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?

Ideene til Peak startet som en samtale på en pub om alle de forskjellige produktene for bedriftsintelligens 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 arbeide sammen og alle kunne utnytte nyttige resultater basert på data. Dette ledet oss til plattformen, som forener team rundt et produkt bygget for å optimere bedrift med AI.

Kunne du beskrive hva Beslutningsintelligens er for vårt publikum?

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

En av dine forutsigelser for å gå inn i 2022, er at en ny disiplin av datavitenskap er på vei. Kunne du utdype på dette?

Ettersom kommersielle investeringer i AI øker og datavitenskap modnes, er en ny disiplin av datavitenskap på vei som starter med slutten i mente.

Tradisjonelle datavitenskapsprosjekter begynner med å forstå dataene som er tilgjengelige og hva som kan gjøres med dem. Resultatet er hypotetiske løsninger for dataproblemer, i stedet for 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 av datavitenskap å deployere løsninger ved å starte med slutten i mente. Det ermöglicher bedrifter å få sin AI deployert og låse opp verdi fra sin AI-strategi raskere.

Peak har bygget et kunstig intelligenssystem som blir et sentralt system for intelligens innen en bedrifts forretning. Det agreggerer data og deployer maskinlæring, for deretter å outputte resultater. Hva slags maskinlæringsalgoritmer brukes?

Peak-plattformen bruker en bred rekke maskinlærings- 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 optimaliseringsteknikker avhengig av problemet som løses. Disse kan bygges i vår plattform using Python, R og SQL.

Med denne fleksibiliteten og bredde av valg, kan Peaks kunder bygge sin egen AI unik for sin bedrift. 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 ermöglicher Peak bedrifter å bruke sin største aktivum – data – til å øke salg og fortjeneste?

Peak-plattformen kjører applikasjoner som er spesifikt designet for å levere på resultater, enten det er å øke salg eller vokse fortjeneste (eller begge!). Disse applikasjonene spenner over markedsføring, salg, varemerking, lagerstyring, prising og forsyningskjede. Ettersom det sitter på tvers av en bedrifts hele datasett, kan Peaks Beslutningsintelligens-plattform optimere på tvers av hele verdikjeden, og gi sanntidsinnsikt og anbefalinger som fordelene hver funksjon innen en bedrift.

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

Peak-plattformen har tre kjerneevner som ermöglicher brukerne å:

1. Kombinere data fra på tvers av hele 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. Gi et grensesnitt for linjebrukere til å interagere med modeller som guider 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 datavitenskapsteam. Vi ser en økende trend av Peaks kunder som selvbetjener på plattformen, bygger sine egne applikasjoner eller deployer Peaks standardapplikasjoner selv.

Hva er noen eksempler på Peak som ermöglicher bedrifter å optimere forsyningskjeder?

Et godt eksempel ville være en lagermanager som håndterer en lagerproblematikk. Tradisjonelt ville de måtte manuelt justere bestillinger på tvers av oversolgte varenummer, og endre bestillingsvolumer sporadisk for å kompensere for volatilitet i etterspørsel.

Men, med hjelp av en DI-plattform, kan lagermanageren være proaktiv i stedet for reaktiv. Ved å ta i betraktning omstendighetene på tvers av bedriften, anbefaler DI-plattformen at de reduserer bestillinger fra leverandøren. Det høres motintuitivt hvis det er høy etterspørsel, men DI-løsningen har identifisert at bedriften har et lager med en avdeling i et fylke over som har 2 000 enheter av det varenummeret som ikke selges der. Det har allerede varslet logistikkteamet og har ruteplanlagt den planlagte leveringen via det lageret for å hente ekstra varenummer. Det vil fortsette å kjøre samme modell for kommersielle team på tvers av bedriften, og justere den anbefalte handlingen ettersom 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 oppnår dette ved å bruke Peak?

En global detaljhandelskjede er for tiden i ferd med å utnytte Beslutningsintelligens for å både optimere sin transportnettverk og redusere mengden av ødelagte bevegelser av varer mellom fabrikker, distribusjonssteder og butikker. Selskapets mål er å redusere karbonutslipp og øke sine fortjenestemarginer.

Ved å bruke datakilder fra på tvers av etterspørsel, lager og kundeinformasjon, kombinert med elektronisk salgsinformasjon (EPOS) og kundedata, bruker selskapet DI for å optimere lager på hvert distribusjonssenter og koordinere bevegelser av lager mellom flere sentre, og tar i betraktning faktorer som etterspørsel (reell og prognostisert), produksjonsutgang, prosesskostnader og transportkostnader. Løsningen reduserte logistikk-kostnadene med 10 % og reduserte lastebilreiser mellom sentre med 200 000 km, og representerte en reduksjon på 147 metriske tonn i CO2-utslipp i de første åtte månedene av deployeringen.

Tilsvarende var en ledende produsent og leverandør av aggregat til byggeindustrien, med en total flåte på 400 kjøretøy, i stand til å øke jobber per sjåfør med 15 % og redusere kilometer per jobb med 3 % med en automatisert DI-planlegging som forutsier jobbetterspørsel og avbestillinger, maksimerer kjøretøyproduktivitet og planlegger kjøretøy-ruter.

Hva er din visjon for fremtiden av Peak?

Vi ønsker å sette Beslutningsintelligens i hendene på hver bedrift og bygge en bedrift som folk elsker å være en del av. Dette betyr at utvidelse for å støtte flere kunder globalt er vår topprioritet, og vi utvider i både USA og India, og åpner Clubhouser 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 sin 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 plattformfunksjoner og utvider på tvers av verden, er vi spente på å se applikasjonene som datavitenskapsteam 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, bør besøke Peak.