저는 우리가 비즈니스 프로세스에 AI를 통합하는 최선의 방법을 이해하기 시작한 단계에 있다고 생각합니다. 대부분의 문제는 복잡한 제약 조건을 갖는 최적화 문제로 구성될 수 있습니다. 비즈니스 프로세스 내의 제약 조건은 종종 문서화되지 않았으며 엄격하게 적용되는 것이 아니라 맥락적으로 적용됩니다. 저는 이 분야가 AI를 위한巨大한 잠재적인 기회라고 생각합니다. 이는 역사적 데이터에서 암시적 제약 조건을 발견하고 맥락적 최적화 문제를 생성 및 해결하는 데 도움이 될 수 있습니다.

해양학, 경제 측정학, 비선형 역학 등 다양한 분야에서 얻은 통찰력은 어떻게 재료 예측 문제를 해결하는 데 기여하나요?

제 다양한 배경은 제 연구에 세 가지 방식으로 영향을 미칩니다. 첫째, 제 연구의 폭은 제 자신을 특정 분야에 너무 깊이 빠지지 않도록 막았습니다. 저는 다양한 학문에 노출되어 있으며, 모두 활용할 수 있습니다. 둘째, 고성능 분산 컴퓨팅은 제가 한 모든 연구의 공통점입니다. 물리학을 전공하는 대학원생으로서 제가 임시 컴퓨팅 클러스터를 조합하기 위해 사용한 많은 기술이 현재 주류 프레임워크에서 사용되고 있으므로 저에게 친숙합니다. 마지막으로, 다양한 문제에 대한 작업은 제 철학적 호기심을 자극합니다. 대학원생으로서 저는 경제학을 연구할 생각이 없었습니다. 그러나 여기저기서 일하고 있습니다. 저는 5년 후에 무엇을 할지 모르지만, 저에게 흥미로운 일이 될 것입니다.

DecisionNext는 예측 모델의 ‘블랙 박스’를 벗어나기 위해 노력하고 있습니다. 이러한 투명성이 इतन 중요한 이유는 무엇이며, 사용자 신뢰와 채택에 어떻게 영향을 미칠까요?

전형적인 재료 트레이더(거래소 내 또는 외)는 산업의 기본을 생산에서 배운 사람으로, 변동성 시장에서 베팅하는 기술이 있습니다. 그들이 공급 측면에서 실제 경험을 가지지 못하면, 경영진의 신뢰를 얻지 못하며, 트레이더로 승진하지 못합니다. 그들이 도박에 대한 선호가 없으면, 거래를 실행할 때 너무 많은 스트레스를 받습니다. 월 스트리트 쿼ντ와 달리, 재료 트레이더는 일반적으로 확률과 통계에 대한 공식적인 배경을 가지고 있지 않습니다. 신뢰를 얻으려면, 우리는 직관적이고 빠르며, 공급과 수요가 주요 시장 동인이라는 인지적 편향에触れる 시스템을 제시해야 합니다. 따라서 우리는 모든 것이 투명한 “화이트 박스” 접근 방식을 취합니다. 일반적으로 “데이트” 단계가 있으며, 고객이 시스템의 내부를 깊이 들여다보고, 우리는 시스템의 논리를 고객에게 안내합니다. 일단 신뢰가 확립되면, 사용자는 깊이 들어가서 중요한 또는 놀라운 예측을 조사하기 위해 종종 시간을 보이지 않지만, 시스템과 상호 작용하는 데 더 자신감을 갖습니다.

DecisionNext의 위험 인식 예측 접근법은 기업이 시장 조건에 반응하는 것뿐만 아니라 전략을 적극적으로 형성하도록 어떻게 도와줍니다?

재료 거래는 거래소에만 국한되지 않습니다. 대부분의 회사들은 미래를 헤지하기 위한 선물에 대한 접근이 제한적입니다. 처리업체는 원자재로 거래소에서 거래되는 재료(소, 예를 들어)를 구매할 수 있지만, 그들의 출력도 자주 입력과 가격 상관관계가 없는 변동성 재료(소고기, 예를 들어)입니다. 구조적 마진 제약 조건이 있는 비싼 시설은 거의 용량에 가깝게 운영해야 하므로, 처리업체는 미래를 내다보는 전략적 계획을 가져야 합니다. 즉, 그들은 안전하게 스폿 시장에서만 운영할 수 없으며, 원자재를 구매하고 출력을 판매하기 위해 앞으로 계약을 체결해야 합니다. DecisionNext는 처리업체가 전체 생태계의 공급, 수요, 가격 변수를 예측하고, 비즈니스 의사 결정을 시장의 모든 결과에 의해 어떻게 영향을 받는지 시뮬레이션할 수 있도록 허용합니다. 종이 거래는 전략의 일부일 수 있지만, 가장 중요한 것은 재료 및 판매 약정과 처리 결정을 이해하여 용량 활용을 보장하는 것입니다. DecisionNext는 이를 위해 설계되었습니다.

과학의 깊은 배경을 가진 사람으로서, 전통적인 산업인 재료 산업을 변革하는 과학과 AI의 교차점에 대해 가장 흥미로운 점은 무엇인가요?

행동 경제학은 인간의 인지가 비즈니스 의사 결정에 미치는 영향에 대한 우리의 이해를変혁했습니다. AI는 소프트웨어 도구를 사용하여 인간의 인지를 지원하고 더 나은 의사 결정을 내릴 수 있는 방법을変革하고 있습니다. AI를 통해 실현될 수 있는 효율성 향상은 경제적으로 중요할 것입니다. 재료 회사들은 얇은 마진과 높은 노동 비용으로 운영되므로, 자동화로부터 크게 이익을 얻을 것입니다. 그 이상으로, 저는 대부분의 비즈니스 의사 결정이 직관과 규칙에 의해 이루어진다는 것을 알며, 이는 투명하지 않은 정보와 단순한 스프레드시트 도구에 기반을 두고 있다고 믿습니다. DecisionNext와 같은 플랫폼이 비즈니스 프로세스를変革하고, 투명한 데이터와 공개적 사고를 기반으로 맥락과 위험 인식 의사 결정을 정규화하는 데 도움이 될 수 있는 가장 흥미로운 결과라고 생각합니다.

위대한 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 DecisionNext를 방문하십시오.