인터뷰
Robert Pierce, DecisionNext의 공동 창립자 및 최고 과학 책임자 – 인터뷰 시리즈
Bob Pierce, PhD는 DecisionNext의 공동 창립자이자 최고 과학 책임자입니다. 그의 업무는 새로운 시장과 산업에 고급 수학적 분석을 도입하여 회사들이 전략적 의사 결정을 내리는 방식을 개선했습니다. DecisionNext 이전에는 SignalDemand의 Chief Scientist로 재직하여 제조업체를 위한 솔루션의 과학을指导했습니다. 그는 Khimetrics (현재 SAP)와 ConceptLabs에서 고위 연구 및 개발 역할을 수행했으며, National Academy of Sciences, Penn State University, UC Berkeley에서 학술 직위를 맡았습니다. 그의 업무는 재료 및 제조업을 포함한 다양한 산업에 걸쳐 있으며, 경제 측정학, 해양학, 수학, 비선형 역학 분야에 기여했습니다. 그는 수많은 특허를 보유하고 있으며, 여러 편의 동료 심사 논문을 저술했습니다. Bob은 UC Berkeley에서 이론 물리학 박사 학위를 취득했습니다.
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. 이러한 모델은 종종 투명성과 행동할 수 있는 통찰력이 부족했습니다. AI와 기계 학습을 통합하여 DecisionNext는 비즈니스에 시장 및 비즈니스 위험에 대한 정보를 제공하여 정보에 기반한 의사 결정을 내릴 수 있도록 합니다. 이 플랫폼은 공급망 전체에서 예측 정확도를 개선하여 고객이 직관에 기반한 의사 결정을 넘어설 수 있도록 설계되었습니다.
DecisionNext를 설립한 원래 아이디어 또는 영감은 무엇이었나요? 그리고 다양한 산업에서您的 배경은 어떻게 이러한 비전을 형성했나요?
제 공동 창립자 Mike Neal과 저는 이전 회사에서 소매업체 및 재료 처리업체에 최적화 및 예측 솔루션을 제공하는 경험을 많이 쌓았습니다. 그 경험에서 얻은 두 가지 주요 교훈은:
- 사용자는 예측 및 솔루션이 어디에서 왔는지 이해한다고 믿어야 합니다.
- 사용자는 실제로 발생할 가능성과 무엇이 발생할 것이라고 생각하는지 구별하는 데 매우 어려움을 겪습니다.
이 두 가지 개념은 인간의 인지와 문제를 해결하는 소프트웨어를 생성하는 방법에 깊은 뿌리를 가지고 있습니다. 인간의 마음은 확률을 계산하는 데 좋지 않다는 것은 잘 알려져 있습니다. 물리학자로서, 저는 불확실성을 다루고 분산된 계산 플랫폼을 구축하여 탐색하는 개념적 프레임워크를 생성하는 방법을 배웠습니다. 이것이 불확실성에 직면하여 고객이 더好的 의사 결정을 내릴 수 있도록 도와주는 솔루션의 기술적 기초입니다.
최고 과학 책임자로의 전환은 DecisionNext에 대한 귀하의 일일 초점과 장기 비전을 어떻게 影響했나요?
최고 과학 책임자로의 전환은 제품이 고객에게 가치를 제공하는 방식을 재조정하는 것을 포함합니다. 이 과정에서 저는 다른 사람들에게 더 잘 처리되는 일일 엔지니어링 책임을 일부 해방했습니다. 우리는 항상 솔루션을 개선하기 위한 기능과 아이디어의 긴 목록을 가지고 있으며, 이 역할은 저에게 새로운 및 혁신적인 접근 방식을 연구할 수 있는 더 많은 시간을 제공합니다.
재료 시장은 AI 및 기계 학습 솔루션의 채택에 특히 적합하거나 저항하는 唯一한 도전을 제시합니다. 이러한 도전은 무엇인가요?
재료 시장 모델링은 구조적 및 확률적 속성의 매력적인 혼합을 제공합니다. 이는 물리적 및 지식 재료 거래를 위한 계약을 작성하고 생산에서 재료를 사용하는 vô số 방법과 결합하여, 매우 풍부하고 복잡한 분야를 생성합니다. 그러나 수학은 상대적으로 더 단순한 주식 세계보다 덜 발전되었습니다. AI 및 기계 학습은 이러한 복잡성을 처리하는 더 효율적인 방법을 찾는 데 도움이 됩니다. 또한 사용자가 복잡한 의사 결정을 내리는 데 도움이 됩니다.
