Gaurav Bubna, medgrundare av NextBillion.ai – Intervjuserie

Gaurav Bubna är medgrundare av NextBillion.ai, en kartplattform byggd för företag. Han har tidigare arbetat med företag som Grab, Ola och ZLemma (förvärvat av Hired.com)

Vad var det som initialt drog dig till datavetenskap och maskinlärning?

Redan när jag gick i skolan var jag alltid intresserad av matematik och de små bitar av programmering jag kunde göra då. När jag gick på college tycktes det därför naturligt att studera datavetenskap. Maskinlärning har mer varit en “förvärvad smak” under åren. Jag älskade kombinationen av praktiska och verkliga aspekter som stora mängder data och möjligheten att tillämpa dem på en mängd olika verkliga tillämpningar, samt de teoretiska aspekterna som sannolikhetslära, som jag alltid har funnit fascinerande.

Före du grundade nextbillion.ai var du en av grundarna av Maps-produktteamet på Grab, där du hjälpte till att skala upp teamet från en 10-mannagrupp till 300+ på cirka 2,5 år. Vilka var några av de viktigaste lärdomarna du drog från den erfarenheten?

En viktig lärdom jag lärde mig var att varje land Grab opererade i, trots att de alla var en del av “Sydostasien”, i praktiken var så olika. Lösningar som faktiskt fungerade bra byggdes på ett sätt som gjorde att de kunde anpassas till varje företag, varje land och ibland till och med olika städer inom samma land. De flesta produkter byggs inte på det sättet, och det är väldigt svårt att balansera förmågan att skala snabbt men ändå bygga produkter som är anpassade till varje användningsfall. Jag tycker att den balansen är en viktig lärdom jag lärde mig under min tid där.

Kan du berätta om bakgrunden till NextBillion.ai?

Vi investerade i kartlösningar som var specifikt behövda av Grab men inte något som konsumentinriktade kartor som Google (GOOGL ) var byggda för att stödja. Med tiden kunde vi driva en enorm påverkan för Grab, både i termer av enhetskostnader för Grab och i termer av stark konkurrensdifferentiering. Och medan Grab var i en lycklig position att kunna investera så mycket i sina kartor, kommer de flesta andra företag inte att kunna göra det (eftersom de inte har samlat in så mycket kapital). Så vi såg en möjlighet att ta några av våra lärdomar och bygga en plattform för företag globalt.

NextBillion.ai är världens första decentraliserade och anpassningsbara kartplattform för företag. Vilka är några av fördelarna för företag att använda en decentraliserad plattform jämfört med populära alternativ som Google Maps?

För transport-, logistik- och e-handelsföretag möjliggör vi bättre enhetskostnader, lägre kostnad per leverans och bättre tillgångsutnyttjande. På grund av den “en-storlek-passar-alla”-karaktären hos alternativ som Google Maps är dessa affärsfördelar helt enkelt inte möjliga. För andra B2B-mjukvaruföretag kan de ofta inte tillgodose många kundbehov på grund av dessa “en-storlek-passar-alla”-begränsningar. Vi låser upp fler användningsfall och möjliggör mer intäkter och tillväxtmöjligheter.

Google Maps har begränsningar för antalet API-anrop som kan göras, vad är begränsningarna med NextBillion.ai i jämförelse?

Detta är ett utmärkt exempel på en av våra differentierande faktorer. Vi erbjuder extremt flexibla kommersiella modeller till våra kunder, inklusive OBEGRÄNSADE API-anrops paket, stöd för upp till 20 gånger högre genomströmning och 5 gånger lägre latens än de bästa tillgängliga alternativen.

Hur använder systemet AI för att övervaka utbud och efterfrågan på en lokal nivå?

Våra API:er används för att möjliggöra bättre och mer effektiv dispatch, mer exakt prissättning, inklusive rusningstid, som i sin tur har en direkt inverkan på utbud och efterfrågan obalans på mycket mikronivåer, såsom lokaler.

För samåkningstjänster, kan du diskutera hur AI kan förutsäga trafik för att ge bättre taxa och inkomstkonsekvens?

Förare på dessa plattformar ser på tiden som pengar. Varje timme de tillbringar bakom ratten vill de ha någon form av garant för att de kommer att tjäna $X i slutet av den. I praktiken, på grund av ofullständiga distans- och tidsförutsägelser från kart-API:er, finns det en enorm fluktuation i den mängd pengar en förare tjänar per timme, över olika rutter, timmar på dygnet och dagar i veckan. Vår AI tar hänsyn till tidigare körbeteende, trafikmönster i staden och föreslår extremt precisa rutter och trafik. Detta möjliggör extremt exakt prissättning för våra kunder och i sin tur mycket mer förutsägbara inkomster för deras förare.

Vilka är några andra vardagliga användningsfall som NextBillion.ai möjliggör för företag?

Vi möjliggör en mängd olika leverans- och e-handels-scenarier, såsom matleverans, livsmedelsleverans och e-handelsleverans. Vi möjliggör också akutresponstjänster, såsom ambulanser, att ha snabbare ankomsttider, polisstyrkor att möjliggöra effektiv patrullering för minskad brottslighet och effektiv avfallshantering. Vi driver också andra bakom-kulisserna-scenarier som gör vissa av dessa vardagliga användningsfall möjliga, till exempel lastbilstransporter som tar din e-handelsbeställning till ditt närmaste leveransnav.

Finns det något annat du vill dela om NextBillion.ai?

Vi tror att de flesta företag fortfarande inte erkänner att kartor inte bara är en cool teknisk sak, utan att de också kan driva hundratals miljoner dollar i affärsinverkan från samma tillgångs- eller resursbas. En del av vad vi hoppas uppnå som företag är att främja tillståndet i branschen i sig. Om vi under de kommande åren kan hjälpa många fler företag att erkänna värdet av rumsliga data, även om de inte direkt arbetar med oss, skulle vi betrakta vår mission som delvis uppfylld.

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