Treefera’nın CEO’su ve Kurucu Ortağı Jonathan Horn ile Röportaj Serisi

Jonathan Horn, Treefera’nın CEO’su ve Kurucu Ortağı, risk yönetimi, yapay zeka ve büyük ölçekli veri analitiği konularında derin uzmanlığa sahip bir teknoloji girişimcisidir. Treefera’yı 2022 yılında kurmadan önce, J.P. Morgan ve Citigroup’da üst düzey liderlik rollerinde bulunmuş ve risk, veri ve karmaşık finansal sistemler üzerinde odaklanmıştır. Treefera, küresel tedarik zincirlerinin en büyük kör noktalarından biri olan “ilk mil”de raw malzemelerin ortaya çıktığı noktada faaliyet gösterir. Horn’un liderliğinde, şirket hızla AI destekli tedarik zinciri istihbaratının önde gelen sağlayıcılarından biri haline gelmiştir. Şirket, işletmelere kaynak, çevresel riskler, uyum gereksinimleri ve operasyonel esneklik konularında gerçek zamanlı görünürlük sağlar.

2022 yılında Londra’da kurulan Treefera, ilk mil küresel emtia tedarik zincirlerine şeffaflık getirmeyi amaçlayan bir AI destekli tedarik zinciri istihbarat şirketidir. Şirketin özel veri dokuması, uydu görüntüleri, mekansal ve zamansal veri, AI modelleri ve risk analitiğini birleştirerek organizasyonlara kaynak, uyum, sürdürülebilirlik ve tedarik zinciri riski konularında gerçek zamanlı içgörüler sağlar. Platform, işletmelerin ormanların yok edilmesi, karbon etkileri ve emtia kaynak riskleri gibi konularda everythingi izlemelerine yardımcı olur. Treefera, parçalı çevresel ve tedarik zinciri verilerini eyleme geçirilebilir bilgiye dönüştürerek, giderek dahavolatile ve düzenlenmiş bir küresel ekonomide tedarik zinciri esnekliğini güçlendirmeyi amaçlamaktadır.

Treefera’yı, J.P. Morgan ve Citi’de üst düzey risk, AI ve veri analitiği rollerinin ardından kurduğunuz için, tarım ve yumuşak emtia riski konusunda işletmelerin nasıl anladığı konusunda hangi özel açığı gördünüz?

Doğal kaynaklı emtialar, dünya ticaretinin 2,1 trilyon dolarını temsil etmektedir, ancak bu varlıkların risk değerlendirmesi için altta yatan veriler manuel, gecikmeli ve yapısal olarak yanlıştı. J.P. Morgan ve Citi’de risk modelleri ile çalışırken, ilk mil tarım tedarik zincirlerinden gelen verilere dayanan fiyatlandırma ve maruz kalma kararları gördüm: elle toplanan, eksikliğe eğilimli ve genellikle gerçeklikten haftalar veya aylar geride kalan veriler. Tedarik riskinin %60’ı, emtialar bir limana veya bir borsaya ulaşmadan önce, yani görünürlüğün en az olduğu noktada ortaya çıkar.

Treefera’yı kurmaya karar vermemi sağlayan, iki şeyin birleşmesiydi: sorunun büyüklüğü ve sorunu çözebilecek araçların ortaya çıkması. Uydu çözünürlüğü ve kapsamı, büyük üretim bölgelerindeki tarla koşullarını minimal maliyetle gözlemlemek için bir noktaya ulaşmıştı. AI, ham sinyali mali olarak yorumlanabilir bir şeye dönüştürebilecek olgunluğa ulaşmıştı. Hiç kimse bu noktaları bilimsel bir şekilde bağlamıyordu. İşletmeler, masih hükümet raporlarına dayanan riski fiyatlandırıyordu; bu raporlar, zemin koşullarından aylar geride kalıyordu, ulusal ortalamalar yerel varyasyonu maskelemekte ve iklim volatilitesini işleyemeyen lineer modeller kullanılıyordu. Bilinir olan ile bilinen arasındaki fark devasaydı. Treefera, bu farkta yer almaktadır.

Treefera, genellikle AI destekli bir istihbarat platformu olarak tanımlanmaktadır, ancak yaklaşımınız açıkça LLM’ler üzerine odaklanmıyor. Tedarik zinciri için öngörücü AI ile şu anda sohbetin merkezinde olan üretken AI sistemleri arasındaki farkı nasıl açıklarsınız?

Üretken AI ve büyük dil modelleri, temelde farklı bir problemi çözer. Bunlar, olağanüstü yararlı olan, tekrarlanan görevleri basitleştirmeye yönelik üretkenlik araçlarıdır. Bu sistemlerin ticari challenge’ı, benimseme, insanların nasıl çalıştıklarını değiştirmektir. Bu, bir pazar eğitim problemidir, bilimsel bir problem değildir.

