Gaurav Bubna, medgrunnlegger av NextBillion.ai – Intervju-serie

Gaurav Bubna, er medgrunnlegger av NextBillion.ai et kartplattform bygget for bedrifter. Han har tidligere arbeidet med selskaper som Grab, Ola og ZLemma (kjøpt av Hired.com)

Hva var det som opprinnelig tiltalte deg til datavitenskap og maskinlæring?

Selv da jeg gikk på skolen, var jeg alltid tiltrukket av matematikk og hva som helst små biter av programmering jeg kunne gjøre da. Derfor når jeg gikk på universitetet, å studere datavitenskap syntes som en naturlig utvidelse. Maskinlæring har vært mer av en “ervervet smak” over årene. Jeg elsket kombinasjonen av praktiske og virkelige aspekter som store data og evnen til å bruke det til en rekke virkelige anvendelser, samt de teoretiske aspektene som sannsynlighetsteori, som jeg alltid har funnet fascinerende.

Før du grunnla nextbillion.ai var du en grunnleggende medlem av kartproduktteamet i Grab, der du hjalp til å skalerer teamet fra et 10-medlemmers tverrfaglig team til 300+ på en periode på ~2,5 år. Hva var noen av de viktigste lærdommene du tok med deg fra denne erfaringen?

En viktig lærdom jeg lærte var at mens hvert land Grab opererte i var en del av “Sørøst-Asia”, men i praksis var de alle så forskjellige. Løsninger som faktisk fungerte, var bygget på en måte som tillot dem å tilpasses hver forretning, hvert land og noen ganger sogar forskjellige byer innenfor samme land. De fleste produkter er ikke bygget på denne måten, og det er svært vanskelig å balansere evnen til å skalerer raskt, men samtidig bygge produkter som er tilpasset hver enkelt anvendelse. Jeg tror denne balansen er en viktig lærdom jeg lærte fra min tid der.

Kunne du dele opphavshistorien bak NextBillion.ai?

Vi investerte i kartløsninger som var spesifikt nødvendige for Grab, men ikke noe som forbruker-sentriske kart som Google var bygget for å støtte. Over tid var vi i stand til å drive massiv innvirkning for Grab både i terms of enhetsøkonomi for Grab, samt drive sterk konkurranseforskjell. Og mens Grab var i en heldig posisjon til å kunne investere så mye i sine kart, vil de fleste andre selskaper ikke være i stand til å gjøre det (fordi de ikke har samlet inn så mye kapital). Så vi så en mulighet til å ta noen av våre lærdommer og bygge en plattform for bedrifter globalt.

NextBillion.ai er verdens første noen gang desentraliserte og tilpassbare kartplattform for bedrifter. Hva er noen av fordelene for bedrifter å bruke en desentralisert plattform versus populære alternativer som Google Maps?

For transport, logistikk og e-handel selskaper, gjør vi det mulig å oppnå bedre enhetsøkonomi, lavere kostnad per levering og bedre utnyttelse av midler. Gitt den “en-størrelse-passer-alle”-naturen til alternativer som Google Maps, er disse forretningsgevinstene enkelt ikke mulig. For andre B2B-programvare selskaper, er de ofte ikke i stand til å betjene mange kundens behov på grunn av disse en-størrelse-passer-alle begrensninger. Vi låser opp flere anvendelser og muliggjør mer omsetning og vekstmuligheter.

Google Maps har begrensninger på antall API-er som kan brukes, hva er begrensningene med NextBillion.ai i sammenligning?

Dette er et godt eksempel på en av våre differensieringer. Vi tilbyr ekstremt fleksible kommersielle modeller til våre kunder, inkludert UBEGRENSET API-oppkallspakker, støtte for opptil 20 ganger høyere gjennomstrømming og 5 ganger lavere latency enn de beste tilgjengelige alternativene.

Hvordan bruker systemet AI til å overvåke etterspørsel og tilbud forutsigelse på et lokalt nivå?

Våre API-er brukes til å aktivere bedre og mer effektiv dispatch, mer presise prisendringer inkludert overhypping, som i sin tur har en direkte innvirkning på etterspørsel og tilbud ubalanse på svært mikro nivåer som lokaliteter.

For ridehailing-tjenester, kunne du diskutere hvordan AI kan forutsi trafikk for å gi bedre fare og inntektssikkerhet?

Sjåfører på disse plattformene ser på tid som penger. Hver time de tilbringer å kjøre, ønsker de noen garanti for at de vil tjene $X ved slutten av det. I praksis, på grunn av uakkurate distanse-tid forutsigelser fra kart-API-er, er det massive fluktuasjoner i mengden penger en sjåfør tjener per tidsenhet brukt, over forskjellige ruter, timer på dagen og dager i uken. Vår AI tar hensyn til tidligere kjøreforhold, trafikkmønster i byen og foreslår ekstremt presise ruter og trafikk. Dette muliggjør ekstremt nøyaktig prising for våre kunder, og i sin tur, mye mer forutsigbare inntekter for deres sjåfører.

Hva er noen andre hverdagslige anvendelser som NextBillion.ai muliggjør for bedrifter?

Vi muliggjør en rekke leverings- og e-handels-scenarier som matlevering, dagligvarer og e-handelsleveringer. Vi muliggjør også nødhjelpstjenester som ambulanser å ha raskere ankomsttid, politistyrker å muliggjøre effektiv patruljering for redusert kriminalitet og effektiv avfallshenting. Vi muliggjør også andre bakgrunnsscenarier som gjør noen av disse hverdagslige anvendelsene mulige – f.eks. lastebilruter som bringer dine e-handelsbestillinger til din nærmeste fullføringssenter.

Er det noe annet du ønsker å dele om NextBillion.ai?

Vi tror at de fleste bedrifter ennå ikke erkjenner at kart ikke bare er en kul teknologi, men at det kan drive 100 millioner dollar i forretningsinnvirkning fra samme forsyning eller midler. En del av hva vi håper å oppnå som bedrift er å fremme bransjens egen tilstand. Hvis i årene som kommer, vi kan hjelpe mange flere bedrifter å erkjenne verdien av romlige data, selv om de ikke direkte arbeider med oss, ville vi betrakte vår misjon delvis oppfylt.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke NextBillion.ai.