Robert Pierce, mede-oprichter en Chief Science Officer bij DecisionNext – Interview Series

Bob Pierce, PhD is mede-oprichter en Chief Science Officer bij DecisionNext. Zijn werk heeft geavanceerde wiskundige analyses geïntroduceerd in geheel nieuwe markten en industrieën, waardoor bedrijven strategische beslissingen beter kunnen nemen. Voordat hij bij DecisionNext kwam, was Bob Chief Scientist bij SignalDemand, waar hij de wetenschap achter hun oplossingen voor fabrikanten leidde. Bob heeft senior onderzoeks- en ontwikkelingsfuncties gehad bij Khimetrics (nu SAP) en ConceptLabs, evenals academische functies bij de National Academy of Sciences, Penn State University en UC Berkeley. Zijn werk omvat een breed scala aan industrieën, waaronder grondstoffen en fabricage, en hij heeft bijgedragen aan de gebieden van econometrie, oceanografie, wiskunde en niet-lineaire dynamica. Hij heeft verschillende octrooien en is auteur van verschillende peer-reviewed artikelen. Bob heeft een PhD in theoretische natuurkunde van UC Berkeley.

DecisionNext is een data-analyse- en voorspellingsbedrijf dat in 2015 is opgericht en zich specialiseert in AI-gedreven prijs- en aanbodvoorspelling. Het bedrijf is opgericht om de beperkingen van traditionele “black box”-voorspellingsmodellen aan te pakken, die vaak geen transparantie en actiegerichte inzichten boden. Door AI en machine learning te integreren, biedt DecisionNext bedrijven meer inzicht in de factoren die hun voorspellingen beïnvloeden, waardoor ze geïnformeerde beslissingen kunnen nemen op basis van zowel markt- als bedrijfsrisico’s. Hun platform is ontworpen om de voorspellingsnauwkeurigheid over de gehele toeleveringsketen te verbeteren, waardoor klanten verder kunnen gaan dan intuïtieve besluitvorming.

Wat was het oorspronkelijke idee of de inspiratie achter de oprichting van DecisionNext, en hoe heeft uw achtergrond in theoretische natuurkunde en rollen in verschillende industrieën deze visie gevormd?

Mijn mede-oprichter Mike Neal en ik hebben veel ervaring opgedaan in onze vorige bedrijven met het leveren van optimalisatie- en voorspellingsoplossingen aan retailers en grondstoffenverwerkers. Twee belangrijke lessen uit die ervaring waren:

1. Gebruikers moeten geloven dat ze begrijpen waar voorspellingen en oplossingen vandaan komen; en
2. Gebruikers hebben moeite om te onderscheiden wat ze denken dat zal gebeuren van de waarschijnlijkheid dat het daadwerkelijk zal gebeuren.

Deze twee concepten hebben diepe wortels in menselijke cognitie en implicaties voor het creëren van software om problemen op te lossen. Het is algemeen bekend dat de menselijke geest niet goed is in het berekenen van waarschijnlijkheden. Als natuurkundige heb ik geleerd om conceptuele kaders te creëren om onzekerheid te benaderen en gedistribueerde computationele platforms te bouwen om het te onderzoeken. Dit is de technische onderbouwing van onze oplossingen om klanten te helpen bij het nemen van betere beslissingen in het licht van onzekerheid, wat betekent dat ze niet weten hoe markten zullen evolueren, maar toch moeten beslissen wat ze nu moeten doen om toekomstige winsten te maximaliseren.

Hoe heeft uw overgang naar de rol van Chief Science Officer uw dagelijkse focus en langetermijnvisie voor DecisionNext beïnvloed?

De overgang naar CSO heeft mijn focus verlegd naar hoe het product waarde moet leveren aan onze klanten. In dit proces heb ik enkele dagelijkse ingenieursverantwoordelijkheden losgelaten die beter door anderen kunnen worden afgehandeld. We hebben altijd een lange lijst met functies en ideeën om de oplossing te verbeteren, en deze rol geeft me meer tijd om nieuwe en innovatieve benaderingen te onderzoeken.

