Robert Pierce, Co-Fundador e Diretor Científico da DecisionNext – Série de Entrevistas

Bob Pierce, PhD é co-fundador e Diretor Científico da DecisionNext. Seu trabalho trouxe análise matemática avançada para mercados e indústrias completamente novos, melhorando a forma como as empresas tomam decisões estratégicas. Antes da DecisionNext, Bob foi Cientista Chefe da SignalDemand, onde orientou a ciência por trás de suas soluções para fabricantes. Bob ocupou cargos de pesquisa e desenvolvimento sênior na Khimetrics (agora SAP) e ConceptLabs, bem como cargos acadêmicos com a National Academy of Sciences, Penn State University e UC Berkeley. Seu trabalho abrange uma gama de indústrias, incluindo commodities e manufatura, e ele fez contribuições para os campos da econometria, oceanografia, matemática e dinâmica não linear. Ele detém numerousos patentes e é autor de vários artigos revisados por pares. Bob tem um PhD em física teórica pela UC Berkeley.

DecisionNext é uma empresa de análise de dados e previsão fundada em 2015, especializada em previsão de preços e suprimentos impulsionada por IA. A empresa foi criada para abordar as limitações dos modelos de previsão tradicionais “caixa preta”, que frequentemente careciam de transparência e insights ação. Ao integrar IA e aprendizado de máquina, a DecisionNext fornece às empresas uma visão mais clara dos fatores que influenciam suas previsões, ajudando-as a tomar decisões informadas com base em riscos de mercado e negócios. Sua plataforma é projetada para melhorar a precisão das previsões em toda a cadeia de suprimentos, permitindo que os clientes ultrapasssem a tomada de decisões baseada na intuição.

Qual foi a ideia original ou inspiração por trás da fundação da DecisionNext, e como sua formação em física teórica e funções em várias indústrias moldaram essa visão?

Meu co-fundador Mike Neal e eu acumulamos muita experiência em nossas empresas anteriores, fornecendo soluções de otimização e previsão para varejistas e processadores de commodities. Duas lições primárias dessa experiência foram:

1. Os usuários precisam acreditar que entendem de onde vêm as previsões e soluções; e
2. Os usuários têm grande dificuldade em separar o que pensam que acontecerá da probabilidade de que realmente aconteça.

Esses dois conceitos têm origens profundas na cognição humana, bem como implicações na forma de criar software para resolver problemas. É bem conhecido que a mente humana não é boa em calcular probabilidades. Como físico, aprendi a criar estruturas conceituais para lidar com a incerteza e construir plataformas computacionais distribuídas para explorá-la. Isso é a base técnica de nossas soluções para ajudar nossos clientes a tomar melhores decisões diante da incerteza, significando que eles não podem saber como os mercados evoluirão, mas ainda precisam decidir o que fazer agora para maximizar os lucros no futuro.

Como sua transição para o papel de Diretor Científico influenciou seu foco diário e visão de longo prazo para a DecisionNext?

A transição para CSO envolveu uma redefinição de como o produto deve entregar valor aos nossos clientes. No processo, eu liberei algumas responsabilidades diárias de engenharia que são melhor tratadas por outros. Sempre temos uma longa lista de recursos e ideias para tornar a solução melhor, e esse papel me dá mais tempo para pesquisar novas e inovadoras abordagens.

Quais desafios únicos os mercados de commodities apresentam que os tornam particularmente adaptados – ou resistentes – à adoção de soluções de IA e aprendizado de máquina?

Modelar mercados de commodities apresenta uma mistura fascinante de propriedades estruturais e estocásticas. Combinar isso com o número incontável de maneiras pelas quais as pessoas escrevem contratos para comércio físico e papel e utilizam materiais na produção resulta em um campo incrivelmente rico e complicado. No entanto, a matemática é consideravelmente menos desenvolvida do que o mundo supostamente mais simples das ações. A IA e o aprendizado de máquina nos ajudam a trabalhar com essa complexidade, encontrando maneiras mais eficientes de modelar e ajudando nossos usuários a navegar em decisões complexas.

Como a DecisionNext equilibra o uso de modelos de aprendizado de máquina com a expertise humana crítica para a tomada de decisões de commodities?

O aprendizado de máquina como um campo está constantemente melhorando, mas ainda luta com contexto e causalidade. Nossa experiência é que há aspectos do modelagem onde a expertise e supervisão humanas são ainda críticas para gerar modelos robustos e parcimoniosos. Nossos clientes geralmente olham para os mercados através da lente dos fundamentos da oferta e demanda. Se os modelos não refletem essa crença (e os modelos não supervisionados frequentemente não o fazem), então nossos clientes geralmente não desenvolvem confiança. Crucialmente, os usuários não integrarão modelos não confiáveis em seus processos de tomada de decisões diários. Então, mesmo um modelo de aprendizado de máquina demonstravelmente preciso que desafia a intuição se tornará um software inútil mais provavelmente do que não.

Humanos expertise do cliente também é crítica porque é um truísmo que os dados observados nunca são completos, então os modelos representam um guia e não devem ser confundidos com a realidade. Os usuários imersos nos mercados têm conhecimento e insights importantes que não estão disponíveis como entrada para os modelos. A IA da DecisionNext permite que o usuário aumente as entradas do modelo e crie cenários de mercado. Isso constrói flexibilidade nas previsões e recomendações de decisões e melhora a confiança e interação do usuário com o sistema.

Há avanços específicos em IA ou ciência de dados que você acredita que revolucionarão a previsão de commodities nos próximos anos, e como a DecisionNext está se posicionando para essas mudanças?

