Джонатан Хорн, генеральный директор и сооснователь Treefera – Интервью

Джонатан Хорн, генеральный директор и сооснователь Treefera, является технологическим предпринимателем и бывшим инвестиционным банкиром с глубокими знаниями в области управления рисками, искусственного интеллекта и крупномасштабного анализа данных. До основания Treefera в 2022 году он занимал руководящие должности в J.P. Morgan и Citigroup, где он занимался рисками, данными и сложными финансовыми системами. Основываясь на своем опыте в области финансовых моделей управления рисками, Хорн запустил Treefera, чтобы решить одну из наиболее постоянных проблем в глобальных цепочках поставок: “первую милю”, где происходят сырье. Под его руководством компания быстро выросла в ведущего поставщика интеллекта цепочки поставок, основанного на искусственном интеллекте, giúpая предприятиям получить реальное представление о закупках, экологических рисках, требованиях к соблюдению и операционной устойчивости.

Основанная в Лондоне в 2022 году, Treefera является компанией, использующей искусственный интеллект для обеспечения прозрачности в первой миле глобальных цепочек поставок товаров. Ее проприетарная ткань данных объединяет спутниковые изображения, пространственные и временные данные, модели искусственного интеллекта и анализ рисков, чтобы предоставить организациям реальное представление о закупках, соблюдении, устойчивости и рисках цепочки поставок. Платформа помогает бизнесу отслеживать все, от воздействия на леса и воздействия на углерод до рисков, связанных с закупками товаров, что позволяет принимать более обоснованные решения в области закупок, финансов и операций. Преобразуя фрагментированные экологические и данные цепочки поставок в действенную информацию, Treefera стремится укрепить устойчивость цепочки поставок в все более волатильной и регулируемой глобальной экономике

Вы основали Treefera после руководящих ролей в области рисков, искусственного интеллекта и анализа данных в J.P. Morgan и Citi. Какой конкретный пробел вы увидели в понимании предприятиями рисков сельскохозяйственных и мягких товаров, что убедило вас в необходимости существования Treefera?

Сырьевые товары представляют собой 2,1 триллиона долларов мировой торговли, но данные, лежащие в основе оценки рисков для этих активов, были ручными, задержанными и структурально неточными. Работая с моделями рисков в J.P. Morgan и Citi, я видел, как решения о ценах и воздействии зависели от данных, полученных на первой миле сельскохозяйственных цепочек поставок: собранных вручную, склонных к пропускам и часто отстающих от реальности на недели или месяцы. Шестьдесят процентов рисков цепочки поставок возникают на первой миле, до того, как товары достигнут порта или биржи, но именно там была наименьшая прозрачность.

Меня убедило построить Treefera совпадение двух вещей: масштаб проблемы и появление инструментов, способных решить ее. Разрешение спутниковых изображений и покрытие достигли точки, где можно было наблюдать состояние посевов на уровне поля в основных регионах производства при минимальной стоимости. Искусственный интеллект созрел до точки, где он мог превратить сырой сигнал в финансово интерпретируемый. Никто не соединял эти точки в строгом, научном ключе. Предприятия все еще оценивали риски на основе правительственных отчетов, которые отставали от реальных условий на месяцы, национальных средних значений, которые маскировали местные вариации, и линейных моделей, которые не могли справиться с климатической волатильностью. Пробел между тем, что было известно, и тем, что было возможно знать, был огромным. Этот пробел и есть то место, где находится Treefera.

Treefera часто описывается как платформа интеллекта, основанная на искусственном интеллекте, но ваш подход явно не сосредоточен на LLM. Как вы объясните разницу между прогностическим искусственным интеллектом для цепочек поставок и генеративными системами искусственного интеллекта, которые в настоящее время доминируют в разговоре?

Генеративный искусственный интеллект и крупномасштабные языковые модели решают фундаментально другую проблему. Они являются инструментами производительности: чрезвычайно полезными для упрощения повторяющихся задач, таких как создание и суммирование. Коммерческая задача для этих систем заключается в внедрении, в том, чтобы заставить людей изменить свой способ работы. Это проблема рыночного образования, а не научная.

