โจนาธาน ฮอร์น ซีอีโอ และผู้ร่วมก่อตั้ง Treefera – ซีรีส์สัมภาษณ์

โจนาธาน ฮอร์น ซีอีโอ และผู้ร่วมก่อตั้ง Treefera เป็นนักธุรกิจด้านเทคโนโลยี และอดีตผู้บริหารด้านการธนาคารการลงทุน ที่มีความเชี่ยวชาญอย่างลึกซึ้งในการจัดการความเสี่ยง การวิเคราะห์ข้อมูลขนาดใหญ่ และปัญญาประดิษฐ์ ก่อนที่จะก่อตั้ง Treefera ในปี 2022 เขา曾ดำรงตำแหน่งผู้นำระดับสูงใน J.P. Morgan และ Citigroup โดยมุ่งเน้นไปที่ความเสี่ยง ข้อมูล และระบบการเงินที่ซับซ้อน ด้วยประสบการณ์ในการสร้างแบบจำลองความเสี่ยงระดับทางการเงิน ฮอร์นได้ก่อตั้ง Treefera เพื่อแก้ไขจุดอ่อนที่ยั่งยืน nhấtในห่วงโซ่อุปทานระดับโลก ซึ่งก็คือ “ไมล์แรก” ที่วัตถุดิบเกิดขึ้น ภายใต้การนำของเขา บริษัทได้เติบโตอย่างรวดเร็วเป็นผู้ให้บริการชั้นนำด้านปัญญาประดิษฐ์สำหรับห่วงโซ่อุปทาน โดยช่วยให้ธุรกิจต่างๆ มีความเข้าใจที่ชัดเจนในเวลาจริงเกี่ยวกับการจัดหา สิ่งแวดล้อม ความเสี่ยงด้านการปฏิบัติตามกฎระเบียบ และความยืดหยุ่นในการดำเนินงาน

Treefera ก่อตั้งขึ้นที่ลอนดอนในปี 2022 เป็นบริษัทด้านปัญญาประดิษฐ์ที่มุ่งเน้นในการนำความโปร่งใสเข้าสู่ไมล์แรกของห่วงโซ่อุปทานสินค้าโภคภัณฑ์ระดับโลก ฟาบริกข้อมูลที่เป็นกรรมสิทธิ์ของบริษัทรวมถึงภาพถ่ายดาวเทียม ข้อมูลพื้นที่และเวลา โมเดลปัญญาประดิษฐ์ และการวิเคราะห์ความเสี่ยง เพื่อให้องค์กรต่างๆ มีข้อมูลเชิงลึกในเวลาจริงเกี่ยวกับการจัดหา ความเสี่ยงด้านสิ่งแวดล้อม การปฏิบัติตามกฎระเบียบ และความเสี่ยงในห่วงโซ่อุปทาน แพลตฟอร์มนี้ช่วยให้ธุรกิจติดตามทุกอย่างตั้งแต่การเสี่ยงต่อการทำลายป่าและผลกระทบต่อสิ่งแวดล้อม ไปจนถึงความเสี่ยงในการจัดหาสินค้าโภคภัณฑ์ ทำให้เกิดการตัดสินใจที่มีข้อมูลมากขึ้นในการจัดซื้อ จัดหาเงินทุน และดำเนินงาน โดยการเปลี่ยนแปลงข้อมูลที่กระจัดกระจายเกี่ยวกับสิ่งแวดล้อมและห่วงโซ่อุปทานให้เป็นข้อมูลที่สามารถนำไปใช้ได้ Treefera มีเป้าหมายที่จะเสริมสร้างความยืดหยุ่นของห่วงโซ่อุปทานในเศรษฐกิจโลกที่มีการเปลี่ยนแปลงและควบคุมอย่างมาก

คุณก่อตั้ง Treefera หลังจากมีบทบาทอาวุโสด้านความเสี่ยง ปัญญาประดิษฐ์ และการวิเคราะห์ข้อมูลขนาดใหญ่ที่ J.P. Morgan และ Citi สิ่งใดคือช่องว่างเฉพาะที่คุณเห็นในการที่องค์กรเข้าใจความเสี่ยงด้านเกษตรกรรมและสินค้าโภคภัณฑ์อ่อนที่ทำให้คุณเชื่อว่า Treefera ต้องมีอยู่?

