โรเบิร์ต เพียร์ซ ซีโอโอและผู้ร่วมก่อตั้ง DecisionNext – สัมภาษณ์เชิงลึก

บ็อบ เพียร์ซ เป็นผู้ร่วมก่อตั้งและซีโอโอของ DecisionNext โดยงานของเขาได้นำการวิเคราะห์ทางคณิตศาสตร์ที่ทันสมัยมาใช้ในตลาดและอุตสาหกรรมใหม่ๆ ทำให้การดำเนินธุรกิจตัดสินใจเชิงกลยุทธ์ได้ดีขึ้น ก่อนที่จะเข้าร่วม DecisionNext บ็อบ曾เป็น Chief Scientist ที่ SignalDemand โดยได้กำกับดูแลด้านวิทยาศาสตร์เบื้องหลังโซลูชันสำหรับผู้ผลิต บ็อบ曾ดำรงตำแหน่งผู้บริหารด้านการวิจัยและพัฒนา tại Khimetrics (ปัจจุบันคือ SAP) และ ConceptLabs รวมถึงตำแหน่งทางวิชาการที่ National Academy of Sciences, Penn State University และ UC Berkeley โดยงานของเขามีผลกระทบต่ออุตสาหกรรมต่างๆ เช่น สินค้าโภคภัณฑ์และการผลิต และมีส่วนร่วมในด้านเศรษฐศาสตร์ การวิเคราะห์ทางทะเล คณิตศาสตร์ และพลศาสตร์ไม่เชิงเส้น โดยเขาเป็นผู้ถือสิทธิบัตรหลายรายการและเป็นผู้เขียนบทความวิจัยหลายเรื่อง บ็อบจบการศึกษาระดับปริญญาเอกสาขาฟิสิกส์ทฤษฎีจาก UC Berkeley

DecisionNext เป็นบริษัทด้านการวิเคราะห์ข้อมูลและคาดการณ์ที่ก่อตั้งขึ้นในปี 2015 โดยมีจุดมุ่งหมายในการพัฒนาความสามารถในการคาดการณ์ราคาและสินค้าโภคภัณฑ์โดยใช้ AI และการเรียนรู้ของเครื่อง โดยบริษัทนี้ได้ก่อตั้งขึ้นเพื่อแก้ไขข้อจำกัดของโมเดลการคาดการณ์แบบ “กล่องดำ” ที่ขาดความโปร่งใสและข้อมูลเชิงลึกที่สามารถนำไปใช้ได้ โดยการรวม AI และการเรียนรู้ของเครื่อง DecisionNext ช่วยให้ธุรกิจต่างๆ มีความเข้าใจที่ดีขึ้นเกี่ยวกับปัจจัยที่มีอิทธิพลต่อการคาดการณ์ และช่วยให้พวกเขาตัดสินใจโดยอาศัยความเสี่ยงทางธุรกิจและตลาด โดยแพลตฟอร์มของ DecisionNext ได้รับการออกแบบมาเพื่อปรับปรุงความแม่นยำในการคาดการณ์ทั่วทั้งห่วงโซ่อุปทาน ทำให้ลูกค้าสามารถตัดสินใจโดยไม่ขึ้นอยู่กับการใช้直觉

ความคิดหรือแรงบันดาลใจเบื้องหลังการก่อตั้ง DecisionNext คืออะไร และประสบการณ์ของคุณในด้านฟิสิกส์ทฤษฎีและบทบาทในอุตสาหกรรมต่างๆ มีอิทธิพลต่อการมองเห็นนี้อย่างไร?

