Роберт Пирс, сооснователь и главный научный сотрудник DecisionNext – Интервью-серия

Боб Пирс, PhD является сооснователем и главным научным сотрудником DecisionNext. Его работа привела к введению передового математического анализа на совершенно новые рынки и отрасли, улучшая способ, которым компании принимают стратегические решения. До DecisionNext Боб был главным ученым в SignalDemand, где он руководил наукой за решениями для производителей. Боб занимал старшие должности исследований и разработок в Khimetrics (ныне SAP) и ConceptLabs, а также академические должности в Национальной академии наук, Университете штата Пенсильвания и UC Berkeley. Его работа охватывает ряд отраслей, включая товары и производство, и он внес вклад в области эконометрики, океанографии, математики и нелинейной динамики. Он владеет многочисленными патентами и является автором нескольких рецензируемых статей. Боб имеет степень PhD в теоретической физике от UC Berkeley.

DecisionNext – это компания по анализу данных и прогнозированию, основанная в 2015 году, специализирующаяся на прогнозировании цен и поставок, основанном на ИИ. Компания была создана для решения ограничений традиционных “черных ящиков” моделей прогнозирования, которые часто не имели прозрачности и действенных прозрений. Интегрируя ИИ и машинное обучение, DecisionNext предоставляет бизнесу большую прозрачность в факторы, влияющие на их прогнозы, помогая им принимать обоснованные решения на основе рыночного и делового риска. Платформа компании предназначена для улучшения точности прогнозирования на всем цепочке поставок, позволяя клиентам выйти за пределы принятия решений, основанных на интуиции.

Какова была исходная идея или вдохновение за основанием DecisionNext, и как ваш опыт в теоретической физике и ролях в различных отраслях сформировал это видение?

Мой сооснователь Майк Нил и я накопили большой опыт в наших предыдущих компаниях, предоставляя решения оптимизации и прогнозирования розничным торговцам и переработчикам товаров. Два основных вывода из этого опыта были:

1. Пользователям нужно верить, что они понимают, откуда берутся прогнозы и решения; и
2. Пользователям очень трудно отделить то, что они думают, что произойдет, от вероятности того, что это действительно произойдет.

Эти две концепции имеют глубокие корни в человеческом познании, а также последствия для создания программного обеспечения для решения проблем. Известно, что человеческий разум не хорошо справляется с расчетом вероятностей. Как физик, я научился создавать концептуальные рамки для взаимодействия с неопределенностью и построения распределенных вычислительных платформ для ее изучения. Это техническая основа наших решений для помощи нашим клиентам в принятии лучших решений перед лицом неопределенности, то есть они не могут знать, как будут развиваться рынки, но все равно должны решить, что делать сейчас, чтобы максимизировать прибыль в будущем.

Как ваш переход на должность главного научного сотрудника повлиял на ваш ежедневный фокус и долгосрочное видение для DecisionNext?

Переход на должность главного научного сотрудника涉нул перефокусировку на то, как продукт должен доставлять ценность нашим клиентам. В процессе я освободил некоторые ежедневные инженерные обязанности, которые лучше всего выполняются другими. У нас всегда есть длинный список функций и идей, чтобы сделать решение лучше, и эта роль дает мне больше времени для исследования новых и инновационных подходов.

Какие уникальные проблемы представляют собой рынки товаров, что делает их особенно подходящими – или устойчивыми – к принятию решений на основе ИИ и машинного обучения?

Моделирование рынков товаров представляет собой fascинirующую смесь структурных и стохастических свойств. Объединив это с бесчисленным количеством способов, которыми люди пишут контракты для физической и бумажной торговли и используют материалы в производстве, получается невероятно богатая и сложная область. Однако математика значительно менее развита, чем в более простом мире акций. ИИ и машинное обучение помогают нам работать с этой сложностью, находя более эффективные способы моделирования, а также помогая нашим пользователям ориентироваться в сложных решениях.

Как DecisionNext балансирует использование моделей машинного обучения с человеческим опытом, критическим для принятия решений в сфере товаров?

Машинное обучение как область постоянно улучшается, но оно все еще борется с контекстом и причинностью. Наш опыт показывает, что есть аспекты моделирования, где человеческий опыт и надзор все еще критически важны для генерации прочных, простых моделей. Наши клиенты обычно смотрят на рынки через призму фундаментальных факторов предложения и спроса. Если модели не отражают эту убежденность (и модели без надзора часто не делают), то наши клиенты обычно не развивают доверие. Критически важно, что пользователи не будут интегрировать недостоверные модели в свои ежедневные процессы принятия решений. Итак, даже демонстрируемая точная модель машинного обучения, которая противоречит интуиции, скорее всего, станет бесполезной.

Человеческий опыт клиентов также критически важен, потому что это аксиома, что наблюдаемые данные никогда не являются полными, поэтому модели представляют собой руководство и не должны быть приняты за реальность. Пользователи, погруженные в рынки, имеют важные знания и прозрения, которые недоступны в качестве входных данных для моделей. DecisionNext AI позволяет пользователям дополнить входные данные моделей и создать рыночные сценарии. Это добавляет гибкость в прогнозы и рекомендации по принятию решений и повышает уверенность пользователей и взаимодействие с системой.

Есть ли конкретные прорывы в ИИ или науке о данных, которые, по вашему мнению, революционизируют прогнозирование товаров в ближайшие годы, и как DecisionNext позиционирует себя для этих изменений?

