Chris Nicholson, grundare och VD för Pathmind – Intervjuserie

Chris Nicholson är grundare av Pathmind, ett AI-startup som tillämpar djup förstärkt inlärning på leveranskedjor och industriella operationer. Pathmind grundades för att hjälpa företag hantera djupa ekonomiska förändringar och öka motståndskraften i sina operationer med AI. Chris ansvarar för företagets strategiska vision och dagliga genomförande, driver innovation och tillväxt för Pathminds teknologiplattform och optimerar prestanda på lager och fabriksgolv som en del av digitaliseringen av företag.

Tidigare var Chris VD för Skymind, ett AI-företag som fokuserade på djupinlärning. Innan dess hade han kommunikations- och rekryteringsroller för FutureAdvisor, ett Sequoia-backat Y Combinator-startup som förvärvades av BlackRock (BLK ) 2015 för 200 miljoner dollar. Chris tillbringade också ett decennium som journalist, rapporterade om teknik och finans för The New York Times, Bloomberg News och Businessweek, bland andra.

Du var tidigare korrespondent för The New York Times och redaktör för Bloomberg News innan du bytte till maskinlärning, kan du diskutera resan bakom denna omriktning av din karriär?

När jag var journalist, i början av 2000-talet och tidigt 2010-tal, ledde branschen av att annonser flyttade till sökmotorer och sociala medier, och traditionella publikationer förlorade läsare. Jag rapporterade om finans och teknik och såg människor bygga många nya och intressanta saker. Vid en viss punkt sa jag till mig själv att jag behövde komma på rätt sida om robotarna, så jag flyttade till San Francisco.

Det var 2013. Det fanns fortfarande hackerhus i SOMA då. Jag flyttade in i ett av dem, på en koj i ett rum med fem andra killar, och gick till arbetet varje morgon på ett startup som hade gått genom Y Combinator. Arbetande i San Francisco, lärde jag mig långsamt känna människor och förstå vad jag var intresserad av. Då var djupinlärning fortfarande på uppgång. Du kunde se potentialen, men det fanns fortfarande mycket att bygga. Den här nyfikenheten drev mig att engagera mig i ett AI-projekt som till slut ledde till Pathmind.

Kan du dela några detaljer om hur Pathmind kan hjälpa företag?

Företag som har en fysisk anläggning att hantera, som ett lager, en fabrik eller en gruva, står vanligtvis inför mycket komplexa optimeringsuppgifter. Det vill säga, de behöver koordinera mycket utrustning för att uppnå ett mål. Många av dem försöker maximera genomströmning och effektivitet och minimera kostnader och koldioxidutsläpp. Vi utformar algoritmer som kan använda deras riktiga data för att visa nya sätt för dem att få sin utrustning att bete sig. Det kan tillämpas på jobb- och maskinschemaläggning, flottledning och energikostnadsförvaltning, bland annat.

Vilka är några fördelar med öppen källkod för maskinlärningssystem?

Programvaruföretag är alla båtar som flyter på en hav av öppen källkod. Infrastrukturen för de offentliga molnen körs på öppen källkod. Många av de verktyg som utvecklare använder för att bygga webbplatser och maskinlärningsapplikationer är också öppen källkod. Det är en livlig ekosystem. Vi är tidiga antagare som arbetar för spännande nya öppna källkodsprojekt som Ray, som hjälper dig att starta distribuerad databehandling för AI-arbetsbelastningar.

Du verkar vara positiv till framtiden för djup förstärkt inlärning, vad för typer av företag är bäst lämpade för att dra nytta av denna typ av maskinlärning?

Företagen vi arbetar med har vanligtvis data som de använder för att spåra sina operationer och prestanda. De tenderar att ha fysiska operationer där de kan kontrollera utrustningens beteende. Våra algoritmer behöver data för att förstå den miljö de opererar i, och de behöver presenteras med åtgärder att välja mellan, som utrustning att kontrollera, så att de kan ha en effekt på resultaten. I princip, företag som har fysiska operationer att kontrollera, har data om dessa operationer och viss analys på plats för den datan, är i en bra position för att börja tänka på optimering som vår.

Finns det något annat du vill diskutera om Pathmind?

En sak vi gör som är nära kopplad till att kontrollera fysiska operationer är att hjälpa företag förutsäga tidsserier. Så, data som priser eller efterfrågan kommer att påverka hur ett företag beter sig och hur mycket det producerar. För att producera rätt mängd behöver de veta hur stor efterfrågan kommer att vara. Och för att kunna sätta rätt priser behöver de ha en uppfattning om prisfluktuationer. Våra algoritmer kan göra dessa prognoser.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Pathmind.