Robert Pierce, medgrunnlegger og Chief Science Officer i DecisionNext – Intervju-serie

Bob Pierce, PhD er medgrunnlegger og Chief Science Officer i DecisionNext. Hans arbeid har bragt avansert matematisk analyse til helt nye marked og industrier, og forbedret måten bedrifter engasjerer i strategisk beslutningstaking. Før DecisionNext var Bob Chief Scientist i SignalDemand, der han ledet vitenskapen bak løsningene for produsenter. Bob har hatt senior forsknings- og utviklingsroller i Khimetrics (nå SAP) og ConceptLabs, samt akademiske stillinger ved National Academy of Sciences, Penn State University og UC Berkeley. Hans arbeid spenner over en rekke industrier, inkludert råvarer og produksjon, og han har bidratt til feltene økonomi, oseanografi, matematikk og ikke-lineær dynamikk. Han har flere patenter og er forfatter av flere fagfellevurderte artikler. Bob har en PhD i teoretisk fysikk fra UC Berkeley.

DecisionNext er et dataanalyse- og prognoseselskap etablert i 2015, som spesialiserer seg på AI-drevne pris- og tilgangsprognoser. Selskapet ble etablert for å løse begrensningene i tradisjonelle “black box”-prognosemodeller, som ofte manglet transparens og handlebare innsikter. Ved å integrere AI og maskinlæring, gir DecisionNext bedrifter større innsikt i faktorene som påvirker deres prognoser, og hjelper dem med å ta informerte beslutninger basert på både marked- og forretningsrisiko. Deres plattform er designet for å forbedre prognosepresisjonen over hele forsyningskjeden, og muliggjør at kundene kan gå beyond intuition-basert beslutningstaking.

Hva var den opprinnelige ideen eller inspirasjonen bak å etablere DecisionNext, og hvordan har din bakgrunn i teoretisk fysikk og roller i ulike industrier formet denne visjonen?

Min medgrunnlegger Mike Neal og jeg har samlet mye erfaring fra våre tidligere selskaper med å levere optimaliserings- og prognoseløsninger til detaljister og råvareprosessorer. To viktige lærdommer fra denne erfaringen var:

1. Brukerne må tro at de forstår hvor prognosene og løsningene kommer fra; og
2. Brukerne har vanskelig for å skille hva de tror vil skje fra sannsynligheten for at det faktisk vil skje.

Disse to konseptene har dypt opphav i menneskelig kognisjon, samt implikasjoner for hvordan man kan lage programvare for å løse problemer. Det er velkjent at det menneskelige hjernen ikke er god til å beregne sannsynligheter. Som fysiker, lærte jeg å lage konseptuelle rammeverk for å engasjere med usikkerhet og bygge distribuerte beregningsplattformer for å utforske det. Dette er den tekniske underbygningen av våre løsninger for å hjelpe våre kunder med å ta bedre beslutninger i møte med usikkerhet, det vil si at de ikke kan vite hvordan markedene vil utvikle seg, men likevel må ta beslutninger om hva de skal gjøre nå for å maksimere fortjenesten i fremtiden.

Hvordan har din overgang til rollen som Chief Science Officer påvirket din dag-til-dag fokus og langtidsvisjon for DecisionNext?

Overgangen til CSO har innebåret en omfokusering på hvordan produktet skal levere verdi til våre kunder. I prosessen har jeg frigjort noen dag-til-dag tekniske ansvar som er bedre håndtert av andre. Vi har alltid en lang liste med funksjoner og ideer for å gjøre løsningen bedre, og denne rollen gir meg mer tid til å forsk på nye og innovative tilnærminger.

Hva er de unike utfordringene som råvaremarkedene presenterer, som gjør dem spesielt egnet – eller motstandsdyktige – mot å ta i bruk AI- og maskinlæringsløsninger?

Modellering av råvaremarked presenterer en fascinerende blanding av strukturelle og stokastiske egenskaper. Kombinert med det ubegrensede antallet måter mennesker skriver kontrakter for fysisk og papirhandel, samt bruker materialer i produksjon, resulterer det i et usedvanlig rikt og komplisert felt. Likevel er matematikken betraktelig mindre utviklet enn den arguementerte enklere verden av aksjer. AI og maskinlæring hjelper oss med å arbeide gjennom denne kompleksiteten ved å finne mer effektive måter å modellere på, samt hjelpe våre brukere med å navigere komplekse beslutninger.

Hvordan balanserer DecisionNext bruken av maskinlæringsmodeller med den menneskelige ekspertisen som er kritisk for råvarebeslutninger?

Maskinlæring som felt er konstant i forbedring, men det kjemper fortsatt med kontekst og årsakssammenheng. Vår erfaring er at det finnes aspekter av modellering hvor menneskelig ekspertise og tilsyn er fortsatt kritisk for å generere robuste, parsimonøse modeller. Våre kunder ser vanligvis på markedet gjennom linsen av tilgang og etterspørsel. Hvis modellene ikke reflekterer denne overbevisningen (og uovervåkede modeller gjør ofte ikke), så vil våre kunder vanligvis ikke utvikle tillit. Kritisk er at brukerne ikke vil integrere upålitelige modeller i deres dag-til-dag beslutningsprosesser. Så selv en demonstrativt nøyaktig maskinlæringsmodell som motsier intuition, vil bli hyllvarer mere sannsynlig enn ikke.

Er det spesifikke gjennombrudd i AI eller datavitenskap som du tror vil revolusjonere råvareprognoser i årene som kommer, og hvordan stiller DecisionNext seg i forhold til disse endringene?

