Chris Nicholson, grunnlegger og CEO av Pathmind – Intervju-serie

Chris Nicholson er grunnlegger av Pathmind, et AI-selskap som anvender dypt forsterkninglæring til leverandørkjeder og industrielle operasjoner. Pathmind ble grunnlagt for å hjelpe bedrifter med å håndtere dypt økonomisk endring og øke motstandsdyktigheten til deres operasjoner med AI. Chris har ansvaret for selskapets strategiske visjon og dag-til-dag gjennomføring, og driver innovasjon og vekst for Pathminds teknologiplattform, samt optimalisering av ytelse i lager og på fabrikkgulv som en del av den digitale transformasjonen av bedrifter.

Tidligere var Chris CEO i Skymind, et AI-selskap som fokuserte på dypt læring. Før det hadde han kommunikasjons- og rekrutteringsroller i FutureAdvisor, et Sequoia-støttet Y Combinator-startup som ble kjøpt av BlackRock (BLK ) i 2015 for 200 millioner dollar. Chris tilbrakte også et tiår som journalist, hvor han rapporterte om teknologi og finans for The New York Times, Bloomberg News og Businessweek, blant andre.

Du var tidligere korrespondent for The New York Times og redaktør for Bloomberg News før du skiftet til maskinlæring. Kan du diskutere reisen bak denne endringen av din karrierevei?

Når jeg var journalist, på 2000-tallet og tidlig på 2010-tallet, led industrien under det at annonser flyttet til søkemotorer og sosiale medier, og tradisjonelle publikasjoner tapte lesere. Jeg dekket finans og teknologi, og jeg så folk bygge mange nye og interessante ting. På et visst tidspunkt sa jeg til meg selv at jeg måtte komme på riktig side av robotene, så jeg flyttet til San Francisco.

Dette var i 2013. Det var fortsatt hacker-hus i SOMA da. Jeg flyttet inn i ett av disse, på en køye i et rom med fem andre gutter, og gikk til arbeid hver morgen i et startup som hadde gått gjennom Y Combinator. Mens jeg arbeidet i San Francisco, lærte jeg langsomt å kjenne folk og å finne ut hva jeg var interessert i. Da var dypt læring fortsatt i ferd med å ta av. Du kunne se potensialet, men det var fortsatt mye å bygge. Denne nysgjerrigheten drev meg til å bli involvert i et AI-prosjekt som til slutt ledet til Pathmind.

Kan du dele noen detaljer om hvordan Pathmind kan hjelpe bedrifter?

Bedrifter som har en fysisk anlegg å forvalte, som et lager, en fabrikk eller en gruve, møter vanligvis svært komplekse optimeringsoppgaver. Det vil si at de må koordinere mye utstyr for å nå et mål. Mange av dem prøver å maksimere gjennomstrømming og effisiens, og minimere kostnader og karbonutslipp. Vi designer algoritmer som kan bruke deres virkelige data til å vise nye måter for dem å få utstyr til å oppføre seg på. Dette kan omfatte jobb- og maskinplanlegging, flåteruting og energikostnadsforvaltning, blant andre ting.

Hva er noen fordeler med åpen kildekode for maskinlæringssystemer?

Programvare-selskaper er alle båter som flyter på en hav av åpen kildekode. Infrastrukturen for offentlige skytjenester kjører på åpen kildekode. Mye av verktøyene utviklere bruker til å bygge nettsider og maskinlæringapplikasjoner er også åpen kildekode. Det er et livlig økosystem. Vi er tidlige adoptører som arbeider for spennende nye åpen kildekode-prosjekter som Ray, som hjelper deg å starte distribuert datamaskining for AI-arbeidsbyrder.

Du er tydelig positiv til fremtiden for dypt forsterkninglæring. I din mening, hvilke typer bedrifter er best posisjonert til å dra nytte av denne type maskinlæring?

Selskapene vi arbeider med har vanligvis data de bruker til å spore deres operasjoner og ytelse. De tenderer å ha fysiske operasjoner hvor de kan kontrollere utstyrets atferd. Våre algoritmer trenger data for å forstå miljøet de opererer i, og de må presenteres med handlinger å velge mellom, som utstyr å kontrollere, så de kan ha en effekt på resultater. I essensen er bedrifter som har fysiske operasjoner å kontrollere, har data om disse operasjonene, og noen analyser på plass for denne datan, godt posisjonert til å starte å tenke på optimering som vår.

Er det noe annet du ønsker å diskutere om Pathmind?

En ting vi gjør som er tilstøtende til å kontrollere fysiske operasjoner er å hjelpe bedrifter med å forutsi tidsserier. Så, data som priser eller etterspørsel vil påvirke hvordan et selskap oppfører seg, og hvor mye det produserer. For å produsere riktig mengde, må de vite hvor mye etterspørsel det vil være. Og for å kunne sette priser korrekt, må de ha en lesning av prisfluktuasjoner. Våre algoritmer kan lage disse prognosene.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Pathmind.