Появление функциональных LLM является прорывом, который займет много времени, чтобы полностью проникнуть в ткань бизнес-решений. Темп улучшений в самих моделях все еще захватывает дух и трудно за ним угнаться. Однако я думаю, что мы только в начале пути к пониманию лучших способов интеграции ИИ в бизнес-процессы. Большинство проблем, с которыми мы сталкиваемся, можно сформулировать как проблемы оптимизации с сложными ограничениями. Ограничения внутри бизнес-процессов часто не задокументированы и контекстно, а не строго соблюдены. Я думаю, что эта область является огромной неиспользованной возможностью для ИИ, чтобы открыть неявные ограничения в исторических данных, а также построить и решить соответствующие контекстные проблемы оптимизации.

DecisionNext является доверенной платформой для решения этих проблем и предоставления легкого доступа к критической информации и прогнозам. DecisionNext разрабатывает агентов на основе LLM, чтобы сделать систему проще в использовании и выполнить сложные задачи внутри системы по указанию пользователя. Это позволит нам масштабироваться и добавлять ценность в более бизнес-процессах и отраслях.

Ваша работа охватывает области, такие как океанография, эконометрика и нелинейная динамика. Как эти междисциплинарные прозрения способствуют решению проблем в прогнозировании товаров?

Мой разнообразный опыт информирует мою работу тремя способами. Во-первых, ширина моей работы не позволила мне слишком глубоко погрузиться в одну конкретную область математики. Вместо этого я был знаком с многими различными дисциплинами и могу черпать из всех них. Во-вторых, высокопроизводительные распределенные вычисления были красной нитью во всей работе, которую я выполнил. Многие из техник, которые я использовал для создания ад hoc-вычислительных кластеров как аспирант по физике, теперь используются в основных рамках, поэтому все кажется знакомым, даже когда темп инноваций быстрый. Наконец, работа над этими различными проблемами вдохновляет философское любопытство. Как аспирант, я никогда не думал о работе в экономике, но вот я здесь. Я не знаю, над чем я буду работать через 5 лет, но я знаю, что найду это интригующим.

DecisionNext подчеркивает выход из модели “черного ящика” прогнозирования. Почему эта прозрачность так критически важна, и как вы думаете, она влияет на доверие пользователей и принятие?

Типичный трейдер товаров (на бирже или вне ее) – это тот, кто выучил основы своей отрасли в производстве, но имеет талант к ставкам в волатильном рынке. Если они не имеют реального опыта в сфере поставок, они не заслуживают доверия руководителей и не получают повышения как трейдер. Если они не имеют некоторой склонности к азарту, они слишком сильно стрессуют во время выполнения сделок. В отличие от квант-трейдеров Уолл-стрит, трейдеры товаров часто не имеют формального образования в области вероятности и статистики. Чтобы заслужить доверие, нам нужно представить систему, которая является интуитивно понятной, быстрой и затрагивает их когнитивный偏见, что предложение и спрос являются основными движущими силами крупных рыночных движений. Итак, мы принимаем “белый ящик” подход, где все прозрачно. Обычно есть “свидание” фаза, где они глубоко заглядывают под капот и мы руководим их через рассуждения системы. Как только доверие установлено, пользователи обычно не тратят время на глубокое погружение, но будут возвращаться периодически, чтобы допросить важные или удивительные прогнозы.

Как подход DecisionNext к прогнозированию, учитывающему риск, помогает компаниям не только реагировать на рыночные условия, но и активно формировать свою стратегию?

Торговля товарами не ограничивается биржами. Большинство компаний имеют только ограниченный доступ к фьючерсам, чтобы хеджировать свой риск. Переработчик может купить перечисленный товар в качестве сырья (скот, возможно), но его выход также является волатильным товаром (говядина), который часто имеет мало ценовой корреляции с входными данными. Учитывая структурное ограничение маржи, что дорогие объекты должны работать gần к полной загрузке, переработчики вынуждены иметь стратегический план, который смотрит в будущее. То есть они не могут безопасно работать исключительно на спотовом рынке и должны заключать контракты вперед, чтобы купить материалы и продать выходы. DecisionNext позволяет переработчику прогнозировать всю экосистему переменных предложения, спроса и цены, а затем моделировать, как бизнес-решения влияют на весь спектр рыночных результатов. Бумажная торговля может быть компонентом стратегии, но наиболее важно понять обязательства по материалам и продажам и решения по переработке, чтобы обеспечить загрузку мощностей. DecisionNext предназначен специально для этого.

Как человек с глубоким научным прошлым, что вас больше всего вдохновляет в пересечении науки и ИИ в трансформации традиционных отраслей, таких как товары?

Бихевиоральная экономика преобразила наше понимание того, как когнитивные процессы влияют на бизнес-решения. ИИ преобразует, как мы можем использовать программные инструменты для поддержки человеческой когнитивности и принятия лучших решений. Экономические выгоды от автоматизации, облегченной ИИ, были широко обсуждены и будут экономически важными. Компании, работающие с товарами, работают с минимальными прибыльными маржами и высокими затратами на труд, поэтому они, вероятно, сильно выиграют от автоматизации. За пределами этого я считаю, что существует скрытая неэффективность в том, как большинство бизнес-решений принимаются на основе интуиции и правил. Решения часто основаны на ограниченной и непрозрачной информации и простых инструментах электронных таблиц. Для меня наиболее интересным результатом является то, что платформы, такие как DecisionNext, помогут преобразовать бизнес-процесс, используя ИИ и моделирование для нормализации контекстно-зависимых и осведомленных о риске решений на основе прозрачных данных и открытого рассуждения.

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