เรื่องราวของเรามีจุดเริ่มต้นจากประสบการณ์ของ Mike Neal และฉันในการทำงานในบริษัทก่อนหน้านี้ โดยเรามีประสบการณ์ในการส่งมอบโซลูชันการเพิ่มประสิทธิภาพและการคาดการณ์ให้กับ零售และผู้ประมวลผลสินค้าโภคภัณฑ์ โดยเรามีบทเรียนสำคัญสองประการจากประสบการณ์นั้น:

1. ผู้ใช้ต้องเชื่อมั่นว่าพวกเขารู้ว่าผลลัพธ์ของการคาดการณ์และโซลูชันมาจากไหน
2. ผู้ใช้มีความยากลำบากในการแยกความแตกต่างระหว่างสิ่งที่พวกเขาคิดว่าจะเกิดขึ้นกับความน่าจะเป็นที่จะเกิดขึ้นจริง

ทั้งสองแนวคิดนี้มีจุดเริ่มต้นจากความเข้าใจของมนุษย์ และมีผลกระทบต่อการสร้างซอฟต์แวร์เพื่อแก้ปัญหา โดยเป็นที่รู้กันว่าสมองของมนุษย์ไม่ดีในการคำนวณความน่าจะเป็น ในฐานะนักฟิสิกส์ ฉันเรียนรู้ที่จะสร้างกรอบแนวคิดเพื่อทำงานร่วมกับความไม่แน่นอน และสร้างแพลตฟอร์มการคำนวณแบบกระจายเพื่อสำรวจความไม่แน่นอนนี้ ซึ่งเป็นพื้นฐานทางเทคนิคของโซลูชันของเราในการช่วยให้ลูกค้าทำการตัดสินใจที่ดีขึ้นในสถานการณ์ที่ไม่แน่นอน

การเปลี่ยนแปลงของคุณสู่บทบาทของ Chief Science Officer มีอิทธิพลต่อการมุ่งเน้นในแต่ละวันและวิสัยทัศน์ระยะยาวของ DecisionNext อย่างไร?

การเปลี่ยนแปลงสู่บทบาทของ CSO ทำให้ฉันสามารถมุ่งเน้นไปที่วิธีการที่ผลิตภัณฑ์ควรให้คุณค่าแก่ลูกค้ามากขึ้น ในกระบวนการนี้ ฉันสามารถปล่อยให้ความรับผิดชอบด้านวิศวกรรมในแต่ละวันให้กับผู้อื่นได้ เรามีรายการคุณสมบัติและแนวคิดที่จะทำให้โซลูชันดีขึ้นเสมอ และบทบาทนี้ทำให้ฉันมีเวลาในการวิจัยแนวทางใหม่ๆ และสร้างสรรค์มากขึ้น

ความท้าทายที่ไม่เหมือนใครที่ตลาดสินค้าโภคภัณฑ์นำเสนอซึ่งทำให้พวกเขาเหมาะสมหรือต้านทานต่อการนำโซลูชัน AI และการเรียนรู้ของเครื่องไปใช้อย่างไร?

การสร้างแบบจำลองตลาดสินค้าโภคภัณฑ์นำเสนอการผสมผสานระหว่างคุณสมบัติทางโครงสร้างและแบบสุ่ม โดยการผสมผสานสิ่งนี้เข้ากับวิธีการที่ไม่สิ้นสุดในการเขียนสัญญาสำหรับการซื้อขายสินค้าโภคภัณฑ์ทางกายภาพและกระดาษ และการใช้วัสดุในการผลิต ทำให้กลายเป็นด้านที่ซับซ้อนและน่าสนใจมาก โดยที่คณิตศาสตร์ยังไม่ได้รับการพัฒนามากเท่ากับโลกของหุ้น AI และการเรียนรู้ของเครื่องช่วยให้เราผ่านความซับซ้อนโดยการค้นหาวิธีการสร้างแบบจำลองที่มีประสิทธิภาพมากขึ้น และช่วยให้ผู้ใช้สามารถสำรวจการตัดสินใจที่ซับซ้อนได้

DecisionNext สร้างสมดุลระหว่างการใช้แบบจำลองการเรียนรู้ของเครื่องกับความรู้เชิงผู้เชี่ยวชาญของมนุษย์ที่จำเป็นต่อการตัดสินใจสินค้าโภคภัณฑ์อย่างไร?

