Chris Nicholson, Fundador e CEO da Pathmind – Série de Entrevistas

Chris Nicholson é o fundador da Pathmind, uma startup de IA que aplica aprendizado de reforço profundo à cadeia de suprimentos e operações industriais. A Pathmind foi fundada para ajudar as empresas a lidar com mudanças econômicas profundas e aumentar a resiliência de suas operações com IA. Chris supervisiona a visão estratégica da empresa e a execução diária, impulsionando a inovação e o crescimento da plataforma de tecnologia da Pathmind e otimizando o desempenho em armazéns e em plantas de fábrica como parte da transformação digital dos negócios.

Anteriormente, Chris foi o CEO da Skymind, uma empresa de IA focada em aprendizado profundo. Antes disso, ele ocupou cargos de comunicação e recrutamento para a FutureAdvisor, uma startup apoiada pela Sequoia e Y Combinator que foi adquirida pela BlackRock (BLK ) em 2015 por US$ 200 milhões. Chris também passou uma década como jornalista, relatando sobre tecnologia e finanças para The New York Times, Bloomberg News e Businessweek, entre outros.

Você foi anteriormente um correspondente para The New York Times e um editor para Bloomberg News antes de mudar para o aprendizado de máquina, poderia discutir a jornada por trás desse realinhamento do seu caminho de carreira?

Quando eu era jornalista, nos anos 2000 e início de 2010, a indústria estava sofrendo porque os anúncios estavam se mudando para motores de busca e mídias sociais, e as publicações tradicionais estavam perdendo leitores. Eu estava cobrindo finanças e tecnologia e vi pessoas construindo muitas coisas novas e interessantes. Em um certo momento, eu disse a mim mesmo que precisava estar do lado certo dos robôs, então me mudei para São Francisco.

Isso foi em 2013. Havia ainda casas de hackers em SOMA naquela época. Eu me mudei para uma delas, para uma cama em um quarto com cinco outros caras, e fui trabalhar todas as manhãs em uma startup que havia passado pelo Y Combinator. Trabalhando em São Francisco, eu gradualmente fui conhecendo pessoas e descobrindo o que me interessava. Naquela época, o aprendizado profundo ainda estava começando a decolar. Você podia ver o potencial, mas ainda havia muito a ser construído. Essa curiosidade me levou a me envolver em um projeto de IA que eventualmente levou à Pathmind.

Poderia compartilhar alguns detalhes sobre como a Pathmind pode ajudar as empresas?

As empresas que têm uma planta física para gerenciar, como um armazém, uma fábrica ou um local de mineração, geralmente enfrentam tarefas de otimização muito complexas. Ou seja, elas precisam coordenar muito equipamento para atingir um objetivo. Muitas delas estão tentando maximizar a produção e a eficiência, e minimizar os custos e as emissões de carbono. Nós projetamos algoritmos que podem usar os dados reais delas para mostrar novas maneiras para elas fazerem seu equipamento se comportar. Isso pode se aplicar à programação de trabalhos e máquinas, roteamento de frotas e gerenciamento de custos de energia, entre outras coisas.

Quais são alguns benefícios do software de código aberto para sistemas de aprendizado de máquina?

As empresas de software estão todas flutuando em um mar de código de código aberto. A infraestrutura das nuvens públicas é executada em código aberto. Muitas das ferramentas que os desenvolvedores usam para construir sites e aplicações de aprendizado de máquina também são de código aberto. É um ecossistema vibrante. Nós somos adotantes precoces trabalhando em projetos de código aberto emocionais, como o Ray, que ajuda a iniciar computação distribuída para cargas de trabalho de IA.

Você claramente é otimista sobre o futuro do aprendizado de reforço profundo; na sua opinião, quais tipos de empresas estão melhor posicionadas para aproveitar esse tipo de aprendizado de máquina?

As empresas com as quais trabalhamos normalmente têm dados que estão usando para rastrear suas operações e desempenho. Elas tendem a ter operações físicas onde elas podem controlar o comportamento do equipamento. Nossos algoritmos precisam de dados para entender o ambiente em que operam, e precisam ser apresentados com ações para escolher, como equipamentos para controlar, para que possam ter um efeito nos resultados. Basicamente, as empresas que têm operações físicas para controlar, têm dados sobre essas operações e algumas análises em vigor para esses dados, estão em uma boa posição para começar a pensar sobre otimização como a nossa.

Há algo mais que você gostaria de discutir sobre a Pathmind?

Uma coisa que fazemos que é adjacente ao controle de operações físicas é ajudar as empresas a prever séries temporais. Então, dados como preços ou demanda influenciarão como uma empresa se comporta e quanto produz. Para produzir a quantidade certa, elas precisam saber quanto demanda haverá. E, para poder definir corretamente seus preços, elas precisam ter uma leitura sobre flutuações de preços. Nossos algoritmos são capazes de fazer essas previsões.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar a Pathmind.