Robert Pierce, Co-Fondator și Șef al Departamentului de Știință la DecisionNext – Seria de Interviuri

Bob Pierce, PhD este co-fondator și Șef al Departamentului de Știință la DecisionNext. Lucrările sale au adus analiza matematică avansată pe piețe și în industrii complet noi, îmbunătățind modul în care companiile se angajează în luarea deciziilor strategice. Înainte de a lucra la DecisionNext, Bob a fost Șeful Departamentului de Știință la SignalDemand, unde a condus știința din spatele soluțiilor pentru producători. Bob a ocupat funcții de cercetare și dezvoltare senior în cadrul Khimetrics (acum SAP) și ConceptLabs, precum și posturi academice în cadrul Academiei Naționale de Științe, Universitatea Penn State și UC Berkeley. Lucrările sale acoperă o gamă largă de industrii, inclusiv mărfuri și producție, și a făcut contribuții în domeniile econometriei, oceanografiei, matematicii și dinamicii neliniare. El deține numeroase brevete de invenție și este autorul mai multor articole peer-review. Bob are un doctorat în fizică teoretică de la UC Berkeley.

DecisionNext este o companie de analize de date și previziuni, fondată în 2015, specializată în previziuni de preț și aprovizionare bazate pe inteligență artificială. Compania a fost creată pentru a aborda limitările modelelor tradiționale de previziune “cutie neagră”, care adesea lipseau de transparență și informații acționabile. Prin integrarea inteligenței artificiale și a învățării automate, DecisionNext oferă companiilor o vizibilitate mai mare asupra factorilor care influențează previziunile lor, ajutându-le să ia decizii informate pe baza atât a riscului de piață, cât și a riscului de afaceri. Platforma lor este concepută pentru a îmbunătăți acuratețea previziunilor de-a lungul lanțului de aprovizionare, permițând clienților să treacă dincolo de luarea deciziilor bazate pe intuiție.

Care a fost ideea sau inspirația originală din spatele fondării DecisionNext, și cum a influențat background-ul dvs. în fizică teoretică și rolurile din diverse industrii această viziune?

Co-fondatorul meu, Mike Neal, și eu am acumulat o experiență considerabilă în companiile noastre anterioare, livrând soluții de optimizare și previziune pentru retaileri și procesatori de mărfuri. Două învățăminte principale din această experiență au fost:

1. Utilizatorii au nevoie să creadă că înțeleg de unde provin previziunile și soluțiile; și
2. Utilizatorii au o dificultate semnificativă în a separa ceea ce cred că se va întâmpla de probabilitatea ca aceasta să se întâmple în realitate.

Aceste două concepte au origini profunde în cogniția umană, precum și implicații în crearea de software pentru a rezolva probleme. Este bine cunoscut că mintea umană nu este bună la calcularea probabilităților. Ca fizician, am învățat să creez cadre conceptuale pentru a interacționa cu incertitudinea și să construiesc platforme computaționale distribuite pentru a explora aceasta. Acesta este fundamentul tehnic al soluțiilor noastre pentru a ajuta clienții noștri să ia decizii mai bune în fața incertitudinii, adică nu pot ști cum vor evolua piețele, dar totuși trebuie să decidă ce să facă acum pentru a maximiza profiturile în viitor.

Cum a influențat trecerea dvs. la rolul de Șef al Departamentului de Știință focusul dvs. zilnic și viziunea pe termen lung pentru DecisionNext?

Trecerea la funcția de Șef al Departamentului de Știință a implicat o reorientare a modului în care produsul ar trebui să ofere valoare clienților noștri. În acest proces, am renunțat la unele responsabilități zilnice de inginerie care pot fi gestionate mai bine de alții. Avem întotdeauna o listă lungă de caracteristici și idei pentru a face soluția mai bună, și acest rol îmi oferă mai mult timp pentru a cerceta abordări noi și inovatoare.

Care sunt provocările unice pe care le prezintă piețele de mărfuri, care le fac deosebit de potrivite sau rezistente la adoptarea soluțiilor de inteligență artificială și învățare automată?