Treefera, bilimsel problemleri mali derecede doğruluk gereksinimleriyle çözmek için AI kullanır. Derin öğrenme modellerimiz, uydu görüntüleri, iklim sinyalleri ve bitki biyolojisini yorumlamak için eğitilir ve sermaye dağıtım kararlarını bilgilendirmeye yeterli olan verim ve üretim alanı tahmini üretir. Cevapladığımız soru, “Bu belge ne diyor?” değil, “Bu bölge üç ay içinde ne üretecek ve ne kadar güvenle hareket etmeliyim?” Bunlar aynı problem sınıfı değil ve aynı model sınıfını gerektirmez. LLM’ler dil için optimize edilmiştir; bizim modellerimiz fiziksel dünya yorumu için optimize edilmiştir. İkisini karıştırmak, yanlış araç sınıfını bir problem için uygulamaya yol açar.

Çok sayıda AI şirketi, daha iyi performans için daha fazla hesaplama, daha büyük modeller ve daha fazla GPU erişimi gerektiğini savunuyor. Treefera, bu varsayımı sorguluyor gibi görünüyor. Uygulamalı AI için “cimri hesaplama” ne anlama geliyor ve neden önemli?

AI’de hakim olan varsayım, ölçekle performansın eşanlamlı olduğu şeklindedir: daha fazla parametre, daha fazla GPU, daha fazla bulut altyapısı. Uygulamalı AI için, özellikle domaine özgü bağlamlarda, bu varsayım yanlıştır ve gereksiz maliyet ve enerji israfına yol açar.

Cimri hesaplama, bizim için üç şey anlamına gelir. İlk olarak, hesaplama ile zamanı ayırmak. İşlemimizin çoğu, belirli bir saniyede gerçekleşmesi gerekmez. Sürekli açık altyapı çalıştırmak yerine, ağın fazla kapasite olduğu dönemleri belirler ve o dönemlerde hesaplama işlemlerini gerçekleştiririz.

İkinci olarak, iş yüklerini merkezden uzaklaştırıyoruz. Tüm trafiği tek bir bulut merkezine yönlendirmek yerine, blockchain altyapısı da dahil olmak üzere mevcut düğümler ağı üzerinden dağıtıyoruz. Bir düğüm verimsiz hale gelirse, görevler dinamik olarak yeniden yönlendirilir.

Üçüncü olarak, donanımı doğru boyuta getiriyoruz. Çalışma yükümüz için performansı eşdeğer olan ancak enerji ve maliyeti daha düşük olan NVIDIA (NVDA ) AG6 gibi chipleri kullanıyoruz. Bu, sadece verimlilik nedeniyle değil, aynı zamanda doğruluk nedeniyle önemlidir. Cimri hesaplama, gerçekten gerekli olan hesaplama konusunda disiplin sağlar. Bu, finansal ve operasyonel karar alıcıların gerçekten kullanabileceği daha ince, daha yorumlanabilir modeller üretir. Onlara daha büyük bir model gerekmez; daha doğru bir cevap gerekir.

Platformunuzun, sürekli açık bulut altyapısına dayanmadan, verim, arazi kullanımı ve tedarik riski konusunda öngörücü çıktılar sağladığı bildiriliyor. Hesaplamayı zamandan ayırırken, aynı zamanda ticari olarak yararlı, neredeyse gerçek zamanlı istihbarat nasıl sunuyorsunuz?

Yaklaşık gerçek zamanlı istihbarat ve sürekli hesaplamalar aynı şey değildir. Müşterilerimiz haftalık güncellenen tahminler istiyor; hesaplamaların sürekli çalışması gerekmez.

İşlem döngülerimizi verilerin doğal ritmine haritalandırıyoruz. Uydu görüntüleri belirli bir zaman diliminde gelir. Hava girişleri belirli bir zaman diliminde güncellenir. Modellerimizin cevapladığı analitik sorular da zaman dilimi ile ilgilidir: bu bölgenin verim eğrisi nedir, bu hafta dikilen alan nasıl değişti? Bu nedenle, düşük talep dönemlerinde dağıtılmış altyapıdan kapasite ödünç alarak, verilerin işlenmesi için işlem görevlerini önceden planlıyoruz. Müşteriye sunulan çıktı, güncel, eyleme geçirilebilir ve model hazır bir haftalık veri akışıdır. Altyapı arkasında sadece anlamlı bir şey işlendiğinde çalışır. Bu mimari aynı zamanda daha dayanıklıdır. Düşük talep dönemlerinde dağıtılmış altyapıdan kapasite ödünç alan ve başarısız düğümleri atlayan bir iş yükü, tek bir sürekli açık sunucudan daha güvenilir ve tek bir başarısızlık noktasına sahiptir.

