Robert Pierce, współzałożyciel i Chief Science Officer w DecisionNext – seria wywiadów

Bob Pierce, PhD jest współzałożycielem i Chief Science Officer w DecisionNext. Jego praca wprowadziła zaawansowaną analizę matematyczną do całkowicie nowych rynków i branż, poprawiając sposób, w jaki firmy podejmują strategiczne decyzje. Przed DecisionNext, Bob był Chief Scientist w SignalDemand, gdzie kierował nauką za rozwiązaniami dla producentów. Bob pełnił senior roles w dziale badań i rozwoju w Khimetrics (obecnie SAP) i ConceptLabs, a także akademickie stanowiska w National Academy of Sciences, Penn State University i UC Berkeley. Jego praca obejmuje wiele branż, w tym towary i produkcję, a także wnioski do dziedzin ekonomii, oceanografii, matematyki i nieliniowej dynamiki. Posiada wiele patentów i jest autorem kilku recenzowanych prac. Bob posiada tytuł doktora w dziedzinie fizyki teoretycznej na UC Berkeley.

DecisionNext to firma analityki danych i prognozowania, założona w 2015 roku, specjalizująca się w AI-driven price i prognozowaniu podaży. Firma została utworzona w celu rozwiązania ograniczeń tradycyjnych modeli prognozowania „black box”, które często nie posiadały przejrzystości i użytecznych informacji. Poprzez integrację AI i machine learning, DecisionNext zapewnia firmom większą widoczność czynników wpływających na ich prognozy, pomagając im podejmować świadome decyzje oparte na zarówno rynkowym, jak i biznesowym ryzyku. Ich platforma jest zaprojektowana w celu poprawy dokładności prognozowania w całym łańcuchu dostaw, umożliwiając klientom wyjście poza decyzje oparte na intuicji.

Jaki był pierwotny pomysł lub inspiracja założenia DecisionNext, i jak Twoje doświadczenie w fizyce teoretycznej i rolach w różnych branżach ukształtowało tę wizję?

Mój współzałożyciel Mike Neal i ja zdobyliśmy wiele doświadczenia w naszych poprzednich firmach, dostarczając rozwiązania optymalizacji i prognozowania dla detalistów i przetwórców towarów. Dwa podstawowe wnioski z tego doświadczenia były:

1. Użytkownicy muszą wierzyć, że rozumieją, skąd pochodzą prognozy i rozwiązania; oraz
2. Użytkownicy mają trudności z oddzieleniem tego, co myślą, że się wydarzy, od prawdopodobieństwa, że tak się stanie.

Te dwa pojęcia mają głębokie korzenie w ludzkiej percepcji, a także implikacje w tworzeniu oprogramowania do rozwiązywania problemów. Jest dobrze znane, że ludzki umysł nie jest dobry w obliczaniu prawdopodobieństw. Jako fizyk, nauczyłem się tworzyć ramy pojęciowe, aby zaangażować się w niepewność i budować rozproszone platformy obliczeniowe, aby ją zbadać. To jest techniczne podstawy naszych rozwiązań, aby pomóc naszym klientom podejmować lepsze decyzje w obliczu niepewności, co oznacza, że nie mogą wiedzieć, jak będą ewoluować rynki, ale muszą decydować, co robić teraz, aby maksymalizować zyski w przyszłości.

Jak Twoja transformacja na stanowisko Chief Science Officer wpłynęła na Twoje codzienne skupienie i długoterminową wizję dla DecisionNext?

Transformacja na stanowisko CSO zaangażowała mnie w refokusowanie na to, jak produkt powinien dostarczać wartość naszym klientom. W tym procesie, zrezygnowałem z niektórych codziennych odpowiedzialności inżynierskich, które są lepiej obsługiwane przez innych. Zawsze mamy długą listę funkcji i pomysłów, aby poprawić rozwiązanie, a ta rola daje mi więcej czasu na badanie nowych i innowacyjnych podejść.

Jakie unikalne wyzwania stawiają rynki towarów, które sprawiają, że są one szczególnie nadające się lub odporne na przyjęcie rozwiązań AI i machine learning?