สินค้าโภคภัณฑ์ที่ขึ้นอยู่กับธรรมชาติมีมูลค่า 2.1 ล้านล้านดอลลาร์สหรัฐฯ ในการค้าโลก แต่ข้อมูลที่เป็นพื้นฐานของการประเมินความเสี่ยงสำหรับสินทรัพย์เหล่านั้นเป็นแบบคัดลอกด้วยมือ ล่าช้า และไม่ถูกต้องตามโครงสร้าง ในการทำงานกับโมเดลความเสี่ยงที่ J.P. Morgan และ Citi ฉันเห็นการตัดสินใจเกี่ยวกับราคาที่ขึ้นอยู่กับข้อมูลที่มาจากไมล์แรกของห่วงโซ่อุปทานเกษตรกรรม ซึ่งรวบรวมด้วยมือ มีแนวโน้มที่จะละเว้นและบ่อยครั้งล่าช้ากว่าความเป็นจริงหลายสัปดาห์หรือหลายเดือน หกสิบเปอร์เซ็นต์ของความเสี่ยงในห่วงโซ่อุปทานเกิดขึ้นที่ไมล์แรก ก่อนที่สินค้าโภคภัณฑ์จะถึงท่าหรือตลาด แต่นั่นคือที่ที่มีความโปร่งใสที่สุด

สิ่งที่ทำให้ฉันตัดสินใจสร้าง Treefera คือการมาบรรจบกันของสองสิ่ง ความใหญ่โตของปัญหาและความมาถึงของเครื่องมือที่สามารถจัดการกับมันได้ ความละเอียดและความครอบคลุมของดาวเทียมได้ถึงจุดหนึ่งที่คุณสามารถสังเกตสภาพพืชที่ระดับฟิลด์ในภูมิภาคการผลิตหลักได้ในต้นทุนที่น้อยที่สุด ปัญญาประดิษฐ์เติบโตจนถึงจุดที่สามารถเปลี่ยนสัญญาณดิบให้เป็นสิ่งที่สามารถตีความได้จากมุมมองทางการเงิน ไม่มีใครเชื่อมต่อจุดเหล่านั้นในลักษณะที่มีวิทยาศาสตร์เป็นหลัก องค์กรต่างๆ ยังคงตั้งราคาความเสี่ยงตามรายงานของรัฐบาลที่ล่าช้ากว่าสภาพพื้นฐานหลายเดือน ค่าเฉลี่ยระดับชาติที่ซ่อนความผันผวนในท้องถิ่น และแบบจำลองเชิงเส้นที่ไม่สามารถจัดการกับความผันผวนของสภาพภูมิอากาศได้ ช่องว่างระหว่างสิ่งที่รู้ได้กับสิ่งที่ทราบนั้นใหญ่มาก นั่นคือที่ที่ Treefera นั่งอยู่

Treefera มักถูกอธิบายว่าเป็นแพลตฟอร์มปัญญาประดิษฐ์ที่มีพลัง แต่วิธีการของคุณไม่ได้เน้นไปที่ LLMs โดยเฉพาะ คุณอธิบายความแตกต่างระหว่างปัญญาประดิษฐ์เชิงทำนายสำหรับห่วงโซ่อุปทานและระบบปัญญาประดิษฐ์เชิงสร้างที่ครอบงำการอภิปรายในปัจจุบันอย่างไร?

ปัญญาประดิษฐ์เชิงสร้างและโมเดลภาษาขนาดใหญ่แก้ปัญหาเชิงพื้นฐานที่แตกต่างกัน พวกมันเป็นเครื่องมือเพื่อเพิ่มประสิทธิภาพ: มีประโยชน์อย่างมากสำหรับการทำให้งานซ้ำๆ ง่ายขึ้น เช่น การสร้างและสรุป แต่ความท้าทายเชิงพาณิชย์สำหรับระบบเหล่านั้นคือการนำไปใช้ ทำให้ผู้คนเปลี่ยนวิธีการทำงาน นั่นคือปัญหาการศึกษาตลาด ไม่ใช่ปัญหาทางวิทยาศาสตร์