การเรียนรู้ของเครื่องเป็นสาขาที่กำลังพัฒนาอย่างต่อเนื่อง แต่ยังคงดิ้นรนกับความไม่แน่นอนและความสัมพันธ์ระหว่างสาเหตุ ผลงานของเราบอกเราว่ามีแง่มุมของการสร้างแบบจำลองที่ความรู้เชิงผู้เชี่ยวชาญและความดูแลของมนุษย์ยังคงจำเป็นต่อการสร้างแบบจำลองที่มั่นคงและกระชับ ลูกค้าของเรามองตลาดผ่านเลนส์ของปัจจัยพื้นฐานของอุปสงค์และอุปทาน หากแบบจำลองไม่สะท้อนถึงความเชื่อนี้ (และแบบจำลองที่ไม่ได้รับการดูแลมักจะไม่ทำเช่นนั้น) ลูกค้าของเราจะไม่พัฒนาความไว้วางใจในการใช้งาน โดยทั่วไปแล้ว ผู้ใช้จะไม่รวมแบบจำลองที่ไม่น่าเชื่อถือเข้ากับกระบวนการตัดสินใจในแต่ละวัน

มีนวัตกรรมหรือความก้าวหน้าใดๆ ใน AI หรือวิทยาศาสตร์ข้อมูลที่คุณเชื่อว่าจะปฏิวัติวงการคาดการณ์สินค้าโภคภัณฑ์ในอีกไม่กี่ปีข้างหน้า และ DecisionNext กำลังเตรียมพร้อมสำหรับการเปลี่ยนแปลงเหล่านั้นอย่างไร?

การมาถึงของ LLM ที่มีประสิทธิภาพเป็นความก้าวหน้าที่จะใช้เวลาในการแพร่กระจายอย่างเต็มที่ในกระบวนการตัดสินใจทางธุรกิจ โดยความเร็วในการปรับปรุงโมเดลยังคงเร็วและยากต่อการตามให้ทัน แต่ฉันคิดว่าเรายังคงอยู่ในช่วงเริ่มต้นของการทำความเข้าใจวิธีการที่ดีที่สุดในการรวม AI เข้ากับกระบวนการทางธุรกิจ โดยส่วนใหญ่ของปัญหาที่เราเจอสามารถถูกกำหนดให้เป็นปัญหาการเพิ่มประสิทธิภาพที่มีข้อจำกัดที่ซับซ้อน ข้อจำกัดภายในกระบวนการทางธุรกิจมักจะไม่ได้รับการบันทึกและบังคับใช้ด้วยบริบทมากกว่าการบังคับใช้อย่างเข้มงวด ฉันคิดว่าพื้นที่นี้เป็นโอกาสที่ยังไม่ได้รับการสำรวจอย่างมากสำหรับ AI ในการค้นพบข้อจำกัดที่ไม่ได้บันทึกไว้ในข้อมูลทางประวัติศาสตร์ และสร้างและแก้ปัญหาการเพิ่มประสิทธิภาพที่เหมาะสม

การทำงานของคุณครอบคลุมสาขาต่างๆ เช่น การวิเคราะห์ทางทะเล เศรษฐศาสตร์ และพลศาสตร์ไม่เชิงเส้น การมองเห็นเชิงข้ามสาขานี้มีส่วนช่วยในการแก้ปัญหาการคาดการณ์สินค้าโภคภัณฑ์อย่างไร?

