Richard Potter, medgrunnlegger og CEO av Peak – Intervju-serie

Richard Potter er medgrunnlegger og CEO av Peak, en plattform som gir dataingeniører, dataforskere og kommersielle beslutningstakere alt de trenger for å bygge og støtte AI-drevne løsninger på tvers av hele bedriften.

Kunne du dele historien bak Peak?

Idéen til Peak startet som en samtale på en pub om alle de forskjellige forretningsintelligens-produktene som var tilgjengelige på den tiden. Mine medgrunnleggere, Atul Sharma og David Leitch, og jeg lurte på hvorfor så få bedrifter kunne omfavne data for beslutningstaking. Vi ønsket en måte å forenkle tingene for bedrifter, å bryte ned siloer innen bedrifter så at team kunne jobbe sammen og alle kunne utnytte nyttige resultater basert på data. Dette ledet oss til plattformen, som forener team rundt et produkt bygget for å optimalisere forretning med AI.

Kunne du beskrive hva Beslutningsintelligens er for vårt publikum?

Beslutningsintelligens er anvendelsen av AI for å optimalisere kommersielle beslutninger. Det er resultatfokusert, det vil si at DI-løsninger er bygget for å levere et konkret resultat, som for eksempel en høyere salgsrate eller margin.

En av dine forutsigelser for 2022 er at en ny disiplin innen dataforskning er på vei. Kunne du utdype på dette?

Som kommersielle investeringer i AI øker og dataforskning modnes, er en ny disiplin innen dataforskning på vei som starter med slutten i mente.

Tradisjonelle dataforskningsprosjekter begynner med å forstå dataene som er tilgjengelige og hva som kan gjøres med dem. Resultatet er hypotetiske løsninger på data-problemer, snarere enn AI-løsninger som kan forbedre bedriftsytelse.

Ved å fokusere på resultater fra starten av et prosjekt og forstå hva som er praktisk med dataene som er tilgjengelige, prioriterer denne nye disiplinen innen dataforskning å deployere løsninger ved å starte med slutten i mente. Det muliggjør at bedrifter kan få sin AI deployert og låse opp verdi fra sin AI-strategi raskere.

Peak har bygget et kunstig intelligens-system som blir et sentralt intelligens-system innen en bedrifts forretning. Det samler inn data og deployer maskinlæring, for deretter å utgi resultater. Hva slags maskinlæring-algoritmer brukes?

Peak-plattformen bruker en bred rekke maskinlæring- og modelleringsteknikker – valg betyr at vi kan takle hvert prosjekt med den mest passende metoden. Vi kan bruke overvåket og uovervåket metoder, samt prognose- eller optimeringsteknikker avhengig av problemet som løses. Disse kan bygges i vår plattform ved hjelp av Python, R og SQL.

Med denne fleksibiliteten og bredde av valg, kan Peaks kunder bygge sin egen AI unik for sin forretning. Dette er hva organisasjoner trenger for å virkelig omfavne Beslutningsintelligens. Hver bedrift bør ikke ha en standard AI, men noe bygget spesifikt for dem.

Hvordan muliggjør Peak at bedrifter kan bruke sin største aktiv – data – til å øke salg og profitt?

Peak-plattformen kjører applikasjoner som er spesifikt designet for å levere på resultater, enten det er å øke salg eller vokse profitt (eller begge!). Disse applikasjonene omfatter markedsføring, salg, varemerking, lagerstyring, prissättning og leverandørkjede. Ettersom det sitter på tvers av en organisasjons hele datasett, kan Peaks Beslutningsintelligens-plattform optimalisere på tvers av hele verdikjeden, og gi sanntidsinnsikt og anbefalinger som kan dra nytte av hver funksjon innen en bedrift. Dette er en kompleks matrise, og Beslutningsintelligens er det perfekte verktøyet for å sikre at hver beslutning som tas er riktig.

Peak ser ut til å være fullt servicert, trenger bedrifter som bruker tjenesten å ha AI-ingeniører på bord for å bruke plattformen?

Peak-plattformen har tre kjernefunksjoner som tillater brukerne å:

1. Kombinere data fra på tvers av organisasjonen og gjøre den AI-klar.
2. Bygge og trene en sentral intelligens som bruker AI-modeller for å gi en prediktiv visning av organisasjonen.
3. Tilby en grensesnitt for linje-forretningsbrukere til å samhandle med modeller som veileder beslutningstaking på tvers av flere funksjoner.