Wat zijn de unieke uitdagingen die grondstoffenmarkten met zich meebrengen die ze bijzonder geschikt maken – of resistent tegen – voor de adoptie van AI- en machine learning-oplossingen?

Het modelleren van grondstoffenmarkten presenteert een fascinerende mix van structurele en stochastische eigenschappen. Wanneer we dit combineren met het ontelbare aantal manieren waarop mensen contracten schrijven voor fysieke en papieren handel en materialen in productie gebruiken, resulteert dit in een buitengewoon rijk en complex veld. Toch is de wiskunde aanzienlijk minder goed ontwikkeld dan de relatief eenvoudige wereld van aandelen. AI en machine learning helpen ons om door deze complexiteit te werken door efficiëntere manieren te vinden om te modelleren en onze gebruikers te helpen bij het nemen van complexe beslissingen.

Hoe balanceert DecisionNext het gebruik van machine learning-modellen met de menselijke expertise die cruciaal is voor grondstoffenbeslissingen?

Machine learning als veld is constant in ontwikkeling, maar het kampt nog steeds met context en causaliteit. Onze ervaring is dat er aspecten van modelleren zijn waarbij menselijke expertise en toezicht nog steeds cruciaal zijn om robuuste, parsimonieuze modellen te genereren. Onze klanten kijken meestal naar markten door de lens van supply- en vraagfundamenten. Als de modellen deze overtuiging niet weerspiegelen (en onbegeleide modellen doen dit vaak niet), dan zullen onze klanten het model niet vertrouwen. Cruciaal is dat gebruikers onbetrouwbare modellen niet in hun dagelijkse besluitvormingsprocessen zullen integreren. Dus zelfs een demonstrabel nauwkeurig machine learning-model dat in strijd is met de intuïtie, zal waarschijnlijk meer kans hebben om op de plank te komen dan niet.

Zijn er specifieke doorbraken in AI of datawetenschap die u denkt dat grondstoffenvoorspelling in de komende jaren zullen revolutioneren, en hoe positioneert DecisionNext zich voor deze veranderingen?

De introductie van functionele LLM’s is een doorbraak die lang zal duren om volledig door te dringen in de besluitvorming van bedrijven. Het tempo van verbeteringen in de modellen zelf is nog steeds adembenemend en moeilijk bij te houden. Toch denk ik dat we nog maar aan het begin staan van de weg om de beste manieren te begrijpen om AI in bedrijfsprocessen te integreren. De meeste problemen die we tegenkomen, kunnen worden geformuleerd als optimalisatieproblemen met ingewikkelde beperkingen. De beperkingen binnen bedrijfsprocessen zijn vaak ongedocumenteerd en contextueel in plaats van strikt afgedwongen. Ik denk dat dit een enorme, onontgonnen kans is voor AI om zowel impliciete beperkingen in historische gegevens te ontdekken als om de passende contextuele optimalisatieproblemen op te bouwen en op te lossen.

Hoe draagt uw werk in diverse gebieden als oceanografie, econometrie en niet-lineaire dynamica bij aan het oplossen van problemen in grondstoffenvoorspelling?

Mijn diverse achtergrond informeert mijn werk op drie manieren. Ten eerste heeft de breedte van mijn werk me ervan weerhouden om te diep in een specifiek gebied te duiken. In plaats daarvan ben ik blootgesteld aan veel verschillende disciplines en kan ik putten uit al deze disciplines. Ten tweede is high-performance distributed computing een rode draad geweest in al het werk dat ik heb gedaan. Veel van de technieken die ik als PhD-student in de natuurkunde gebruikte om ad-hoc compute-clusters in elkaar te zetten, worden nu in mainstream-kaders gebruikt, dus het voelt allemaal vertrouwd aan, zelfs als het tempo van innovatie snel is. Ten slotte inspireert het werken aan al deze verschillende problemen een filosofische nieuwsgierigheid. Als PhD-student heb ik nooit overwogen om in de economie te werken, maar hier ben ik. Ik weet niet waar ik over vijf jaar zal werken, maar ik weet dat ik het intrigerend zal vinden.