DecisionNext는 기계 학습 모델의 사용과 재료 의사 결정을 위한 인간 전문 지식의 중요성을 어떻게 균형을 이루나요?
기계 학습은 필드로서 끊임없이 개선되고 있지만, 여전히 맥락과 인과관계에 어려움을 겪고 있습니다. 저희 경험에 따르면 인간 전문 지식과 감독이 강건하고 간결한 모델을 생성하는 데 여전히 중요합니다. 저희 고객은 일반적으로 시장을 공급 및 수요 기본 요소의 렌즈를 통해 본다. 모델이 이러한 신념을 반영하지 않는 경우(무감독 모델은 종종 그렇지 않습니다), 고객은 일반적으로 신뢰를 개발하지 않습니다. 중요한 것은 사용자가 신뢰할 수 없는 모델을 일상적인 의사 결정 프로세스에 통합하지 않을 것입니다. 따라서 직관에 반하는 기계 학습 모델은 정확하더라도 더 가능성이 높은 셸웨어가 됩니다.
고객의 인간 전문 지식도 중요합니다. 관찰된 데이터는 절대 완전하지 않기 때문에 모델은 현실이 아니라 가이드로 사용되어야 합니다. 시장에 몰입한 사용자는 모델에 입력으로 사용할 수 없는 중요한 지식과 통찰력을 가지고 있습니다. DecisionNext AI를 사용하면 사용자가 모델 입력을 보완하고 시장 시나리오를 생성할 수 있습니다. 이는 예측 및 의사 결정 추천에 유연성을 제공하고 사용자 신뢰와 시스템 상호 작용을 향상시킵니다.
재료 예측을 혁신할 것으로 생각하는 AI 또는 데이터 과학의 특정한 돌파구가 있나요? 그리고 DecisionNext는 이러한 변화에 어떻게 대비하고 있나요?
기능적 LLM의 등장은 비즈니스 의사 결정에 완전히 침투하기까지 오랜 시간이 걸릴 것입니다. 모델 자체의 개선 속도는 여전히 놀랍고 따라가기 어렵습니다. 그러나 저는 우리가 비즈니스 프로세스에 AI를 통합하는 최선의 방법을 이해하는 초기 단계에 있음을 생각합니다. 저희가遭遇하는 대부분의 문제는 복잡한 제약 조건이 있는 최적화 문제로 구성될 수 있습니다. 비즈니스 프로세스 내의 제약 조건은 종종 문서화되지 않고 엄격하게 시행되지 않으며 맥락적으로 시행됩니다. 저는 이 영역이 AI에 대한巨大的 미탐색 기회이며, 역사적 데이터에서 암시적 제약 조건을 발견하고 맥락적 최적화 문제를 구축 및 해결할 수 있다고 생각합니다.
DecisionNext는 이러한 문제를 해결하고 중요한 정보 및 예측에 쉽게 액세스할 수 있는 신뢰할 수 있는 플랫폼입니다. DecisionNext는 시스템을 더 쉽게 사용하고 사용자의 지시에 따라 시스템 내에서 복잡한 작업을 수행할 수 있는 LLM 기반 에이전트를 개발 중입니다. 이를 통해 저희는 더 많은 비즈니스 프로세스와 산업에서 가치를 추가하고 확장할 수 있습니다.
해양학, 경제 측정학 및 비선형 역학을 포함한 다양한 분야에서 얻은 통찰력은 재료 예측의 문제를 해결하는 데 어떻게 기여하나요?
제 다양한 배경은 제 업무에 세 가지 방식으로 기여합니다. 첫째, 제 업무의 폭은 제게 특정 영역의 수학에 너무 깊이 들어가지 않도록 했습니다. 그 대신, 저는 많은 다른 분야에 노출되어 모두 활용할 수 있습니다. 둘째, 고성능 분산 컴퓨팅은 제가 한 모든 업무의 공통된 줄기입니다. 저는 물리학을 전공하는 대학원생으로서 사용한 많은 기술은 현재 주요 프레임워크에서 사용됩니다. 따라서 저에게는 매우 친숙합니다. 셋째, 다양한 문제에 대한 업무는 제게 철학적 호기심을 불러일으킵니다. 대학원생으로서, 저는 경제학을 공부할 생각이 없었습니다. 그러나 지금은 경제학을 공부하고 있습니다. 5년 후에 제가 무엇을 할지 모르지만, 저는 그것을 흥미롭게 생각할 것입니다.