ประสบการณ์หลากหลายของฉันส่งผลกระทบต่อการทำงานของฉันในสามวิธี ประการแรก ความกว้างของงานของฉันทำให้ฉันไม่สามารถเจาะลึกไปในด้านใดด้านหนึ่งมากเกินไป แต่ฉันได้รับการสัมผัสกับสาขาต่างๆ มากมาย และสามารถดึงดูดความรู้จากสาขาเหล่านั้นได้ ประการที่สอง การคำนวณแบบกระจายมีบทบาทสำคัญในงานที่ฉันทำมา โดยเทคนิคที่ฉันใช้ในการสร้างคลัสเตอร์แบบ ad-hoc เมื่อฉันยังเป็นนักศึกษาระดับบัณฑิตศึกษาในสาขาฟิสิกส์ ถูกนำมาใช้ในเฟรมเวิร์กหลักๆ ในปัจจุบัน ดังนั้นทุกสิ่งจึงรู้สึกคุ้นเคยสำหรับฉันแม้ว่าความก้าวหน้าจะเร็วมาก ประการที่สาม การทำงานในหลายๆ ปัญหากระตุ้นให้ฉันมีความอยากรู้อยากเห็นเชิงปรัชญา เมื่อฉันยังเป็นนักศึกษาระดับบัณฑิตศึกษา ฉันไม่เคยคิดว่าจะทำงานในสาขาเศรษฐศาสตร์ แต่ฉันก็มาอยู่ที่นี่ ฉันไม่รู้ว่าจะทำอะไรในอีก 5 ปี แต่ฉันรู้ว่าจะพบสิ่งที่น่าสนใจ

DecisionNext เน้นการหลบหนีจากโมเดลการคาดการณ์ “กล่องดำ” ความโปร่งใสนี้มีความสำคัญอย่างไร และมันส่งผลกระทบต่อความไว้วางใจและความยอมรับของผู้ใช้อย่างไร?

ผู้ค้าขายสินค้าโภคภัณฑ์แบบคลาสสิก (ในหรือนอกตลาดการแลกเปลี่ยน) คือคนที่เรียนรู้พื้นฐานของอุตสาหกรรมในด้านการผลิต แต่มีทักษะในการเดิมพันในตลาดที่มีความผันผวน หากพวกเขาไม่มีประสบการณ์จริงในด้านการผลิต พวกเขาจะไม่ได้รับความไว้วางใจจากผู้บริหารและไม่ได้รับการเลื่อนตำแหน่งในฐานะผู้ค้าขาย หากพวกเขาไม่มีความสามารถในการเดิมพัน พวกเขาจะเครียดมากเกินไปในการดำเนินการซื้อขาย ในทางกลับกัน นักวิเคราะห์ทางเศรษฐกิจของวอลล์สตรีทมักจะมีภูมิหลังอย่างเป็นทางการในด้านความน่าจะเป็นและสถิติ เพื่อให้ได้รับความไว้วางใจ เราต้องนำเสนอระบบที่มีความสมเหตุสมผล มีความเร็ว และสอดคล้องกับความลำเอียงทางความคิดที่ว่าอุปสงค์และอุปทานเป็นตัวขับเคลื่อนหลักของการเคลื่อนไหวของตลาดขนาดใหญ่ ดังนั้นเราจึงใช้แนวทาง “กล่องขาว” โดยทุกสิ่งทุกอย่างมีความโปร่งใส โดยทั่วไปจะมี “ช่วงวันเดท” ที่พวกเขามองลึกเข้าไปในระบบและเรากำกับพวกเขาผ่านเหตุผลของระบบ เมื่อความไว้วางใจถูกสร้างขึ้น ผู้ใช้จะไม่เสียเวลาในการมองลึก แต่จะกลับมาตรวจสอบการคาดการณ์ที่สำคัญหรือไม่คาดคิดเป็นระยะๆ

วิธีการของ DecisionNext ในการคาดการณ์ที่ตระหนักรู้ถึงความเสี่ยงช่วยให้บริษัทต่างๆ ไม่เพียงแต่ตอบสนองต่อสภาวะตลาด แต่ยังช่วยให้พวกเขาสามารถกำหนดกลยุทธ์ของตนเองได้อย่างไร?