Ettersom det ble grunnlagt i 2015, har Peak tilbudt en modell hvor vår plattform og applikasjoner implementeres for våre kunder av våre kundesuksess- og dataforskningslag. Vi ser en økende mengde Peak-kunder som selvbetjener på plattformen, bygger sine egne applikasjoner eller deployer Peaks standard-applikasjoner selv.

Hva er noen eksempler på at Peak muliggjør at bedrifter kan optimalisere sine leverandørkjeder?

Et godt eksempel ville være en lagermanager som håndterer et lagerproblem. Tradisjonelt ville de måtte manuelt øke bestillinger på tvers av oversolgte varegrupper, og endre bestillingsvolum sporadisk for å tilpasse volatilitet i etterspørsel.

Men, med hjelp av en DI-plattform, kan lagermanageren være proaktiv snarere enn reaktiv. Ved å ta i betraktning omstendighetene på tvers av bedriften i bredere forstand, anbefaler DI-plattformen at de reduserer bestillinger fra leverandøren. Det høres motsigende ut hvis det er høy etterspørsel, men DI-løsningen har identifisert at bedriften har et lager med et depot et fylke unna med 2 000 enheter av den varegruppen som ikke selges der. Det har allerede varslet logistikkteamet og har rutebestemt den planlagte leveringen via det lageret for å hente de ekstra varene. Det vil fortsette å kjøre samme modell for kommersielle team på tvers av bedriften, og justere den anbefalte handlingen etter som datainnsiktene endrer seg og hver avdeling tar handling.

Et annet eksempel er å redusere avfall og energi, kunne du gi noen eksempler på kunder som har oppnådd dette ved å bruke Peak?

En global detaljhandelskjede er for tiden i ferd med å bruke Beslutningsintelligens for å både optimalisere sitt transportnettverk og redusere mengden av unødvendige bevegelser av varer mellom fabrikker, distribusjonssteder og butikker. Selskapets mål er å redusere karbonutslipp og øke sine profittmarginer.

Ved å bruke datakilder fra på tvers av etterspørsel, lager og kundeinformasjon, kombinert med elektronisk salgsinformasjon (EPOS) og kundeinformasjon, bruker selskapet DI for å optimalisere lagerbeholdninger på hvert distribusjonssted og koordinere bevegelser av lager mellom flere sentre, og tar i betraktning faktorer som etterspørsel (reell og prognose), produksjonsutgang, behandlingskostnader og transportkostnader. Løsningen reduserte logistikk-kostnadene med 10% og reduserte lastebil-turer mellom sentre med 200 000 km, og representerte en reduksjon på 147 metriske tonn (MT) i CO2-utslipp i de første åtte månedene av dens deployering.

En ledende produsent og leverandør av aggregat til byggeindustrien, med en total flåte på 400 kjøretøy, kunne øke jobber per sjåfør med 15% og redusere kilometer per jobb med 3% med en automatisert DI-planløsning som forutsier jobb-etterspørsel og avbestillinger, maksimerer kjøretøyproduktivitet og planlegger kjøretøy-ruter.

Hva er din visjon for fremtiden til Peak?

Vi ønsker å plassere Beslutningsintelligens i hendene på hver bedrift og bygge en bedrift som folk elsker å være en del av. Dette betyr at ekspansjon for å støtte flere kunder globalt er vårt topprioritet, og vi ekspanderer både i USA og India, og åpner Clubhouses i New York, Mumbai og Pune. Bærekraftig høy ytelse er nøkkel til dette; vi ønsker at Peakerne skal være på vår reise i stor del av deres karriere, vi ønsker ikke mennesker som kommer inn og blir brent ut innen noen få år. .

Vi investerer tungt i FoU etter vår vellykkede Serie C-runde som ble avsluttet i august i fjor. Ettersom vi lanserer flere spennende plattform-funksjoner og ekspanderer på tvers av verden, er vi spente på å se på applikasjonene som dataforskningslag utenfor Peak utvikler med plattformen – mye av hva DI er i stand til å gjøre, vil bli oppdaget i praksis.

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