Introduksjonen av funksjonelle LLM-er er et gjennombrudd som vil ta lang tid å fullt ut perkolere inn i forretningsbeslutninger. Fremgangen i forbedringen av modellene selv er fortsatt åndeløs og vanskelig å holde pace med. Likevel tror jeg at vi bare er i begynnelsen av veien til å forstå de beste måtene å integrere AI i forretningsprosesser. De fleste problemene vi møter kan rammes inn som optimaliseringsproblemer med kompliserte begrensninger. Begrensningene i forretningsprosesser er ofte udokumenterte og kontekstuell snarere enn rigorøst håndhevet. Jeg tror dette er et enormt ubenyttet mulighet for AI til både å oppdage implisitte begrensninger i historiske data, samt bygge og løse de passende kontekstuelle optimaliseringsproblemer.

Din arbeid spenner over felt som oseanografi, økonomi og ikke-lineær dynamikk. Hvordan bidrar disse tverrfaglige innsiktene til å løse problemer i råvareprognoser?

Min diverse bakgrunn informerer min arbeid på tre måter. Først har bredden av min arbeid forbudt meg å gå for dypt inn i ett bestemt område av matematikk. Jeg har i stedet blitt eksponert for mange forskjellige disipliner og kan trekke på alle disse. Second, høy-ytelses distribuert beregning har vært en gjennomgående tråd i all arbeid jeg har gjort. Mange av teknikken jeg brukte til å sammenføye ad-hoc beregningskluster som en gradstudent i fysikk, brukes nå i mainstream-rammeverk, så alt føles familiært for meg selv når innovasjonstakten er rask. Til slutt, arbeid på alle disse forskjellige problemene inspirerer en filosofisk nysgjerrighet. Som en gradstudent, tenkte jeg aldri på å arbeide med økonomi, men her er jeg. Jeg vet ikke hva jeg vil jobbe med om 5 år, men jeg vet jeg vil finne det interessant.

DecisionNext legger vekt på å bryte ut av “black box”-modellen for prognoser. Hvorfor er denne transparensen så kritisk, og hvordan tror du det påvirker brukertillit og adopsjon?

En prototypisk råvarehandler (på eller utenfor en børs) er noen som lærte grunnleggende industrikunnskaper i produksjon, men har en evne for å satse i et volatilt marked. Hvis de ikke har virkelig verdens erfaring på forsyningsiden av bedriften, så tjener de ikke tillit hos ledere og blir ikke forfremmet som handlere. Hvis de ikke har en affinitet for gambling, så stresser de for mye ut i å utføre handler. I motsetning til Wall Street-kvanta, har råvarehandlere ofte ikke en formell bakgrunn i sannsynlighet og statistikk. For å oppnå tillit, må vi presentere et system som er intuitivt, raskt og berører deres kognitive fordommer om at tilgang og etterspørsel er de primære drivkreftene bak store markedsbevegelser. Så, vi tar en “white box”-tilnærming hvor alt er transparent. Vanligvis er det en “dating”-fase hvor de ser dypt under huven og vi guider dem gjennom systemets resonnering. Når tillit er etablert, så tilbringer brukerne vanligvis ikke mye tid på å se dypt, men vil returnere periodisk for å avhøre viktige eller overraskende prognoser.

Hvordan hjelper DecisionNexts tilnærming til risiko-bevisst prognose bedrifter med ikke bare å reagere på markedstilstander, men også å forme deres strategier proaktivt?

Råvarehandel er ikke begrenset til børser. De fleste bedrifter har bare begrenset tilgang til futures for å dekke deres risiko. En prosessor kan kjøpe en notert råvare som råstoff (kanskje kveg), men deres utgang er også en volatil råvare (kanskje kjøtt) som ofte har liten pris-korrelasjon med inngangene. Gitt den strukturelle margin-begrensningen at dyre anlegg må operere nær kapasitet, er prosessorene tvunget til å ha en strategisk plan som ser ut i fremtiden. Det vil si, de kan ikke trygt operere helt i spot-markedet, og de må kontrahere fremover for å kjøpe råvarer og selge utganger. DecisionNext lar prosessoren prognostisere hele økosystemet av tilgang, etterspørsel og pris-variabler, og deretter simulere hvordan forretningsbeslutninger påvirkes av det fullstendige spekteret av markedresultater. Papirhandel kan være en komponent av strategien, men det viktigste er å forstå materiale- og salgsforpliktelser og prosessbeslutninger for å sikre kapasitetsutnyttelse. DecisionNext er skreddersydd for dette.

Som noen med en dyp vitenskapelig bakgrunn, hva er det som spenner deg mest om krysningen av vitenskap og AI i å transformere tradisjonelle industrier som råvarer?

Atferdsvitenskap har transformert vår forståelse av hvordan kognisjon påvirker forretningsbeslutninger. AI transformerer hvordan vi kan bruke programværktøy til å støtte menneskelig kognisjon og ta bedre beslutninger. Effektivitetsgevinstene som vil bli realisert gjennom AI-aktivert automatisering har vært mye diskutert og vil være økonomisk viktige. Råvarebedrifter opererer med svært små marger og høye arbeidskostnader, så de vil antageligvis dra stor nytte av automatisering. Ut over dette, tror jeg at det finnes en skjult ineffektivitet i måten de fleste forretningsbeslutninger tas på, ofte basert på begrensede og uklare informasjoner og enkle regneark-verktøy. For meg er det mest spennende resultatet at plattformer som DecisionNext kan hjelpe med å transformere forretningsprosessen ved å bruke AI og simulering til å normalisere kontekst og risiko-bevisste beslutninger basert på transparente data og åpen resonnering.

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