Treefera ใช้ปัญญาประดิษฐ์ในการแก้ปัญหาทางวิทยาศาสตร์ที่ต้องมีความแม่นยำระดับทางการเงิน โมเดลการเรียนรู้ลึกของเราถูกฝึกให้ตีความภาพถ่ายดาวเทียม สัญญาณสภาพภูมิอากาศ และชีววิทยาพืชเพื่อทำนายผลผลิตและพื้นที่การผลิตที่แม่นยำพอที่จะแจ้งการตัดสินใจในการจัดสรรเงินทุน คำถามที่เราตอบไม่ใช่ “เอกสารนี้บอกอะไร?” แต่เป็น “ภูมิภาคนี้จะให้ผลผลิตเท่าใดในสามเดือน และคุณควรมั่นใจได้มากน้อยเพียงใด?” นั่นไม่ใช่ชั้นปัญหาเดียวกัน และไม่ต้องการชั้นของโมเดลเดียวกัน LLMs ได้รับการปรับให้เหมาะสมสำหรับภาษา โมเดลของเราถูกปรับให้เหมาะสมสำหรับการตีความโลกแห่งความเป็นจริง การสับสนระหว่างสองอย่างนี้นำไปสู่การนำเครื่องมือที่ไม่ถูกต้องมาใช้กับปัญหา

หลายบริษัท AI แสดงว่าการทำงานที่ดีขึ้นจำเป็นต้องมีการคำนวณมากขึ้น โมเดลขนาดใหญ่ขึ้น และการเข้าถึง GPU ที่มากขึ้น Treefera ดูเหมือนจะท้าทายสมมติฐานนั้น “การคำนวณแบบประหยัด” หมายถึงอะไรในทางปฏิบัติ และเหตุใดจึงสำคัญสำหรับ AI ที่ใช้?

สมมติฐานที่ครอบงำใน AI คือการว่าขนาดเท่ากับการทำงานที่ดีขึ้น: พารามิเตอร์มากขึ้น GPU มากขึ้น โครงสร้างพื้นฐานบนคลาวด์มากขึ้น สำหรับ AI ที่ใช้ในการประยุกต์ใช้ในบริบทเฉพาะ สมมติฐานนั้นผิด และจะทำให้เกิดค่าใช้จ่ายและความเสียหายด้านพลังงานที่ไม่จำเป็น

การคำนวณแบบประหยัดในทางปฏิบัติหมายถึงสามสิ่งสำหรับเรา ประการแรก เราแยกการคำนวณออกจากเวลา การประมวลผลส่วนใหญ่ของเราต้องเกิดขึ้นในเวลาที่เฉพาะเจาะจง ไม่ใช่การทำงานโครงสร้างพื้นฐานที่ทำงานตลอดเวลา แต่เราจะระบุช่วงเวลาที่มีความสามารถเครือข่ายส่วนเกินและยืมการประมวลผลในช่วงเวลานั้น

ประการที่สอง เรากระจายภาระงาน เราไม่ส่งทุกอย่างผ่านศูนย์กลางคลาวด์ แต่กระจายไปทั่วเครือข่ายของโหนดที่มีอยู่ รวมถึงโครงสร้างพื้นฐานบล็อกเชน ซึ่งมีความสามารถส่วนเกินในบางช่วงเวลา หากโหนดใดโหนดหนึ่งกลายเป็นไม่มีประสิทธิภาพ การประมวลผลจะเปลี่ยนเส้นทางไดนามิก

ประการที่สาม เราปรับขนาดฮาร์ดแวร์ให้เหมาะสม เราใช้ NVIDIA (NVDA ) AG6 แทนที่จะเป็นชิประดับบน ซึ่งมีประสิทธิภาพเทียบเท่ากับงานของเราที่มีพลังงานและค่าใช้จ่ายเพียงเศษส่วน สาเหตุที่สิ่งนี้สำคัญนอกเหนือจากประสิทธิภาพคือความแม่นยำ การคำนวณแบบประหยัดบังคับให้มีระเบียบวินัยเกี่ยวกับการคำนวณที่คุณต้องการจริงๆ นั่นผลิตโมเดลที่เรียบง่ายและสามารถตีความได้ – ชนิดที่ผู้ตัดสินใจด้านการเงินและด้านการดำเนินงานสามารถใช้ได้จริงๆ พวกเขาไม่ต้องการโมเดลที่ใหญ่กว่า พวกเขาต้องการคำตอบที่แม่นยำยิ่งขึ้น

แพลตฟอร์มของคุณรายงานว่าสามารถส่งผลลัพธ์เชิงทำนายเกี่ยวกับผลผลิตพืช การใช้ที่ดิน และความเสี่ยงในห่วงโซ่อุปทาน โดยไม่พึ่งพาโครงสร้างพื้นฐานคลาวด์ที่ทำงานตลอดเวลา คุณแยกการคำนวณออกจากเวลาได้อย่างไรในขณะเดียวกันก็ส่งมอบข้อมูลเชิงลึกที่มีประโยชน์เชิงพาณิชย์ในเวลาเกือบจริง?

