Robert Pierce, medgrundare och Chief Science Officer på DecisionNext – Intervjuerien

Bob Pierce, PhD är medgrundare och Chief Science Officer på DecisionNext. Hans arbete har tagit med avancerad matematisk analys till helt nya marknader och branscher, och förbättrat hur företag engagerar sig i strategiskt beslutsfattande. Innan DecisionNext var Bob Chief Scientist på SignalDemand, där han ledde vetenskapen bakom dess lösningar för tillverkare. Bob har haft seniora forsknings- och utvecklingsroller på Khimetrics (nu SAP) och ConceptLabs, samt akademiska poster med National Academy of Sciences, Penn State University och UC Berkeley. Hans arbete spänner över en rad branscher, inklusive råvaror och tillverkning, och han har bidragit till områdena ekonometri, oceanografi, matematik och icke-linjär dynamik. Han har ett flertal patenter och är författare till flera peer-granskade artiklar. Bob har en doktorsexamen i teoretisk fysik från UC Berkeley.

DecisionNext är ett företag inom dataanalys och prognostisering som grundades 2015, specialiserat på AI-drivna pris- och leveransprognoser. Företaget skapades för att hantera begränsningarna hos traditionella “black box”-prognosmodeller, som ofta saknade transparens och handlingsbara insikter. Genom att integrera AI och maskinlärande erbjuder DecisionNext företag en bättre översikt över de faktorer som påverkar deras prognoser, vilket hjälper dem att fatta informerade beslut baserat på både marknads- och affärsrisk. Plattformen är utformad för att förbättra prognosprecisionen över hela leverantörskedjan, vilket möjliggör för kunderna att gå bortom intuition-baserat beslutsfattande.

Vad var den ursprungliga idén eller inspirationen bakom att grunda DecisionNext, och hur har din bakgrund inom teoretisk fysik och roller inom olika branscher format denna vision?

Min medgrundare Mike Neal och jag har samlat på oss en stor erfarenhet från våra tidigare företag med att leverera optimerings- och prognoslösningar till detaljhandlare och råvaruprocessorer. Två viktiga lärdomar från den erfarenheten var:

1. Användarna behöver tro att de förstår varifrån prognoser och lösningar kommer; och
2. Användarna har svårt att skilja på vad de tror kommer att hända och sannolikheten att det faktiskt kommer att ske.

Dessa två koncept har djupa rötter i mänsklig kognition samt implikationer för hur man skapar programvara för att lösa problem. Det är välkänt att den mänskliga hjärnan inte är bra på att beräkna sannolikheter. Som fysiker lärde jag mig att skapa konceptuella ramverk för att engagera mig i osäkerhet och bygga distribuerade beräkningsplattformar för att utforska den. Detta är den tekniska grunden för våra lösningar för att hjälpa våra kunder att fatta bättre beslut i osäkerhet, vilket innebär att de inte kan veta hur marknaderna kommer att utvecklas men ändå måste fatta beslut om vad de ska göra nu för att maximera vinsterna i framtiden.

Hur har din övergång till rollen som Chief Science Officer påverkat din dagliga fokus och långsiktiga vision för DecisionNext?

Övergången till CSO har inneburit en omfokusering på hur produkten ska leverera värde till våra kunder. Under processen har jag släppt några dagliga ingenjörsansvar som bättre hanteras av andra. Vi har alltid en lång lista med funktioner och idéer för att förbättra lösningen, och denna roll ger mig mer tid att forska om nya och innovativa tillvägagångssätt.

Vilka unika utmaningar presenterar råvarumarknader som gör dem särskilt lämpliga eller motståndskraftiga mot införandet av AI- och maskinlärningslösningar?

Att modellera råvarumarknader presenterar en fascinerande blandning av strukturerade och stokastiska egenskaper. När man kombinerar detta med det oändliga antalet sätt som människor skriver kontrakt för fysiska och pappersbaserade transaktioner och använder material i produktionen, resulterar det i ett otroligt rikt och komplicerat område. Men matematiken är betydligt mindre utvecklad än den förhållandevis enklare världen av aktier. AI och maskinlärande hjälper oss att arbeta igenom denna komplexitet genom att hitta mer effektiva sätt att modellera samt hjälpa våra användare att navigera komplexa beslut.

Hur balanserar DecisionNext användningen av maskinlärningsmodeller med den mänskliga expertisen som är kritisk för beslutsfattande inom råvaror?

Maskinlärande som ett område utvecklas ständigt, men det kämpar fortfarande med kontext och kausalitet. Vår erfarenhet är att det finns aspekter av modellering där mänsklig expertis och tillsyn fortfarande är kritiska för att generera robusta, parsimoniska modeller. Våra kunder ser vanligtvis på marknader genom linsen av supply- och efterfrågegrundsatser. Om modellerna inte reflekterar den tron (och ostrukturerade modeller gör ofta inte det), så kommer våra kunder vanligtvis inte att utveckla förtroende. Avgörande är att användarna inte kommer att integrera otestade modeller i sina dagliga beslutsprocesser. Så även en demonstrativt exakt maskinlärningsmodell som strider mot intuitionen kommer att bli hyllvara oftare än inte.

Finns det specifika genombrott inom AI eller datavetenskap som du tror kommer att revolutionera råvaruprognostisering under de kommande åren, och hur positionerar sig DecisionNext för dessa förändringar?