O advento de LLMs funcionais é um avanço que levará um longo tempo para se infiltrar completamente na fabrica das decisões de negócios. O ritmo de melhorias nos modelos em si é ainda impressionante e difícil de acompanhar. No entanto, acredito que estamos apenas no início do caminho para entender as melhores maneiras de integrar a IA nos processos de negócios. A maioria dos problemas que encontramos pode ser enquadrada como problemas de otimização com restrições complicadas. As restrições dentro dos processos de negócios são frequentemente não documentadas e contextualmente, em vez de rigorosamente, aplicadas. Acredito que essa área é uma enorme oportunidade inexplorada para a IA descobrir restrições implícitas nos dados históricos, bem como construir e resolver os problemas de otimização contextuais apropriados.

DecisionNext é uma plataforma confiável para resolver esses problemas e fornecer acesso fácil a informações críticas e previsões. A DecisionNext está desenvolvendo agentes baseados em LLM para tornar o sistema mais fácil de usar e realizar tarefas complicadas dentro do sistema sob a direção do usuário. Isso nos permitirá escalar e adicionar valor em mais processos de negócios e indústrias.

Seu trabalho abrange campos tão diversos quanto oceanografia, econometria e dinâmica não linear. Como essas perspectivas interdisciplinares contribuem para resolver problemas na previsão de commodities?

Minha formação diversa informa meu trabalho de três maneiras. Primeiro, a amplitude do meu trabalho me impediu de ir muito fundo em uma área específica de matemática. Em vez disso, fui exposto a muitas disciplinas diferentes e posso tirar proveito de todas elas. Segundo, o cálculo distribuído de alto desempenho foi uma linha de trabalho em tudo o que fiz. Muitas das técnicas que usei para criar clusters de computação ad hoc como estudante de graduação em Física são usadas em frameworks principais agora, então tudo parece familiar para mim, mesmo quando o ritmo da inovação é rápido. Por fim, trabalhar em todos esses problemas diferentes inspira uma curiosidade filosófica. Como estudante de graduação, nunca considerei trabalhar em Economia, mas aqui estou. Não sei no que estarei trabalhando em 5 anos, mas sei que encontrarei algo intrigante.

A DecisionNext enfatiza a quebra do modelo de previsão “caixa preta”. Por que essa transparência é tão crítica, e como você acredita que isso impacta a confiança e adoção do usuário?

Um trader de commodities prototípico (em ou fora de uma exchange) é alguém que aprendeu os básicos de sua indústria na produção, mas tem uma habilidade para apostar em um mercado volátil. Se eles não têm experiência no mundo real no lado da oferta do negócio, eles não ganham a confiança dos executivos e não são promovidos como traders. Se eles não têm alguma afinidade com o jogo, eles se estressam demais ao executar negociações. Ao contrário dos quants de Wall Street, os traders de commodities frequentemente não têm um background formal em probabilidade e estatística. Para ganhar confiança, temos que apresentar um sistema que seja intuitivo, rápido e toque no viés cognitivo de que a oferta e demanda são os principais impulsionadores de grandes movimentos de mercado. Então, seguimos uma abordagem “caixa branca” onde tudo é transparente. Geralmente há uma “fase de namoro” onde eles olham profundamente sob a capa e nos guiamos através do raciocínio do sistema. Uma vez que a confiança é estabelecida, os usuários não passam muito tempo olhando fundo, mas retornarão periodicamente para interrogar previsões importantes ou surpreendentes.

Como a abordagem da DecisionNext para previsão consciente de risco ajuda as empresas a não apenas reagir às condições de mercado, mas a moldar proativamente suas estratégias?

O comércio de commodities não está limitado a exchanges. A maioria das empresas tem apenas acesso limitado a futuros para hedge seu risco. Um processador pode comprar uma commodity listada como matéria-prima (gado, talvez), mas sua saída também é uma commodity volátil (carne) que frequentemente tem pouca correlação de preço com as entradas. Dada a restrição de margem estrutural que as instalações caras têm de operar perto da capacidade, os processadores são forçados a ter um plano estratégico que olhe para o futuro. Isso é, eles não podem operar inteiramente no mercado spot e têm que contratar para a frente para comprar materiais e vender saídas. A DecisionNext permite que o processador preveja todo o ecossistema de variáveis de oferta, demanda e preços, e então simule como as decisões de negócios são afetadas por toda a gama de resultados de mercado. O comércio de papel pode ser um componente da estratégia, mas o mais importante é entender os compromissos de materiais e vendas e decisões de processamento para garantir a utilização da capacidade. A DecisionNext é feita sob medida para isso.

Como alguém com um fundo científico profundo, o que o excita mais sobre a interseção da ciência e da IA na transformação de indústrias tradicionais como commodities?

A economia comportamental transformou nossa compreensão de como a cognição afeta as decisões de negócios. A IA está transformando como podemos usar ferramentas de software para apoiar a cognição humana e tomar melhores decisões. Os ganhos de eficiência que serão realizados pela automação habilitada por IA têm sido muito discutidos e serão economicamente importantes. As empresas de commodities operam com margens muito finas e altos custos de mão de obra, então elas presumivelmente se beneficiarão muito da automação. Além disso, acredito que há uma ineficiência oculta na forma como a maioria das decisões de negócios são tomadas por intuição e regras de bolso. As decisões são frequentemente baseadas em informações limitadas e opacas e ferramentas de planilha simples. Para mim, o resultado mais emocionante é que plataformas como a DecisionNext ajudem a transformar o processo de negócios usando IA e simulação para normalizar o contexto e decisões conscientes de risco com base em dados transparentes e raciocínio aberto.

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