Modelarea piețelor de mărfuri prezintă un amestec fascinant de proprietăți structurale și stohastice. Combinația acestora cu numărul imens de moduri în care oamenii scriu contracte pentru tranzacții fizice și de hârtie și utilizează materiale în producție duce la un domeniu incredibil de bogat și complicat. Cu toate acestea, matematica este considerabil mai puțin dezvoltată decât lumea, în mod evident mai simplă, a acțiunilor. Inteligența artificială și învățarea automată ne ajută să navigăm prin această complexitate, găsind modalități mai eficiente de modelare, precum și ajutând utilizatorii noștri să navigheze decizii complexe.

Cum echilibrează DecisionNext utilizarea modelelor de învățare automată cu expertiza umană critică pentru luarea deciziilor în domeniul mărfurilor?

Învățarea automată, ca domeniu, este într-o continuă îmbunătățire, dar încă luptă cu contextul și cauzalitatea. Experiența noastră arată că există aspecte ale modelării în care expertiza și supravegherea umană sunt încă critice pentru a genera modele robuste și parsimonioase. Clienții noștri privesc, de obicei, piețele prin lentila fundamentelor de ofertă și cerere. Dacă modelele noastre nu reflectă această credință (și modelele nesupravegheate adesea nu o fac), atunci clienții noștri, în general, nu vor dezvolta încredere. În mod crucial, utilizatorii nu vor integra modele neîncredinate în procesele zilnice de luare a deciziilor. Așadar, chiar și un model de învățare automată demonstrabil precis, care sfidează intuiția, va deveni probabil “shelfware” mai degrabă decât să fie utilizat.

Expertiza umană din partea clientului este, de asemenea, critică, deoarece este un adevăr că datele observate nu sunt niciodată complete, astfel încât modelele reprezintă o ghidare și nu ar trebui să fie confundate cu realitatea. Utilizatorii care sunt imersați în piețe au cunoștințe și perspective importante care nu sunt disponibile ca intrări pentru modele. DecisionNext AI permite utilizatorilor să completeze intrările modelului și să creeze scenarii de piață. Acest lucru adaugă flexibilitate previziunilor și recomandărilor de decizie, îmbunătățind încrederea și interacțiunea utilizatorului cu sistemul.

Există anumite descoperiri în inteligența artificială sau știința datelor pe care le considerați că vor revoluționa previziunile de mărfuri în următorii ani, și cum se poziționează DecisionNext pentru a profita de aceste schimbări?

Apariția modelelor de limbaj funcționale este o descoperire care va dura mult timp pentru a fi pe deplin integrată în procesele de afaceri. Ritmul de îmbunătățire a modelelor însele este încă uluitor și dificil de urmărit. Cu toate acestea, cred că suntem doar la începutul drumului de a înțelege cele mai bune modalități de integrare a inteligenței artificiale în procesele de afaceri. Majoritatea problemelor pe care le întâlnim pot fi formulate ca probleme de optimizare cu constrângeri complicate. Constrângerile din cadrul proceselor de afaceri sunt adesea nedorite și impuse contextual, mai degrabă decât riguros. Cred că această zonă este o oportunitate imensă și neexplorată pentru inteligența artificială, atât pentru a descoperi constrângeri implicite în datele istorice, cât și pentru a construi și rezolva problemele de optimizare contextuale adecvate.

DecisionNext este o platformă de încredere pentru a rezolva aceste probleme și pentru a oferi acces facil la informații critice și previziuni. DecisionNext dezvoltă agenți LLM pentru a face sistemul mai ușor de utilizat și pentru a efectua sarcini complicate în cadrul sistemului la direcția utilizatorului. Acest lucru ne va permite să scalăm și să adăugăm valoare în mai multe procese și industrii de afaceri.

Lucrările dvs. acoperă domenii atât de diverse, precum oceanografia, econometria și dinamica neliniară. Cum contribuie aceste perspective interdisciplinare la rezolvarea problemelor de previziune a mărfurilor?

Fundalul meu divers informează lucrările mele în trei moduri. În primul rând, amploarea lucrărilor mele m-a împiedicat să merg prea adânc într-o anumită zonă a matematicii. Mai degrabă, am fost expus la multe discipline diferite și pot atrage din toate acestea. În al doilea rând, calculul distribuit de înaltă performanță a fost un fir comun în toate lucrările pe care le-am făcut. Multe dintre tehnicile pe care le-am folosit pentru a construi clusteri computaționali ad-hoc ca student la fizică sunt utilizate acum în cadrul cadrelor mainstream, așa că totul pare familiar pentru mine, chiar și atunci când ritmul inovației este rapid. În cele din urmă, lucrul la toate aceste probleme diferite inspiră o curiozitate filosofică. Ca student, nu am contemplat niciodată să lucrez în economie, dar iată-mă. Nu știu ce voi face peste cinci ani, dar știu că voi găsi asta interesant.