Treefera использует искусственный интеллект для решения научных проблем с финансовыми требованиями точности. Наши модели глубокого обучения обучены интерпретировать спутниковые изображения, сигналы климата и биологию посевов, чтобы произвести прогнозы урожайности и площади производства, достаточно точные, чтобы информировать решения о распределении капитала. Вопрос, на который мы отвечаем, не “что говорит этот документ?”, а “что даст этот регион через три месяца, и насколько уверенно можно быть?”. Это не один и тот же класс проблем и они не требуют одного и того же класса модели. LLM оптимизированы для языка; наши модели оптимизированы для интерпретации физического мира. Смешивание их приводит к применению неправильного класса инструментов к проблеме, для которой они не были построены.

Многие компании, занимающиеся искусственным интеллектом, утверждают, что лучшая производительность требует больше вычислительных мощностей, более крупных моделей и большего доступа к GPU. Treefera, кажется, оспаривает это предположение. Что означает “бережливое вычисление” на практике, и почему оно важно для прикладного искусственного интеллекта?

Преобладающее предположение в области искусственного интеллекта заключается в том, что масштаб равен производительности: больше параметров, больше GPU, больше облачной инфраструктуры. Для прикладного искусственного интеллекта в конкретных контекстах это предположение неверно и приводит к ненужным затратам и энергетическим потерям.

Бережливое вычисление, на практике, означает три вещи для нас. Во-первых, мы отделяем вычисления от времени. Большинство наших задач обработки не требуют выполнения в определенный момент. Вместо того, чтобы запускать инфраструктуру, которая всегда включена, мы определяем периоды избыточной сети и занимаем вычислительную мощность в эти окна.

Во-вторых, мы децентрализуем рабочие нагрузки. Вместо того, чтобы маршрутизировать все через единую облачную точку, мы распределяем нагрузку по сети доступных узлов, включая инфраструктуру блокчейна, которая имеет значительную простаивающую мощность в определенные периоды. Если один узел становится неэффективным, задачи динамически маршрутизируются.

В-третьих, мы подбираем аппаратное обеспечение. Мы используем NVIDIA (NVDA ) AG6 вместо топовых чипов, где производительность эквивалентна для наших рабочих нагрузок при доле энергии и стоимости. Причина, по которой это важно, заключается не только в эффективности, но и в точности. Бережливое вычисление заставляет нас быть дисциплинированными в отношении того, какие вычисления нам действительно нужны. Это производит более стройные, интерпретируемые модели – те, которые финансовые и операционные руководители могут фактически использовать. Им не нужна более крупная модель; им нужен более точный ответ.

Ваша платформа, как сообщается, обеспечивает прогностические выводы о урожайности, использовании земли и риске поставок без полагания на инфраструктуру, всегда включенную в облаке. Как вы отделяете вычисления от времени, одновременно обеспечивая коммерчески полезную, почти реальную интеллект?

Почти реальное представление и непрерывные вычисления – это не одно и то же. Наши клиенты нуждаются в прогнозах, обновляемых еженедельно; им не нужно, чтобы вычисления, которые генерируют эти прогнозы, выполнялись непрерывно.

Мы сопоставляем наши циклы обработки с естественным ритмом данных. Спутниковые изображения прибывают на определенный интервал. Входные данные погоды обновляются на определенный интервал. Аналитические вопросы, на которые отвечают наши модели, также определяются интервалом: какова траектория урожайности для этого региона, что изменилось на этой неделе в посаженных площадях. Итак, мы запланируем вычислительные задания для выполнения против этих окон данных, занимая мощность из распределенной инфраструктуры во время периодов низкого спроса. Вывод для клиента – еженедельный поток данных, который является актуальным, действенным и готовым для моделирования. Инфраструктура, лежащая в основе, работает только тогда, когда есть что-то значимое для обработки. Эта архитектура также более устойчива. Распределенная рабочая нагрузка, которая маршрутизируется вокруг неисправных узлов, более надежна, чем всегда включенный сервер с единой точкой отказа.

Сельскохозяйственные и мягкие товарные рынки все еще сильно полагаются на задержанные, основанные на опросах или фрагментированные данные. Как искусственный интеллект меняет способ, которым компании, банки, страховщики и трейдеры могут оценить риски до того, как они станут видны в официальных отчетах?