Tarım ve yumuşak emtia piyasaları hala gecikmiş, anket tabanlı veya parçalı verilere dayanmaktadır. AI, şirketlerin, bankaların, sigorta şirketlerinin ve tüccarların resmi raporlarda görünmeden önce riski nasıl değerlendirebileceğini değiştiriyor?

Anket tabanlı raporlamanın yapısal problemi, geriye dönük olarak tasarlanmış olmasıdır. Bir hükümet ajansı bir tedarik tahminini yayınladığında, altta yatan fiziksel koşullar haftalar veya aylar geride kalmıştır. Bu verilere dayanan piyasalar, geçmişe tepki vermektedir.

AI, bilgi kaynağını anketlerden doğrudan gözlemlere kaydırarak bunu değiştirir. Uydu görüntüleri, iklim sinyalleri ve bitki gelişimi verileri şimdi mevcuttur, altı hafta sonra derlenen ve yayımlanan bir raporun ortaya çıkmasını beklemek yerine. Modellerimiz, fiziksel verileri, tüccarların, sigorta şirketlerinin ve analistlerin gerçekten kullandığı mali dille yorumlar: belirlenmiş belirsizlik aralıkları ile verim tahmini, haftalık güncellemelerle üretim alanı tahmini, riski kaynakta fiyatlandırmeden önce ölçen stres puanları.

2022’de ABD mısır modellerimiz, USDA’nın yayınlamasından beş hafta önce bir aşağı yönlü revizyonu işaret etti. 2025 Ocak ayında, Gana’nın kakao kuşağında 0,76’lık bir stres skoru ortaya çıktı; COCOBOD, mevsim tahminini Haziran ayına kadar revize etmedi. Bilgi avantajı marjinal değil, yapısal. Resmi raporları bekleyerek tedarik ve fiyatlandırma kararları alan işletmeler, karşı taraflarının paylaşmadığı bir gecikmeyle çalışıyorlar.

Tedarik zincirlerinin “ilk mili” tarihi olarak, küresel işletmeler için en az şeffaf alanlardan biri olmuştur. İlk mil görünürlüğü neden şimdi, özellikle iklim volatilitesi, düzenleme ve jeopolitik belirsizliğin artmasıyla birlikte, bu kadar kritik hale geliyor?

Üç güç birleşiyor ve her biri bireysel olarak önemli.

İklim volatilitesi, üretim şoklarının sıklığını ve ciddiyetini artırmaktadır. Aynı hava olayı şimdi, daha stresli bitki sistemleri ve daha öngörülemez aşırı olaylar nedeniyle daha büyük bir tedarik riski taşıyor. Tarihi normlara dayanan lineer risk modelleri, bu volatiliteyi işleyecek şekilde yapılandırılmamıştır. Gerçekte neler olduğu hakkında gerçek zamanlı fiziksel gözlem görmek için gereklidir.

Düzenleme, ilk milde neler olduğu ile bir işletmenin satabileceği veya finanse edebileceği arasında doğrudan bir sorumluluk bağlantısı oluşturuyor. EUDR, CSRD, TCFD: Bu çerçeveler, işletmelerin emtialarının nereden geldiğini ve kaynakta hangi koşulların olduğunu bilmelerini gerektiriyor. “Tedarikçiye güvendik” artık savunulabilir bir pozisyon değildir. Bu sorumluluk, izlenebilirliği ve kökeni, bir satın alma tercihi olmaktan yasal bir gereksinime dönüştürüyor.

Jeopolitik bozulma, tek bir bölgenin küresel arzın baskın bir payına sahip olduğu ve bu bölgenin siyasi veya fiziksel olarak güvensiz hale geldiği durumlarda, ilk mil görünürlüğü olmadan işletmelerin erken uyarı mekanizması yoktur. Piyasa zaten yeniden fiyatlandırılmıştır.

Veri ekosisteminde daha geniş bir değişiklik de meydana geliyor. Google (GOOGL ) Earth AI’nin pan-tropikal emtia haritalarının yakın zamanda piyasaya sürülmesi – kakao, kahve, palm yağı ve kauçuk için yıllık 10 metrelik ürün ayak izleri, açık veri olarak yayınlandı – nereye gittiğimizi gösteren bir işarettir. Fiziksel dünya, uzaydan giderek daha okunabilir hale geliyor ve tedarik zinciri şeffaflığı talebi artık büyük teknoloji yatırımlarını çekiyor. Treefera bunu memnuniyetle karşılıyor. Daha zengin bir temel veri katmanı, tüm pazar için tabanını yükseltir ve daha iyi bilginin sadece mümkün değil, mevcut olduğu konusunda ortak bir farkındalık yaratır.