ข้อมูลเชิงลึกในเวลาเกือบจริงและการคำนวณอย่างต่อเนื่องไม่ใช่สิ่งเดียวกัน ลูกค้าของเราต้องการการคาดการณ์ที่อัปเดตสัปดาห์ละครั้ง พวกเขาต้องการให้การประมวลผลที่สร้างการคาดการณ์เหล่านั้นไม่ทำงานอย่างต่อเนื่อง

เราวางแผนการประมวลผลของเราตามจังหวะธรรมชาติของข้อมูล ภาพถ่ายดาวเทียมมาถึงในจังหวะ เวลาเข้ามาในจังหวะ คำถามวิเคราะห์ที่โมเดลของเราตอบก็ขับเคลื่อนด้วยจังหวะเช่นกัน: เส้นทางผลผลิตสำหรับภูมิภาคนี้คืออะไร? สิ่งใดที่เปลี่ยนแปลงไปในพื้นที่ปลูกในหนึ่งสัปดาห์? ดังนั้นเราจึงวางแผนการประมวลผลล่วงหน้าเพื่อทำงานกับหน้าต่างข้อมูลเหล่านั้น โดยยืมความสามารถจากโครงสร้างพื้นฐานที่กระจายตัวในช่วงเวลาที่มีความต้องการต่ำ ออกพุตไปยังลูกค้าคือฟีดข้อมูลรายสัปดาห์ที่เป็นปัจจุบัน มีประโยชน์ และพร้อมสำหรับโมเดล การประมวลผลโครงสร้างพื้นฐานเบื้องหลังจะทำงานเฉพาะเมื่อมีสิ่งที่มีความหมายในการประมวลผล สถาปัตยกรรมนี้ยังมีความทนทานมากกว่า การประมวลผลที่กระจายซึ่งสามารถหลบเลี่ยงโหนดที่ล้มเหลวได้นั้น มีความน่าเชื่อถือมากกว่าเซิร์ฟเวอร์ที่ทำงานตลอดเวลาที่มีจุดความล้มเหลวเดียว

ตลาดสินค้าเกษตรและสินค้าโภคภัณฑ์อ่อนยังพึ่งพาข้อมูลที่ล่าช้า มีการสำรวจ หรือกระจัดกระจายอยู่มาก ปัญญาประดิษฐ์เปลี่ยนแปลงวิธีที่บริษัท ธนาคาร องค์กรประกันภัย และผู้ค้าประเมินความเสี่ยงก่อนที่จะปรากฏในรายงานอย่างเป็นทางการอย่างไร?

ปัญหาเชิงโครงสร้างของการรายงานที่อาศัยการสำรวจคือมันถอยหลังโดยการออกแบบ เมื่อหน่วยงานของรัฐเผยแพร่การประมาณการอุปทาน สภาพที่แท้จริงที่เป็นพื้นฐานของสิ่งนั้นเป็นสัปดาห์หรือเดือนก่อนแล้ว ตลาดที่เคลื่อนไหวตามข้อมูลนั้นกำลังตอบสนองต่อประวัติศาสตร์

ปัญญาประดิษฐ์เปลี่ยนแปลงสิ่งนี้โดยการเปลี่ยนแหล่งข้อมูลจากการสำรวจไปสู่การสังเกตโดยตรง ภาพถ่ายดาวเทียม สัญญาณสภาพภูมิอากาศ และข้อมูลชีววิทยาพืชมีอยู่แล้ว ไม่ใช่ในหกสัปดาห์เมื่อรายงานที่รวบรวมและเผยแพร่ สิ่งที่โมเดลของเราทำคือแปลข้อมูลทางกายภาพนั้นเป็นภาษาการเงินที่ผู้ค้า ผู้รับประกันภัย และนักวิเคราะห์ใช้จริงๆ: การคาดการณ์ผลผลิตที่มีช่วงความไม่แน่นอน การประมาณพื้นที่การผลิตที่มีการอัปเดตสัปดาห์ละครั้ง คะแนนความเครียดที่量化ความเสี่ยงที่จุดกำเนิดก่อนที่จะปรากฏในราคาสินค้า