Структурная проблема с отчетностью, основанной на опросах, заключается в том, что она является ретроспективной по своей конструкции. К моменту, когда государственное агентство публикует оценку поставок, лежащие в основе физические условия уже устарели на недели или месяцы. Рынки, которые реагируют на эти данные, реагируют на историю.

Искусственный интеллект меняет это, смещая источник информации от опросов к прямому наблюдению. Спутниковые изображения, сигналы климата и данные о развитии посевов доступны сейчас, а не через шесть недель, когда отчет будет составлен и опубликован. То, что делают наши модели, – это перевод этих физических данных в финансовый язык, который трейдеры, страховщики и аналитики фактически используют: прогнозы урожайности с указанными интервалами неопределенности, оценки площади производства с еженедельными обновлениями, баллы стресса, которые количественно оценивают риск на уровне происхождения до того, как он проявится в ценах.

В 2022 году наши модели кукурузы в США отметили пересмотр вниз за пять недель до того, как USDA опубликовала свои. В январе 2025 года наши модели обнаружили балл стресса 0,76 по всей зоне какао в Гане; COCOBOD не пересмотрела свой прогноз сезона до июня. Информационное преимущество не является незначительным; оно является структурным. Предприятия, все еще ожидающие официальных отчетов, чтобы принимать решения о поставках и ценах, действуют с отставанием, которого их контрагенты могут не разделять.

“Первая миля” цепочек поставок исторически была одной из наименее прозрачных областей для глобальных предприятий. Почему видимость первой мили становится сейчас так критической, особенно с учетом увеличения климатической волатильности, регулирования и геополитической неопределенности?

Три силы сходятся, и каждая из них индивидуально значима.

Климатическая волатильность увеличивает частоту и тяжесть производственных шоков на уровне происхождения. Одно и то же погодное событие теперь несет большее воздействие на поставки, поскольку системы посевов более напряжены и экстремальные события менее предсказуемы из исторических средних значений. Линейные модели рисков, построенные на исторических нормах, являются структурально не приспособленными для решения этой проблемы. Вам нужно реальное наблюдение, чтобы увидеть, что действительно происходит в поле.

Регулирование создает прямую связь между ответственностью между тем, что происходит на первой миле, и тем, что предприятие может продать или профинансировать. EUDR, CSRD, TCFD: эти рамки требуют от предприятий знать, с доказательствами, откуда происходят их товары и какие условия на уровне происхождения были. “Мы доверяли поставщику” больше не является защитной позицией. Эта ответственность толкает прослеживаемость и происхождение от предпочтения закупок к юридическому требованию.

Геополитические нарушения сделали зависимость от одного региона значительным риском для совета директоров. Когда один регион составляет доминирующую долю глобальных поставок товара и этот регион становится политически или физически ненадежным, предприятия без видимости первой мили не имеют раннего предупредительного механизма. Они узнают об этом, когда рынок уже переоценил.

Также происходит более широкий сдвиг в самом экосистеме данных. Запуск Google (GOOGL ) Earth AI пан-тропических товарных карт – ежегодные 10-метровые следы посевов для какао, кофе, масличной пальмы и каучука, выпущенные как открытые данные – является полезным индикатором того, куда все идет. Физический мир становится все более читаемым из космоса, и спрос на прозрачность цепочки поставок теперь стал мейнстримом enough, чтобы привлечь инвестиции big-tech в крупном масштабе. Treefera приветствует это. Более богатый основной слой данных повышает пол целиком рынка и создает общее осознание того, что лучшая информация не только возможна, но и доступна.

Что открытые карты обнаружения не могут сделать, так это закрыть разрыв в интеллекте. Знание того, где посажены посевы, не является тем же, что и знание того, как развивается этот сезон, какие условия на уровне происхождения означают для вашего воздействия на поставки или где ваш портфель находится под угрозой. Перевод из наблюдения в финансово-качественную информацию – это то, для чего построена Treefera.

Невежество первой мили ранее было коммерчески терпимым, когда мир был более предсказуемым. Теперь оно уже не так.