Açık keşif haritaları, however, bilgi boşluğunu kapatamaz. Nerede ürünlerin yetiştirildiği bilinmesi, bu sezonun nasıl geliştiği, kaynakta neler olduğu veya portföyünüzün nerede risk altında olduğu hakkında aynı şey değildir. Gözlemden mali derecede içgöre çevirme, Treefera’nın kurulduğu şeydir.

İlk mil cehaleti, dünya daha öngörülebilirken ticari olarak tolere edilebilirdi. Artık değil.

Müşteri tabanınız, JP Morgan, Microsoft (MSFT ), Bayer ve Anew gibi büyük işletmeleri içeriyor. İşletmelerin Treefera ile çözmeye çalıştığı en yaygın sorunlar nelerdir: uyum, tedarik riski, tahmin, sürdürülebilirlik, satın alma veya başka bir şey?

İşletmelerin bize getirdiği temel problem, aynı şeyin bir versiyonudur: ilk mil tarım tedarik zincirlerinde önemli mali maruziyetleri vardır ve bunu görmeden önce güvenilir bir mekanizmaları yoktur. Çerçeve, sektöre göre farklılık gösterir.

Tüccarlar ve emtia maruziyeti olan finansal kurumlar için soru, bilgi avantajıdır: resmi veriler veya fiyatlar ortaya çıkmadan önce tedarik değişikliklerini görmek. Tarım kredileri ve sigorta şirketleri için, risk değerlendirmesi söz konusudur; gözlemlerini gözlemleyemedikleri operasyonları finanse ediyorlar veya sigorta ediyorlar. Sürdürülebilirlik veya uyum yükümlülükleri olan kurumsal şirketler için, soru, kanıttır: düzenleyiciler ve karşı tarafların artık gerektirdiği standartları karşıladıklarını, savunulabilir verilerle kanıtlamak.

Geleneksel cevap – tedarikçiye güvenin, hükümet raporunu bekleyin, konsensüs tahmini alın – artık yeterli değil. Gerekli kesinlik ve hız, kamu veri ekosisteminde mevcut değil. İlk milde mevcuttur.

Treefera, iki yıl içinde 6 kat yıl içi büyüme, sıfır churn ve aşırı aboneli Seri B raporladı. Bu düzeyde benimseme, işletmelerin büyük ölçekli değil, doğru, verimli ve operasyonel olarak yerleşik AI sistemleri talebi hakkında ne söylüyor?

Sıfır churn en önemli sinyaldir. Gelir büyümesi, ticari icraatı yansıtabilir; sıfır churn, ürün-pazar uyumu yansıtır. Bir tam sezon için verileri kullanan, kendi modellerine karşı test eden ve buna dayalı kararlar alan ve ardından yenileyen müşteriler, sinyalin gerçek ve operasyonlarını değiştirdiğini söylüyorlar.

Bu, büyük ölçekli genel modellere ağırlıklı bir manzara tarafından karşılanmayan, doğru, denetlenebilir ve operasyonel olarak entegre edilebilir AI için önemli bir kurumsal talep olduğunu da gösteriyor. Tedarik zinciri ve risk profesyonelleri, risk komitesinde savunabilecekleri belirlenmiş bir belirsizlik aralığı ile bir tahmin istiyorlar. Bu baraj aşıldığında – domaine özgü veri, mali derecede doğruluk, şeffaf metodoloji – işletmeler bunu önceliklendiriyor. Aşırı aboneli fon toplama, yatırımcıların aynı dinamiği tanımasına işaret ediyor: pazar büyük, problem yapısal ve mevcut veri altyapısı bunu çözmek için inşa edilmedi.

Uygulamalı AI’nin bir sonraki aşamasının, model ölçeğinden daha fazla operasyonel verimlilik, domaine özgü veri ve ölçülebilir iş sonuçları tarafından belirleneceğine inanılıyor musunuz?

Evet, ve kanıtlar zaten görünmektedir.

Büyük ölçekli AI, çözülebilecek şeylerin sınırlarına ulaşmaya başlamıştır. Parametreleri eklemek, altta yatan veri kaba, gecikmiş veya coğrafi olarak hatalı ise, verim tahminiğini iyileştirmez. Hesaplamanın marjinal değeri, model büyüklüğü değil veri kalitesi ve domaine özgü doğruluk olduğunda azalmaktadır.

Sonraki aşama, domaine özgü eğitim verisi, doğru boyutlu modeller ve doğrulanabilir çıktılar tarafından tanımlanacaktır. Tarım, finans ve tedarik zinciri gibi sektörlerde, kararlar mali ve operasyonel sonuçlar taşır, soru “Modelin büyüklüğü nedir?” değil, “Cevap ne kadar güvenilir ve ne nhanh hareket edebilirsin?”dir. Ölçek alone bunu cevaplayamaz. Bir sonraki beş yıl içinde uygulamalı AI’de liderlik edecek şirketler, fiziksel dünya hakkında özel veri boru hatları oluşturacak,