ในปี 2022 โมเดลข้าวโพดของเราสหรัฐฯ ระบุการแก้ไขลงวันที่ห้าสัปดาห์ก่อนที่ USDA จะเผยแพร่ ในเดือนมกราคม 2025 โมเดลของเราสร้างคะแนนความเครียด 0.76 ทั่วพื้นที่กาแฟของกานา COCOBOD ไม่ได้แก้ไขการคาดการณ์ฤดูกาลจนถึงเดือนมิถุนายน ข้อมูลที่ได้เปรียบไม่ใช่เพียงเล็กน้อย มันคือโครงสร้าง องค์กรที่ยังคงรอ报告อย่างเป็นทางการเพื่อตัดสินใจเกี่ยวกับการจัดหาสินค้าและราคานั้นกำลังดำเนินการด้วยความล่าช้าที่คู่สัญญาอาจไม่ได้รับ

“ไมล์แรก” ของห่วงโซ่อุปทานมักเป็นหนึ่งในพื้นที่ที่มีความโปร่งใสน้อยที่สุดสำหรับองค์กรระดับโลก ปัจจุบันไมล์แรกมีความสำคัญอย่างไร โดยเฉพาะอย่างยิ่งเมื่อความผันผวนสภาพภูมิอากาศ กฎระเบียบ และความไม่แน่นอนทางการเมืองเพิ่มขึ้น?

กำลังสามกำลังมาบรรจบกัน และแต่ละอย่างมีผลกระทบอย่างมีนัยสำคัญ

ความผันผวนสภาพภูมิอากาศเพิ่มขึ้นกำลังเพิ่มความถี่และความรุนแรงของการช็อกการผลิตที่จุดกำเนิด ระบบความเสี่ยงที่สร้างขึ้นจากค่าเฉลี่ยทางประวัติศาสตร์ไม่สามารถจัดการกับสิ่งนั้นได้ คุณต้องการการสังเกตการณ์ทางกายภาพในเวลาจริงเพื่อดูสิ่งที่เกิดขึ้นจริงในฟิลด์

กฎระเบียบกำลังสร้างลิงก์ความรับผิดชอบโดยตรงระหว่างสิ่งที่เกิดขึ้นที่ไมล์แรกและที่องค์กรสามารถขายหรือให้เงินสนับสนุนได้ EUDR, CSRD, TCFD: โครงสร้างเหล่านี้ต้องการให้องค์กรทราบด้วยหลักฐานว่าสินค้าโภคภัณฑ์ของพวกเขามาจากไหนและสภาพที่จุดกำเนิดเป็นอย่างไร “เราเชื่อใจผู้จัดหาสินค้า” ไม่ใช่ตำแหน่งที่สามารถป้องกันได้อีกต่อไป ความรับผิดชอบนั้นกำลังผลักดันให้ความโปร่งใสและการสืบย้อนกลับจากความชอบในการจัดซื้อเป็นข้อกำหนดทางกฎหมาย

การหยุดชะงักทางการเมืองทำให้การอาศัยพื้นที่เดียวเป็นความเสี่ยงในห้องประชุม องค์กรที่ไม่มีความโปร่งใสที่ไมล์แรกจะไม่มีกลไกเตือนล่วงหน้า พวกเขาพบว่าเมื่อตลาดได้ปรับราคาแล้ว

ยังมีการเปลี่ยนแปลงที่กว้างขึ้นเกิดขึ้นในระบบนิเวศข้อมูลด้วย การเปิดตัวแผนที่สินค้าโภคภัณฑ์แบบปันโตรปิคอลของ Google (GOOGL ) Earth AI ซึ่งเป็นรูปภาพพืชผล 10 เมตรทุกปีสำหรับกาแฟ คาเคา น้ำมันมะกอก และยางพารา เป็นข้อมูลที่เปิดเผย เป็นตัวบ่งชี้ที่มีประโยชน์เกี่ยวกับทิศทางที่สิ่งต่างๆ กำลังจะไป โลกแห่งความเป็นจริงมีความสามารถในการอ่านได้มากขึ้นจากอวกาศ และความต้องการความโปร่งใสในห่วงโซ่อุปทานได้กลายเป็นกระแสหลักเพียงพอที่จะดึงดูดการลงทุนจากเทคโนโลยีระดับใหญ่ Treefera ยินดีต้อนรับสิ่งนั้น ชั้นข้อมูลพื้นฐานที่มีความ豊富มากขึ้นจะช่วยเพิ่มพื้นฐานสำหรับทั้งตลาดและสร้างความตระหนักรู้ที่มีร่วมกันว่าข้อมูลที่ดีกว่านั้นไม่เพียงแต่可能เท่านั้น แต่ยังพร้อมใช้งาน