Modelowanie rynków towarów przedstawia fascynującą mieszankę strukturalnych i stochastycznych właściwości. Połączenie tego z niezliczoną ilością sposobów, w jaki ludzie piszą kontrakty na towary fizyczne i papierowe, oraz wykorzystują materiały w produkcji, skutkuje niezwykle bogatym i skomplikowanym polem. Jednak matematyka jest znacznie mniej rozwinięta niż w przypadku prostszych światów akcji. AI i machine learning pomagają nam pracować nad tą złożonością, znajdując bardziej efektywne sposoby modelowania, a także pomagając naszym użytkownikom nawigować w złożonych decyzjach.

Jak DecisionNext balansuje użycie modeli machine learning z ludzką ekspertyzą, która jest krytyczna dla podejmowania decyzji w dziedzinie towarów?

Machine learning jako dziedzina jest ciągle udoskonalana, ale nadal ma trudności z kontekstem i przyczynowością. Nasze doświadczenie pokazuje, że istnieją aspekty modelowania, w których ludzka ekspertyza i nadzór są nadal krytyczne w celu wygenerowania solidnych, oszczędnych modeli. Nasi klienci generalnie patrzą na rynki przez pryzmat podaży i popytu. Jeśli modele nie odzwierciedlają tej wiary (a modele nie nadzorowane często nie), to nasi klienci generalnie nie rozwiną zaufania. Krytycznie, użytkownicy nie zintegrują niesolidnych modeli z ich codziennymi procesami decyzyjnymi. Więc nawet demonstracyjnie dokładny model machine learning, który sprzeciwia się intuicji, stanie się bardziej prawdopodobnie półką, niż nie.

Czy są specyficzne przełomy w AI lub nauce o danych, które uważasz, że rewolucjonizują prognozowanie towarów w nadchodzących latach, i jak DecisionNext przygotowuje się do tych zmian?

Nadejście funkcjonalnych LLM jest przełomem, który zajmie dużo czasu, aby w pełni przeniknąć do tkanki decyzji biznesowych. Tempo poprawy w samych modelach jest nadal zapierające dech w piersiach i trudne do nadążenia. Jednak myślę, że jesteśmy dopiero na początku drogi do zrozumienia najlepszych sposobów integracji AI z procesami biznesowymi. Większość problemów, z którymi spotykamy się, może być sformułowana jako problemy optymalizacji z skomplikowanymi ograniczeniami. Ograniczenia w procesach biznesowych są często nieudokumentowane i kontekstowo, a nie rygorystycznie egzekwowane. Myślę, że ta dziedzina jest ogromną, niezagospodarowaną okazją dla AI, aby odkryć niejawne ograniczenia w danych historycznych, a także zbudować i rozwiązać odpowiednie kontekstowe problemy optymalizacji.

Twoja praca obejmuje dziedziny tak różnorodne, jak oceanografia, ekonomia i nieliniowa dynamika. Jak te międzydyscyplinarne spojrzenia przyczyniają się do rozwiązywania problemów w prognozowaniu towarów?

Moje różnorodne doświadczenie informuje moją pracę w trzech sposób. Po pierwsze, szerokość mojej pracy uniemożliwiła mi zajęcie się zbyt głęboko jednym konkretnym obszarem matematyki. Zamiast tego zostałem wystawiony na wiele różnych dyscyplin i mogę czerpać z nich. Po drugie, wysokowydajne, rozproszone obliczenia były przewodnim wątkiem we wszystkich moich pracach. Wiele z tych technik, które wykorzystywałem jako student fizyki, jest teraz wykorzystywanych w ramach głównych, więc wszystko wydaje się mi znajome, nawet gdy tempo innowacji jest szybkie. Ostatnio, praca nad różnymi problemami inspiruje filozoficzną ciekawość. Jako student, nigdy nie rozważałem pracy w ekonomii, ale tutaj jestem. Nie wiem, nad czym będę pracował za 5 lat, ale wiem, że będę to znajome.

DecisionNext podkreśla wyjście poza model „black box” prognozowania. Dlaczego ta przejrzystość jest tak krytyczna, i jak wpływa na zaufanie użytkowników i przyjęcie?