Introduktionen av funktionella LLM:er är ett genombrott som kommer att ta lång tid att fullständigt perkolera in i affärsbesluten. Utvecklingstakten i modellerna själva är fortfarande andetagande och svår att hålla jämna steg med. Men jag tror att vi bara är i början av vägen till att förstå de bästa sätten att integrera AI i affärsprocesser. De flesta problem vi stöter på kan ramas in som optimeringsproblem med komplicerade begränsningar. Begränsningarna inom affärsprocesser är ofta odokumenterade och kontextuellt snarare än rigoröst tillämpade. Jag tror att detta område är en enorm outnyttjad möjlighet för AI att både upptäcka implicita begränsningar i historiska data och bygga och lösa lämpliga kontextuella optimeringsproblem.

Hur bidrar dina tvärvetenskapliga insikter från områden som oceanografi, ekonometri och icke-linjär dynamik till att lösa problem inom råvaruprognostisering?

Min breda bakgrund informerar mitt arbete på tre sätt. Först har min bredd förhindrat att jag gått för djupt in i ett specifikt område. Istället har jag exponerats för många olika discipliner och kan dra nytta av alla. Andra, högpresterande distribuerad beräkning har varit en genomgående tråd i allt arbete jag har gjort. Många av de tekniker jag använde för att skapa ad hoc-beräkningskluster som doktorand i fysik används nu i mainstream-ramverk, så allt känns bekant för mig även när innovationstakten är snabb. Slutligen inspirerar arbetet med alla dessa olika problem en filosofisk nyfikenhet. Som doktorand tänkte jag aldrig på att arbeta med ekonomi, men här är jag. Jag vet inte vad jag kommer att arbeta med om 5 år, men jag vet att jag kommer att hitta det intressant.

DecisionNext betonar att man bryter ut ur “black box”-modellen för prognostisering. Varför är denna transparens så kritisk, och hur tror du att det påverkar användarnas förtroende och antagande?

En prototypisk råvaruhandlare (på eller utanför en börs) är någon som lärde sig grunderna i sin bransch i produktion men har en färdighet för att betta i en volatil marknad. Om de inte har verklig världserfarenhet av leverantörssidan av affären, så förtjänar de inte förtroendet från chefer och blir inte befordrade som handlare. Om de inte har någon affinitet för hasardspel, så stressar de ut för mycket när de utför transaktioner. Till skillnad från Wall Street-kvantis är råvaruhandlare ofta inte formellt utbildade i sannolikhet och statistik. För att vinna förtroende måste vi presentera ett system som är intuitivt, snabbt och berör deras kognitiva bias att utbud och efterfrågan är de primära drivkrafterna för stora marknadsrörelser. Så vi tar en “white box”-ansats där allt är transparent. Vanligtvis finns det en “dejting”-fas där de tittar djupt under huven och vi guidar dem genom systemets resonemang. När förtroendet är etablerat, tillbringar användarna vanligtvis inte tiden att gå djupt, men kommer att återvända periodiskt för att förhöra viktiga eller överraskande prognoser.

Hur hjälper DecisionNexts tillvägagångssätt för riskmedveten prognostisering företag att inte bara reagera på marknadsförhållanden utan också proaktivt forma sina strategier?

Råvaruhandel är inte begränsad till börsen. De flesta företag har endast begränsad tillgång till terminskontrakt för att skydda sin risk. En processor kan köpa en noterad råvara som råmaterial (boskap, kanske), men deras utdata är också en volatil råvara (nötkött) som ofta har liten pris korrelation med ingångarna. Med tanke på den strukturella marginalbegränsningen som dyra anläggningar måste operera nära kapacitet, tvingas processorer att ha en strategisk plan som ser ut i framtiden. Det vill säga, de kan inte säkert operera helt på spotmarknaden och måste kontrakttera framåt för att köpa material och sälja utdata. DecisionNext tillåter processorn att prognostisera hela ekosystemet av utbuds-, efterfråge- och prisvariabler och sedan simulera hur affärsbeslut påverkas av hela spektret av marknadsutfall. Pappershandel kan vara en komponent i strategin, men det viktigaste är att förstå material- och försäljningsåtaganden och bearbetningsbeslut för att säkerställa kapacitetsutnyttjande. DecisionNext är skräddarsydd för detta.

Som någon med en djup vetenskaplig bakgrund, vad exciterar dig mest om korsningen mellan vetenskap och AI i att transformera traditionella branscher som råvaror?

Beteendeekonomi har förändrat vår förståelse av hur kognition påverkar affärsbeslut. AI förändrar hur vi kan använda programvaruverktyg för att stödja mänsklig kognition och fatta bättre beslut. Effektivitetsvinster som kommer att realiseras genom AI-aktiverad automatisering har diskuterats mycket och kommer att vara ekonomiskt viktiga. Råvaruföretag opererar med mycket tunna marginaler och höga arbetskostnader, så de kommer förmodligen att dra nytta avsevärt av automatisering. Utöver detta tror jag att det finns en dold ineffektivitet i hur de flesta affärsbeslut fattas av intuition och regler. Besluten baseras ofta på begränsad och ogenomskinlig information och enkla kalkylbladsverktyg. För mig är den mest spännande utgången att plattformar som DecisionNext kan hjälpa till att transformera affärsprocessen med hjälp av AI och simulering för att normalisera kontext och riskmedvetna beslut baserat på transparenta data och öppen resonemang.

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