Ваша клиентская база включает крупные организации, такие как JP Morgan, Microsoft (MSFT ), Bayer и Anew. Какие наиболее распространенные проблемы предприятия пытаются решить с помощью Treefera: соблюдение, риск поставок, прогнозирование, устойчивость, закупки или что-то другое?

Основная проблема, которую предприятия приносят нам, – это версия одной и той же вещи: у них есть значительная финансовая зависимость от того, что происходит на первой миле сельскохозяйственных цепочек поставок, и нет надежного механизма, чтобы увидеть это до того, как это обойдется им дорого. Конкретная формулировка различается по секторам.

Для трейдеров и финансовых учреждений, подверженных воздействию товаров, вопрос заключается в информационном преимуществе: видеть сдвиги в поставках до того, как они появятся в ценах или официальных данных. Для сельскохозяйственных кредиторов и страховщиков вопрос заключается в оценке рисков; они страхуют или финансируют операции, чья производительность напрямую регулируется условиями, которые они не могут наблюдать. Для корпоративных клиентов с обязательствами по устойчивости или соблюдению вопрос заключается в доказательствах: доказать, с защитными данными, что их цепочки поставок соответствуют стандартам, которые теперь требуют регулирующие органы и контрагенты.

Традиционный ответ – доверять поставщику, ждать правительственного отчета, купить консенсус-оценку – больше не является достаточным. Точность и скорость, которые им нужны, не существуют в публичной экосистеме данных. Она существует на первой миле.

Treefera сообщила о 6-кратном годовом росте, нулевом оттоке и переоформленном раунде серии B за два года. Что такое уровень принятия говорит о спросе предприятий на системы искусственного интеллекта, которые являются точными, эффективными и операционно обоснованными, а не просто крупномасштабными?

Нулевой отток – это самый показательный сигнал. Рост выручки может отражать коммерческую реализацию; нулевой отток отражает соответствие продукта рынку. Клиенты, которые использовали данные за полный сезон, протестировали их против своих собственных моделей и приняли решения на их основе, и затем продлили, говорят нам, что сигнал реален и что он меняет то, как они работают.

Это также указывает на значительный неудовлетворенный спрос предприятий на искусственный интеллект, который является точным, аудиторским и операционно интегрируемым – спрос, не удовлетворенный ландшафтом, сильно взвешенным в сторону генеративных инструментов и крупномасштабных общих моделей. Профессионалы цепочки поставок и рисков нуждаются в прогнозе с указанным интервалом неопределенности, который они могут поддержать в комитете по рискам. Когда эта планка достигается – специфические для области данные, финансово-качественная точность, прозрачная методология – предприятия отдают приоритет этому. Переоформленный фонд привлечения средств отражает признание инвесторами той же динамики: рынок велик, проблема является структурной, и существующая инфраструктура данных не была построена для ее решения.

Смотря вперед, считаете ли вы, что следующая фаза прикладного искусственного интеллекта будет определяться не столько масштабом модели, сколько операционной эффективностью, специфическими для области данными и измеримыми бизнес-результатами?

Да, и доказательства этого уже видны.

Крупномасштабный искусственный интеллект начинает достигать пределов того, что может решить сырой масштаб. Добавление параметров не улучшает прогноз урожайности, если лежащие в основе данные грубые, задержанные или географически неправильно расположены. Маргинальная ценность вычислений уменьшается, когда узким местом является качество данных и точность области, а не размер модели.

Следующая фаза будет определяться специфическими для области обучающими данными, правильно подобранными моделями и верифицируемыми выводами. В секторах, таких как сельское хозяйство, финансы и цепочки поставок, где решения несут финансовые и операционные последствия, вопрос никогда не был “как велик модель?”. Он был “насколько надежен ответ и как быстро можно действовать на его основе?”. Масштаб alone не может ответить на это. Компании, которые будут лидировать в прикладном искусственном интеллекте в течение следующих пяти лет, будут иметь построенные проприетарные трубопроводы данных в физический мир, обученные модели на этих данных с соответствующей научной строгостью и продемонстрировали измеримую точность в реальных условиях. Технология становится все более товарной; данные и экспертиза области не являются таковыми.

Благодарим за отличное интервью, читатели, которые хотят узнать больше, должны посетить Treefera.