Prototypowy handlowiec towarów (na lub poza giełdą) to ktoś, kto nauczył się podstaw swojej branży w produkcji, ale ma umiejętność obstawiania na rynku o dużej zmienności. Jeśli nie mają doświadczenia w realnym świecie po stronie podaży, nie zyskują zaufania wyższych urzędników i nie awansują jako handlowcy. Jeśli nie mają pewnej skłonności do hazardu, stresują się zbyt mocno przy wykonywaniu transakcji. W przeciwieństwie do kwantów z Wall Street, handlowcy towarowymi często nie mają formalnego wykształcenia w dziedzinie prawdopodobieństwa i statystyki. Aby zyskać zaufanie, musimy przedstawić system, który jest intuicyjny, szybki i dotyka ich poznawczego uprzedzenia, że popyt i podaż są głównymi czynnikami wpływającymi na duże ruchy rynkowe. Zatem, przyjmujemy podejście „white box”, w którym wszystko jest przejrzyste. Zwykle jest „randkowy” etap, w którym zaglądają głęboko pod maskę i prowadzimy ich przez rozumowanie systemu. Raz zaufanie jest ustanowione, użytkownicy nie spędzają czasu na zagłębianiu się w szczegóły, ale zwracają się okresowo, aby przesłuchać ważne lub zaskakujące prognozy.

Jak podejście DecisionNext do prognozowania z uwzględnieniem ryzyka pomaga firmom nie tylko reagować na warunki rynkowe, ale także proaktywnie kształtować swoje strategie?

Handel towarowy nie jest ograniczony do giełd. Większość firm ma tylko ograniczony dostęp do kontraktów terminowych, aby zabezpieczyć swoje ryzyko. Przetwórca może kupić notowany towar jako surowiec (być może bydło), ale ich wyjście jest również towarem o dużej zmienności, który często ma niewielką korelację cenową z wejściami. Biorąc pod uwagę strukturalne ograniczenie, że drogie urządzenia muszą działać blisko pełnej wydajności, przetwórcy są zmuszeni do posiadania strategicznego planu, który wygląda w przyszłość. To znaczy, że nie mogą działać wyłącznie na rynku spot, i muszą zawierać umowy na zakup surowców i sprzedaż wyrobów. DecisionNext pozwala przetwórcy prognozować cały ekosystem podaży, popytu i zmiennych cen, a następnie symulować, jak decyzje biznesowe są wpływane przez pełny zakres wyników rynkowych. Handel papierowy może być składnikiem strategii, ale najważniejsze jest zrozumienie zobowiązań materiałowych i sprzedażowych oraz decyzji dotyczących przetwórstwa, aby zapewnić wykorzystanie mocy produkcyjnych. DecisionNext jest stworzony specjalnie dla tego.

Jako osoba z głębokim doświadczeniem naukowym, co najbardziej ekscytuje Cię w punkcie przecięcia nauki i AI w transformowaniu tradycyjnych branż, takich jak towary?

Ekonomia behawioralna przekształciła nasze zrozumienie, jak percepcja wpływa na decyzje biznesowe. AI przekształca, jak możemy wykorzystywać oprogramowanie, aby wspierać ludzką percepcję i podejmować lepsze decyzje. Zyski wydajności, które zostaną zrealizowane dzięki automatyzacji AI, są szeroko omawiane i będą ekonomicznie istotne. Firmy towarowe działają z bardzo niskimi marżami i wysokimi kosztami pracy, więc prawdopodobnie będą korzystać znacznie z automatyzacji. Poza tym, uważam, że istnieje ukryta nieefektywność w sposobie, w jaki większość decyzji biznesowych jest podejmowana przez intuicję i reguły kciuka. Decyzje są często oparte na ograniczonej i nieprzejrzystej informacji oraz prostych narzędziach arkusza kalkulacyjnego. Dla mnie najbardziej ekscytującym wynikiem jest to, że platformy takie jak DecisionNext pomogą przekształcić procesy biznesowe, wykorzystując AI i symulację, aby unormować kontekst i podejmować decyzje świadome ryzyka, oparte na przejrzystych danych i otwartym rozumowaniu.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić DecisionNext.