Роберт Пирс, сооснователь и главный научный сотрудник DecisionNext – Интервью

Боб Пирс, PhD является сооснователем и главным научным сотрудником DecisionNext. Его работа привела к применению передового математического анализа в совершенно новых рынках и отраслях, 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 в области исследований и разработок в Khimetrics (ныне SAP) и ConceptLabs, а также академические должности в Национальной академии наук, Университете штата Пенсильвания и Университете Калифорнии в Беркли. Его работа охватывает ряд отраслей, включая товары и производство, и он внес вклад в области эконометрики, океанографии, математики и нелинейной динамики. Он является обладателем многочисленных патентов и автором нескольких рецензируемых статей. Боб имеет степень PhD в теоретической физике Университета Калифорнии в Беркли.

DecisionNext – это компания по анализу данных и прогнозированию, основанная в 2015 году, специализирующаяся на прогнозировании цен и поставок с помощью ИИ. Компания была создана для решения ограничений традиционных моделей прогнозирования “черного ящика”, которые часто не имели прозрачности и действенных выводов. Интегрируя ИИ и машинное обучение, DecisionNext предоставляет бизнесу более полную информацию о факторах, влияющих на их прогнозы, помогая им принимать обоснованные решения на основе рыночного и бизнес-риска. Платформа компании разработана для улучшения точности прогнозирования на протяжении всей цепочки поставок, позволяя клиентам выйти за рамки интуитивных решений.

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 предыдущих компаниях, предоставляя решения для оптимизации и прогнозирования для розничных продавцов и переработчиков товаров. Два основных вывода из этого опыта были:

1. Пользователям необходимо 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 два понятия 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 строить распределенные вычислительные платформы для изучения ее. Это техническая основа наших решений для помощи нашим клиентам в принятии лучших решений в условиях 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 DecisionNext?

Переход на должность главного научного сотрудника включал перефокусировку на том, как продукт должен доставлять ценность нашим клиентам. В процессе я освободил некоторые ежедневные инженерные обязанности, которые лучше 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 товарные рынки, что делает их особенно подходящими или устойчивыми к принятию решений на основе ИИ и машинного обучения?

Моделирование товарных рынков представляет собой увлекательную 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, критически важным 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 создания прочных, параксимонных 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 отражают), то наши клиенты обычно не развивают доверие. Критически важно, что пользователи не интегрируют недостоверные модели в свои ежедневные процессы принятия решений. Итак, даже демонстрируемо точная модель машинного обучения, которая противоречит интуиции, скорее всего, станет бесполезной.

Человеческий опыт клиента также критически важен, поскольку 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 инсайты, которые недоступны в качестве входных данных для моделей. DecisionNext AI позволяет пользователю дополнить входные данные моделей и создать рыночные сценарии. Это добавляет гибкость в прогнозы и рекомендации по принятию решений и повышает уверенность и взаимодействие пользователя 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 моделей машинного обучения – это прорыв, который займет много времени, чтобы полностью проникнуть в ткань бизнес-решений. Темп улучшений моделей сам по себе все еще удивителен 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 задачи оптимизации с сложными ограничениями. Ограничения внутри бизнес-процессов часто не задокументированы и контекстно, а не строго соблюдены. Я думаю, что эта область представляет собой огромную неиспользованную возможность для ИИ, чтобы как открыть неявные ограничения в исторических данных, так и построить и решить соответствующие контекстные задачи оптимизации.

DecisionNext – это доверенная платформа для решения этих проблем и предоставления легкого доступа к критической информации и прогнозам. DecisionNext разрабатывает агенты на основе моделей машинного обучения, чтобы сделать систему проще в использовании и выполнить сложные задачи внутри системы по указанию пользователя. Это позволит нам масштабировать и добавлять ценность в более бизнес-процессах и отраслях.

Как ваши междисциплинарные знания в таких областях, как океанография, эконометрика и нелинейная динамика, способствуют решению проблем в прогнозировании товаров?

Мои разнообразные знания информируют мою работу тремя способами. Во-первых, ширина моей работы не позволила мне слишком глубоко погрузиться в одну конкретную область математики. Вместо этого я был подвержен влиянию многих разных дисциплин и могу опираться на все они. Во-вторых, высокопроизводительные распределенные вычисления были постоянной нитью во всей моей работе. Многие из техник, которые я использовал для создания ад hoc-компьютерных кластеров как аспирант по физике, теперь используются в основных рамках, поэтому все это кажется мне знакомым, даже когда темп инноваций быстрый. Наконец, работа над всеми этими разными проблемами вдохновляет философское любопытство. Как аспирант, я никогда не задумывался о работе в экономике, но вот я здесь. Я не знаю, над чем я буду работать через 5 лет, но я знаю, что я найду это интересным.

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

Прототипичный товарный трейдер (на бирже или вне ее) – это человек, который выучил основы своей отрасли в производстве, но имеет навык для ставок в волатильном рынке. Если у них нет реального опыта в сфере поставок, они не заслуживают доверия руководителей и не получают повышения в качестве трейдера. Если у них нет некоторой склонности к азарту, они слишком сильно стрессируют при выполнении сделок. Несмотря на то, что у них нет формального образования в области вероятности и статистики, товарные трейдеры часто не имеют формального образования в области вероятности и статистики. Чтобы заслужить доверие, мы должны представить систему, которая является интуитивно понятной, быстрой и затрагивает их когнитивный предубеждение, что предложение и спрос являются основными драйверами крупных рыночных движений. Итак, мы используем “белый ящик” подход, где все прозрачно. Обычно есть “свидание” фаза, где они глубоко заглядывают под капот, и мы проводим их через рассуждения системы. Как только доверие установлено, пользователи обычно не тратят время на глубокое погружение, но будут возвращаться периодически, чтобы расследовать важные или удивительные прогнозы.

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

Торговля товарами не ограничивается биржами. Большинство компаний имеют только ограниченный доступ к фьючерсам для хеджирования риска. Производитель может купить перечисленный товар как сырье (скот, возможно), но его выход также является волатильным товаром (говядина), который часто имеет мало корреляции с входными данными. Учитывая структурное ограничение на маржу, которое имеют дорогие объекты, производители вынуждены иметь стратегический план, который смотрит в будущее. То есть они не могут безопасно работать исключительно на спотовом рынке и должны заключать контракты на покупку материалов и продажу выходов. DecisionNext позволяет производителю прогнозировать всю экосистему переменных предложения, спроса и цен, а затем симулировать, как бизнес-решения влияют на полный спектр рыночных результатов. Бумажная торговля может быть компонентом стратегии, но самое главное – понять материальные и продажные обязательства и решения по обработке, чтобы обеспечить использование мощностей. DecisionNext предназначен именно для этого.

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

Поведенческая экономика преобразила наше понимание того, как когнитивные процессы влияют на бизнес-решения. ИИ преобразует, как мы можем использовать программные инструменты для поддержки человеческой когнитивной деятельности и принятия лучших решений. Экономические выгоды, которые будут получены от автоматизации с помощью ИИ, были широко обсуждены и будут экономически важными. Товарные компании работают с очень тонкими 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 трансформировать бизнес-процесс, используя ИИ и симуляцию для нормализации контекста и принятия решений, учитывающих риск, на основе прозрачных данных и открытого рассуждения.

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