สิ่งที่แผนที่การค้นพบแบบเปิดไม่สามารถทำได้คือการปิดช่องว่างด้านข้อมูล รู้ว่าพืชผลถูกปลูกที่ไหนไม่ใช่สิ่งเดียวกันกับการทราบว่าฤดูกาลนี้กำลังพัฒนาไปอย่างไร สภาพที่จุดกำเนิดหมายถึงอะไรสำหรับการเสี่ยงด้านอุปทานของคุณ หรือที่ไหนที่พอร์ตโฟลิโอของคุณเสี่ยง Treefera ถูกสร้างขึ้นเพื่อการแปลจากการสังเกตไปยังข้อมูลเชิงลึกระดับทางการเงิน

การไม่รู้ที่ไมล์แรกเคยเป็นที่ยอมรับได้ในโลกที่คาดการณ์ได้มากขึ้น มันไม่ใช่แล้ว

ฐานลูกค้าของคุณรวมถึงองค์กรหลักๆ เช่น JP Morgan, Microsoft (MSFT ), Bayer และ Anew ปัญหาทั่วไปที่องค์กรพยายามแก้ไขด้วย Treefera คืออะไร: การปฏิบัติตามกฎระเบียบ ความเสี่ยงด้านอุปทาน การคาดการณ์ ความยั่งยืน การจัดซื้อ หรือสิ่งอื่น?

ปัญหาหลักที่องค์กรนำมาให้เราคือรูปแบบหนึ่งของสิ่งเดียวกัน: พวกเขามีการเสี่ยงด้านการเงินที่มีนัยสำคัญต่อสิ่งที่เกิดขึ้นที่ไมล์แรกของห่วงโซ่อุปทานสินค้าโภคภัณฑ์ และไม่มีกลไกที่เชื่อถือได้ในการมองเห็นมันก่อนที่จะทำให้พวกเขาเสียค่าใช้จ่าย ปัญหาเฉพาะอาจแตกต่างกันไปตามภาคส่วน

สำหรับผู้ค้าและสถาบันการเงินที่เสี่ยงต่อการเปลี่ยนแปลงสินค้าโภคภัณฑ์ คำถามคือความได้เปรียบด้านข้อมูล: การเห็นการเปลี่ยนแปลงด้านอุปทานก่อนที่จะปรากฏในราคาสินค้าหรือข้อมูลอย่างเป็นทางการ สำหรับผู้ให้กู้และผู้ประกันภัยด้านเกษตรกรรม คำถามคือการประเมินความเสี่ยง: พวกเขากำลังให้กู้หรือให้เงินสนับสนุนการดำเนินงานที่ประสิทธิภาพถูกควบคุมโดยสภาพที่พวกเขาไม่สามารถสังเกตได้ สำหรับองค์กรที่มีภาระผูกพันทางด้านความยั่งยืนหรือการปฏิบัติตามกฎระเบียบ คำถามคือหลักฐาน: การพิสูจน์ด้วยข้อมูลที่สามารถป้องกันได้ว่าห่วงโซ่อุปทานของพวกเขาพบมาตรฐานที่ผู้กำกับดูแลและคู่สัญญาต้องการ

คำตอบแบบดั้งเดิม – เชื่อใจผู้จัดหาสินค้า รอ报告ของรัฐบาล ซื้อการประมาณการฉันทามติ – ไม่เพียงพออีกต่อไป ความแม่นยำและความเร็วที่ต้องการไม่มีอยู่ในระบบนิเวศข้อมูลสาธารณะ มันอยู่ที่ไมล์แรก

Treefera รายงานการเติบโต 6 เท่าในหนึ่งปี ไม่มีการยกเลิก และมีการระดมทุนซีรีส์ B ที่มีผู้สมัครมากเกินจำนวนภายในสองปี ระดับการนำรับดังกล่าวบ่งบอกอะไรเกี่ยวกับความต้องการขององค์กรสำหรับระบบ AI ที่แม่นยำ มีประสิทธิภาพ และมีพื้นฐานมาจากการดำเนินงานมากกว่าการมีขนาดใหญ่เพียงอย่างเดียว?

