Chris Nicholson, Założyciel i Dyrektor Generalny Pathmind – Seria Wywiadów

Chris Nicholson jest założycielem Pathmind, startupu AI, który stosuje głębokie wzmocnienie uczenia się w łańcuchu dostaw i operacjach przemysłowych. Pathmind został założony, aby pomóc firmom radzić sobie z głębokimi zmianami gospodarczymi i zwiększać odporność ich operacji za pomocą AI. Chris nadzoruje strategiczną wizję i codzienną realizację firmy, napędzając innowacje i wzrost platformy technologicznej Pathmind, oraz optymalizując wydajność w magazynach i na podłogach fabrycznych w ramach cyfrowej transformacji biznesu.

Wcześniej Chris był dyrektorem generalnym Skymind, firmy AI zajmującej się głębokim uczeniem się. Przedtem pełnił role w dziale komunikacji i rekrutacji w FutureAdvisor, startupie wspieranym przez Sequoia i Y Combinator, który został przejęty przez BlackRock (BLK ) w 2015 roku za 200 milionów dolarów. Chris spędził także dekadę jako dziennikarz, relacjonując o technologii i finansach dla The New York Times, Bloomberg News i Businessweek, między innymi.

Czy mógłbyś opowiedzieć o swojej drodze, która doprowadziła Cię od bycia korespondentem The New York Times i redaktorem Bloomberg News do zaangażowania się w machine learning?

Kiedy byłem dziennikarzem, w latach 2000-2010, branża cierpiała, ponieważ reklamy przenosiły się do wyszukiwarek i mediów społecznościowych, a tradycyjne publikacje traciły czytelników. Relacjonowałem o finansach i technologiach i widziałem, jak ludzie budowali wiele nowych i interesujących rzeczy. W pewnym momencie powiedziałem sobie, że muszę znaleźć się po właściwej stronie robotów, więc przeniosłem się do San Francisco.

To było w 2013 roku. Wciąż były tam domy hakera w SOMA. Zamieszkałem w jednym z nich, na łóżku w pokoju z pięcioma innymi facetami, i codziennie rano szedłem do pracy w startupie, który przeszedł przez Y Combinator. Pracując w San Francisco, powoli poznałem ludzi i zrozumiałem, czym się interesuję. Wtedy głębokie uczenie się jeszcze się rozwijało. Można było zobaczyć potencjał, ale było jeszcze wiele do zbudowania. Ta ciekawość skłoniła mnie do zaangażowania się w projekt AI, który ostatecznie doprowadził do Pathmind.

Czy mógłbyś podzielić się szczegółami na temat tego, jak Pathmind może pomóc firmom?

Firmy, które mają fizyczne obiekty do zarządzania, takie jak magazyn, fabryka lub kopalnia, zwykle stają przed bardzo złożonymi zadaniem optymalizacji. To znaczy, muszą koordynować wiele urządzeń, aby osiągnąć cel. Wiele z nich próbuje maksymalizować przepływ i wydajność, a minimalizować koszty i emisje dwutlenku węgla. Projektujemy algorytmy, które mogą używać ich rzeczywistych danych, aby pokazać nowe sposoby, w jaki mogą sprawić, by ich urządzenia zachowywały się. To może dotyczyć planowania zadań i maszyn, trasowania floty i zarządzania kosztami energii, między innymi.

Jakie są korzyści z oprogramowania open source dla systemów machine learning?

Firmy oprogramowania to wszystko łodzie pływające na morzu kodu open source. Infrastruktura chmury publicznej działa na oprogramowaniu open source. Wiekszość narzędzi, których używają deweloperzy do budowy stron internetowych i aplikacji machine learning, jest również open source. To żywa ekosystem. Jesteśmy wczesnymi użytkownikami pracującymi nad ciekawymi nowymi projektami open source, takimi jak Ray, które pomaga uruchomić rozproszone obliczenia dla obciążeń AI.

Jesteś wyraźnie optymistycznie nastawiony do przyszłości głębokiego wzmocnienia uczenia się. Twoim zdaniem, jakie rodzaje firm są najlepiej przygotowane do skorzystania z tego rodzaju machine learning?

Firmy, z którymi pracujemy, zwykle mają dane, których używają do śledzenia swoich operacji i wyników. Zwykle mają fizyczne operacje, które mogą kontrolować. Nasze algorytmy potrzebują danych, aby zrozumieć środowisko, w którym działają, i muszą mieć do dyspozycji akcje do wyboru, takie jak urządzenia do kontrolowania, aby mogły mieć wpływ na wyniki. Podstawowo, firmy, które mają fizyczne operacje do kontrolowania, mają dane o tych operacjach i mają jakąś analitykę na miejscu dla tych danych, są w dobrej sytuacji, aby zacząć myśleć o optymalizacji takiej jak nasza.

Czy jest coś jeszcze, o czym chciałbyś porozmawiać na temat Pathmind?

Jedną z rzeczy, które robimy, która jest sąsiednia z kontrolowaniem fizycznych operacji, jest pomoc firmom w przewidywaniu szeregów czasowych. Takich danych, jak ceny lub popyt, wpływają na to, jak firma się zachowuje i jak wiele produkuje. Aby wyprodukować odpowiednią ilość, muszą wiedzieć, jaki będzie popyt. I aby mogli odpowiednio ustalić swoje ceny, muszą mieć wgląd w wahania cen. Nasze algorytmy są w stanie dokonywać takich prognoz.

Dziękujemy za wspaniały wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Pathmind.