DecisionNext는 예측 모델의 ‘블랙 박스’를 벗어나기 위해 강조합니다. 이러한 투명성이 इतन 중요한 이유는 무엇이며, 사용자 신뢰와 채택에 어떻게 영향을 미치나요?
典型的な 재료 거래자(거래소 내 또는 외)는 산업의 기본을 생산에서 배운 사람으로, 변동하는 시장에서 베팅하는 능력이 있습니다. 그들이 비즈니스 공급 측면에 실무 경험을 가지지 못하면, 그들은 경영진의 신뢰를 얻지 못하고 거래자로서 승진하지 못합니다. 그들이 도박에 대한 애정이 없으면, 거래를 실행하는 동안 너무 많이 스트레스를 받습니다. 월 스트리트의 퀀트와는 달리, 재료 거래자는 일반적으로 확률 및 통계에 공식적인 배경을 가지고 있지 않습니다. 신뢰를 얻으려면, 저희는 직관적이고 빠르며, 공급 및 수요가 주요 시장 동인이라고 생각하는 사용자의 인지적 편향을 반영하는 시스템을 제공해야 합니다. 따라서 저희는 모든 것이 투명한 “화이트 박스” 접근 방식을 취합니다. 일반적으로 사용자는 시스템의 내부를 깊이 들여다보는 “데이트” 단계가 있으며, 저희는 시스템의 이유를 사용자에게 안내합니다. 한 번 신뢰가 확립되면, 사용자는 일반적으로 깊이 들어가지 않지만, 중요한 또는 놀라운 예측에 대해 시스템을 조사할 것입니다.
DecisionNext의 위험 인식 예측 접근법은 회사들이 시장 조건에 반응하는 것만 아니라 전략을 어떻게 적극적으로 형성하도록 도와주나요?
재료 거래는 거래소에만 국한되지 않습니다. 대부분의 회사에는 위험을 헤지하기 위해 선물에 대한 접근이 제한적입니다. 처리업체는 원재료(소)로 목록화된 재료를 구매할 수 있지만, 그들의 출력(쇠고기)은 종종 입력과 가격 상관관계가 없는 변동하는 재료입니다. 구조적 마진 제약으로 인해 비싼 시설은 거의 용량에 가깝게 운영해야 합니다. 따라서 처리업체는 안전하게 운영하기 위해 완전히 현물 시장에서 운영할 수 없습니다. 또한, 그들은 원재료를 구매하고 출력을 판매하기 위해 앞으로 계약을 체결해야 합니다. DecisionNext는 처리업체가 전체 생태계를 예측하고, 비즈니스 의사 결정을 내리는 데 영향을 미치는 시장 결과의 전체 범위에 대해 시뮬레이션할 수 있도록 합니다. 종이 거래는 전략의 일부일 수 있지만, 가장 중요한 것은 재료 및 판매 약정과 처리 결정에 대한 이해를 통해 용량 활용을 보장하는 것입니다. DecisionNext는 이러한 용도로 특별히 설계되었습니다.
과학적인 배경을 가진 사람으로서, 전통적인 산업인 재료 산업을 변革하는 과학과 AI의 교차점에 대해 가장 흥奮하는 것은 무엇인가요?
행동 경제학은 비즈니스 의사 결정에 대한 인지의 영향을 이해하는 방식을 변혁시켰습니다. AI는 인간의 인지를 지원하고 더好的 의사 결정을 내리는 소프트웨어 도구를 사용하는 방식을 변혁시키고 있습니다. 자동화에 의한 효율성 향상은 많이 논의되었으며 경제적으로 중요할 것입니다. 재료 회사들은 얇은 마진으로 운영되며, 노동 비용이 높기 때문에, 자동화의 혜택을 크게 받을 것으로 생각됩니다. 그 외에도, 저는 비즈니스 의사 결정이 직관과 규칙에 따라 많이 이루어진다는 것을 알았습니다. 의사 결정을 위한 정보는 제한적이고 불투명하며, 간단한 스프레드시트 도구를 사용합니다. 저에게 가장 흥奮하는 결과는 DecisionNext와 같은 플랫폼이 AI 및 시뮬레이션을 사용하여 맥락과 위험 인식에 대한 의사 결정을 투명한 데이터와 공개된 이유로 정규화하는 비즈니스 프로세스를 변혁하는 것입니다.
멋진 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 DecisionNext를 방문하십시오.