การค้าขายสินค้าโภคภัณฑ์ไม่จำกัดอยู่แค่ในตลาดการแลกเปลี่ยนเท่านั้น โดยบริษัทส่วนใหญ่มีการเข้าถึงตลาดอนุพันธ์ในการป้องกันความเสี่ยงเพียงเล็กน้อย ผู้ประมวลผลอาจซื้อสินค้าโภคภัณฑ์ที่จดทะเบียนเป็นวัตถุดิบ (เช่น ปศุสัตว์) แต่ผลิตภัณฑ์ของพวกเขาก็เป็นสินค้าโภคภัณฑ์ที่มีความผันผวนด้วย (เช่น เนื้อวัว) ซึ่งมักจะมีความสัมพันธ์ระหว่างราคาที่ไม่สอดคล้องกับวัตถุดิบ โดยผู้ประมวลผลถูกบังคับให้มีแผนเชิงกลยุทธ์ที่มองไปข้างหน้า เนื่องจากโรงงานที่มีราคาแพงจะต้องดำเนินงานใกล้ความจุเต็มที่ พวกเขาจะไม่สามารถดำเนินงานได้โดยสิ้นเชิงในตลาดจุด และพวกเขาจะต้องทำสัญญาล่วงหน้าเพื่อซื้อวัตถุดิบและขายผลิตภัณฑ์ DecisionNext ช่วยให้ผู้ประมวลผลสามารถคาดการณ์ทั้งระบบนิเวศของปัจจัยอุปสงค์และอุปทาน และราคา และจำลองว่าการตัดสินใจทางธุรกิจจะถูกส่งผลกระทบโดยผลลัพธ์ของตลาดทั้งหมด สิ่งสำคัญที่สุดคือการทำความเข้าใจความมุ่งมั่นของวัสดุและยอดขาย และการตัดสินใจในการประมวลผลเพื่อให้แน่ใจถึงการใช้ความจุ DecisionNext ได้รับการออกแบบมาโดยเฉพาะสำหรับสิ่งนี้

ในฐานะผู้ที่มีภูมิหลังทางวิทยาศาสตร์ที่ลึกซึ้ง สิ่งใดที่ทำให้คุณตื่นเต้นที่สุดเกี่ยวกับการตัดกันของวิทยาศาสตร์และ AI ในการเปลี่ยนแปลงอุตสาหกรรมแบบดั้งเดิม เช่น สินค้าโภคภัณฑ์?

เศรษฐศาสตร์เชิงพฤติกรรมได้เปลี่ยนแปลงความเข้าใจของเราเกี่ยวกับวิธีการที่การรับรู้ส่งผลกระทบต่อการตัดสินใจทางธุรกิจ AI กำลังเปลี่ยนแปลงวิธีที่เราใช้เครื่องมือซอฟต์แวร์เพื่อสนับสนุนการรับรู้ของมนุษย์และการตัดสินใจที่ดีขึ้น การเพิ่มประสิทธิภาพที่จะเกิดขึ้นจากอัตโนมัติที่ได้รับการสนับสนุนจาก AI จะมีความสำคัญทางเศรษฐกิจ และบริษัทสินค้าโภคภัณฑ์จะได้รับประโยชน์อย่างมากจากอัตโนมัตินี้ เนื่องจากพวกเขาได้รับการดำเนินงานด้วยอัตรากำไรที่บางและต้นทุนแรงงานสูง นอกเหนือจากนั้น ฉันเชื่อว่ามีประสิทธิภาพที่ซ่อนอยู่ในการตัดสินใจทางธุรกิจที่ทำโดย直觉และกฎเกณฑ์ การตัดสินใจมักจะขึ้นอยู่กับข้อมูลที่ไม่โปร่งใสและเครื่องมือสเปรดชีตแบบง่าย เพื่อฉันแล้ว สิ่งที่น่าตื่นเต้นที่สุดคือแพลตฟอร์มอย่าง DecisionNext จะช่วยเปลี่ยนแปลงกระบวนการทางธุรกิจโดยใช้ AI และการจำลองเพื่อทำให้การตัดสินใจที่ตระหนักรู้ถึงความเสี่ยงและบริบทเป็นไปตามข้อมูลที่โปร่งใสและเหตุผลที่เปิดกว้าง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ DecisionNext.