DecisionNext subliniază ieșirea din modelul de previziune “cutie neagră”. De ce este această transparență atât de critică, și cum credeți că afectează încrederea și adoptarea utilizatorilor?

Un trader tipic de mărfuri (pe o bursă sau în afara ei) este cineva care a învățat bazele industriei în producție, dar are o abilitate pentru a paria pe o piață volatilă. Dacă nu au experiență în lumea reală a afacerilor din partea ofertei, nu câștigă încrederea executivilor și nu sunt promovați ca trader. Dacă nu au o anumită afinitate pentru a paria, se stresează prea mult atunci când execută tranzacții. În contrast cu “quants”-ii de pe Wall Street, traderii de mărfuri adesea nu au o pregătire formală în probabilitate și statistică. Pentru a câștiga încredere, trebuie să prezentăm un sistem care este intuitiv, rapid și atinge prejudecățile cognitive că oferta și cererea sunt principalii factori care influențează mișcările mari de piață. Așadar, adoptăm o abordare “cutie albă” în care totul este transparent. De obicei, există o fază de “îndrăgostire” în care ei privesc profund sub capotă și îi ghidăm prin raționamentul sistemului. Odată ce încrederea este stabilită, utilizatorii nu petrec, de obicei, timpul pentru a se uita adânc, dar se vor întoarce periodic pentru a interoga previziuni importante sau surprinzătoare.

Cum ajută abordarea DecisionNext de previziune conștientă de risc companiile să nu reacționeze doar la condițiile de piață, ci să-și modeleze în mod proactiv strategiile?

Tranzacționarea de mărfuri nu se limitează la burse. Majoritatea companiilor au acces limitat la futures pentru a-și acoperi riscurile. Un procesor poate cumpăra o marfă listată ca materie primă (vită, poate), dar produsul său de ieșire este, de asemenea, o marfă volatilă (carne de vită) care are adesea o corelație slabă cu intrările. Având în vedere constrângerile structurale de marjă care impun ca facilitățile scumpe să funcționeze aproape de capacitate, procesorii sunt forțați să aibă un plan strategic care se uită spre viitor. Adică, nu pot opera în siguranță exclusiv pe piața spot și trebuie să contracteze în avans pentru a cumpăra materiale și a vinde produse. DecisionNext permite procesorului să prevadă întregul ecosistem de ofertă, cerere și variabile de preț, și apoi să simuleze cum deciziile de afaceri sunt afectate de întreaga gamă de rezultate de piață. Tranzacționarea pe hârtie poate fi o componentă a strategiei, dar cel mai important este să înțeleagă angajamentele de materiale și vânzări și deciziile de procesare pentru a asigura utilizarea capacității. DecisionNext este creat special pentru acest lucru.

Ca persoană cu o profundă pregătire științifică, ce vă entuziasmează cel mai mult despre intersecția dintre știință și inteligență artificială în transformarea industriilor tradiționale, cum ar fi mărfurile?

Economiile comportamentale au transformat înțelegerea noastră despre modul în care cogniția afectează deciziile de afaceri. Inteligența artificială transformă modul în care putem utiliza instrumente software pentru a sprijini cogniția umană și a lua decizii mai bune. Îmbunătățirile de eficiență care vor fi realizate prin automatizarea bazată pe inteligență artificială au fost mult discutate și vor fi economic importante. Companiile de mărfuri operează cu marje subțiri și costuri de muncă ridicate, așa că probabil vor beneficia foarte mult de la automatizare. Dincolo de aceasta, cred că există o ineficiență ascunsă în modul în care sunt luate majoritatea deciziilor de afaceri, adesea bazate pe informații limitate și opace și pe instrumente de tabele simple. Pentru mine, cel mai interesant rezultat este ca platforme precum DecisionNext să ajute la transformarea procesului de afaceri, utilizând inteligența artificială și simularea pentru a normaliza contextul și deciziile conștiente de risc, bazate pe date transparente și raționament deschis.

Mulțumim pentru acest interviu minunat; cititorii care doresc să afle mai multe despre DecisionNext pot vizita DecisionNext.