Waarom is transparantie zo kritisch voor DecisionNext, en hoe denkt u dat dit de vertrouwen en adoptie van gebruikers beïnvloedt?

Een typische grondstoffenhandelaar (op of buiten een beurs) is iemand die de basis van zijn industrie heeft geleerd in productie, maar een talent heeft voor gokken in een volatiele markt. Als ze geen wereldwijde ervaring hebben in de aanbodzijde van het bedrijf, verdienen ze het vertrouwen van executives niet en worden ze niet gepromoveerd als handelaar. Als ze geen affiniteit hebben met gokken, stressen ze te veel bij het uitvoeren van transacties. In tegenstelling tot Wall Street-quants hebben grondstoffenhandelaren vaak geen formele achtergrond in waarschijnlijkheid en statistiek. Om vertrouwen te winnen, moeten we een systeem presenteren dat intuïtief, snel en onze cognitieve voorkeur raakt dat aanbod en vraag de belangrijkste drijvende krachten zijn van grote marktbewegingen. Dus we nemen een “white box”-benadering waarbij alles transparant is. Meestal is er een “datingsfase” waarin ze diep in de systematiek kijken en we hen door het redeneren van het systeem leiden. Zodra vertrouwen is gevestigd, besteden gebruikers de tijd niet meer om diep in de systematiek te duiken, maar zullen ze af en toe terugkeren om belangrijke of verrassende voorspellingen te ondervragen.

Hoe helpt DecisionNext bedrijven om niet alleen te reageren op marktomstandigheden, maar om hun strategieën proactief te vormen?

Grondstoffenhandel is niet beperkt tot beurzen. De meeste bedrijven hebben alleen beperkte toegang tot futures om hun risico’s te dekken. Een verwerker kan een genoteerde grondstof als ruwe materiaal (vee, misschien) kopen, maar hun output is ook een volatiele grondstof (vlees) die vaak weinig prijscorrelatie heeft met de input. Gezien de structurele margebeperking die dure faciliteiten hebben om bijna op volle capaciteit te opereren, zijn verwerkers gedwongen om een strategisch plan te hebben dat vooruitkijkt. Dat wil zeggen, ze kunnen niet veilig opereren in de spotmarkt en moeten vooruit contracteren om materialen te kopen en output te verkopen. DecisionNext stelt de verwerker in staat om de hele ecosystemen van aanbod-, vraag- en prijsvariabelen te voorspellen en vervolgens te simuleren hoe bedrijfsbeslissingen worden beïnvloed door het volledige bereik van marktresultaten. Papierhandel kan een onderdeel zijn van de strategie, maar het meest belangrijk is om materiaal- en verkoopverplichtingen en verwerkingsbeslissingen te begrijpen om capaciteitsbenutting te garanderen. DecisionNext is hier speciaal voor ontworpen.

Wat vindt u het meest spannend aan de kruising van wetenschap en AI in het transformeren van traditionele industrieën zoals grondstoffen?

Behaviorale economie heeft onze kennis van hoe cognitie invloed heeft op bedrijfsbeslissingen getransformeerd. AI transformeert hoe we softwaretools kunnen gebruiken om menselijke cognitie te ondersteunen en betere beslissingen te nemen. De efficiencywinsten die gerealiseerd zullen worden door AI-geactiveerde automatisering zijn veelbesproken en zullen economisch belangrijk zijn. Grondstoffenbedrijven opereren met dunne marges en hoge arbeidskosten, dus ze zullen waarschijnlijk veel profiteren van automatisering. Maar daarbij geloof ik dat er een verborgen inefficiëntie is in de manier waarop de meeste bedrijfsbeslissingen worden genomen door intuïtie en regels van duim. Beslissingen worden vaak gebaseerd op beperkte en ondoorzichtige informatie en eenvoudige spreadsheettools. Voor mij is de meest spannende uitkomst dat platforms zoals DecisionNext het bedrijfsproces kunnen transformeren met behulp van AI en simulatie om context en risicobewuste beslissingen te normaliseren op basis van transparante gegevens en open redenering.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen DecisionNext bezoeken op DecisionNext.