การไม่มีการยกเลิกเป็นสัญญาณที่บอกถึงความสำเร็จมากที่สุด การเติบโตของรายได้สามารถสะท้อนถึงการดำเนินธุรกิจที่ประสบความสำเร็จ การไม่มีการยกเลิกสะท้อนถึงความเหมาะสมของตลาด-ผลิตภัณฑ์ ลูกค้าที่ใช้ข้อมูลสำหรับฤดูกาลที่สมบูรณ์ ตรวจสอบข้อมูลกับโมเดลของตนเอง และตัดสินใจตามข้อมูลนั้น แล้วต่ออายุการสมัครสมาชิก ก็จะบอกเราว่าสัญญาณนั้นเป็นจริง และมันเปลี่ยนแปลงวิธีการดำเนินงานของพวกเขา

ยังชี้ให้เห็นถึงความต้องการที่ไม่ได้รับการตอบสนองอย่างมีนัยสำคัญจากองค์กรสำหรับ AI ที่แม่นยำ มีความโปร่งใส และสามารถรวมเข้ากับการดำเนินงานได้ – ความต้องการที่ถูกขัดขวางโดยภูมิทัศน์ที่มีน้ำหนักมากต่อเครื่องมือสร้างและโมเดลทั่วไป ผู้เชี่ยวชาญด้านห่วงโซ่อุปทานและความเสี่ยงต้องการการคาดการณ์ที่มีช่วงความไม่แน่นอนที่ระบุไว้ซึ่งพวกเขาสามารถยืนหยัดในคณะกรรมการความเสี่ยงได้ เมื่อถึงจุดนั้น องค์กรจะให้ความสำคัญกับมัน การระดมทุนที่มีผู้สมัครมากเกินจำนวนสะท้อนถึงการยอมรับของนักลงทุนในพลวัตเดียวกัน: ตลาดมีขนาดใหญ่ ปัญหาเป็นโครงสร้าง และโครงสร้างพื้นฐานข้อมูลที่มีอยู่ไม่ได้ถูกสร้างขึ้นเพื่อแก้ไขปัญหา

เมื่อมองไปข้างหน้า คุณเชื่อว่าระยะถัดไปของ AI ที่ใช้จะถูกกำหนดโดยประสิทธิภาพการดำเนินงาน มากกว่าการมีขนาดใหญ่ และผลลัพธ์ทางธุรกิจที่วัดได้หรือไม่?

ใช่ และหลักฐานสำหรับมันคือปรากฏให้เห็นแล้ว

AI ขนาดใหญ่เริ่มถึงขีดจำกัดของสิ่งที่ขนาดดิบสามารถแก้ไขได้ การเพิ่มพารามิเตอร์จะไม่ปรับปรุงการคาดการณ์ผลผลิตพืชหากข้อมูลพื้นฐานมีขนาดใหญ่ ล่าช้า หรือไม่สอดคล้องกับภูมิศาสตร์ ค่าใช้จ่ายส่วนเพิ่มของการประมวลผลจะลดลงเมื่อข้อจำกัดคือคุณภาพข้อมูลและความแม่นยำของโดเมน ไม่ใช่ขนาดของโมเดล

ระยะถัดไปจะถูกกำหนดโดยการฝึกอบรมข้อมูลเฉพาะโดเมน โมเดลที่มีขนาดเหมาะสม และการออกพุตที่สามารถตรวจสอบได้ ในภาคส่วนเช่นเกษตรกรรม การเงิน และห่วงโซ่อุปทาน โดยที่การตัดสินใจมีผลกระทบทางการเงินและด้านการดำเนินงาน คำถามไม่เคยเป็น “โมเดลมีขนาดใหญ่แค่ไหน?” แต่เป็น “คำตอบมีความน่าเชื่อถือแค่ไหน และคุณสามารถดำเนินการตามมันได้เร็วแค่ไหน?” ขนาดเพียงอย่างเดียวไม่สามารถตอบคำถามนั้นได้ บริษัทที่จะนำหน้าใน AI ที่ใช้ในช่วงห้าปีข้างหน้าจะสร้างการขนส่งข้อมูลที่เป็นกรรมสิทธิ์เข้าสู่โลกแห่งความเป็นจริง ฝึกโมเดล