Кріс Ніколсон, засновник та генеральний директор Pathmind – Серія інтерв’ю

Кріс Ніколсон є засновником Pathmind, стартапу з штучного інтелекту, який застосовує глибоке підкріплення навчання до ланцюгів постачання та промислових операцій. Pathmind був заснований для допомоги підприємствам у подоланні глибоких економічних змін та підвищенні стійкості їхніх операцій за допомогою штучного інтелекту. Кріс керує стратегічним баченням компанії та щоденним виконанням, стимулюючи інновації та зростання платформи технологій Pathmind, а також оптимізуючи ефективність на складах та фабричних підлогах в рамках цифрової трансформації бізнесу.

Раніше Кріс був генеральним директором Skymind, компанії з штучного інтелекту, що зосереджена на глибокому навчанні. До цього він обіймав посади з комунікацій та підбору персоналу в FutureAdvisor, стартапі, який був підтриманий Sequoia та Y Combinator і був придбаний BlackRock (BLK ) у 2015 році за 200 мільйонів доларів. Кріс також понад десять років працював журналістом, висвітлюючи технології та фінанси для The New York Times, Bloomberg News та Businessweek, серед інших.

Ви раніше були кореспондентом The New York Times та редактором Bloomberg News, перш ніж перейти до машинного навчання. Чи можете ви розповісти про те, як відбулося це зміщення вашої кар’єри?

Коли я був журналістом у 2000-х та на початку 2010-х років, галузь переживала труднощі через перехід реклами до пошукових систем та соціальних медіа, а традиційні видання втрачали читачів. Я висвітлював фінанси та технології та бачив, як люди будували багато нового та цікавого. На певному етапі я сказав собі, що мені потрібно перейти на правильну сторону роботів, тому я переїхав до Сан-Франциско.

Це було 2013 рік. Там ще були хакерські будинки в SOMA. Я переїхав до одного з них, на ліжко в кімнаті з п’ятьма іншими хлопцями, і щодня йшов на роботу в стартап, який пройшов через Y Combinator. Працюючи в Сан-Франциско, я повільно познайомився з людьми та зрозумів, чим мені цікаво. Тоді глибоке навчання тільки починало набирати обертів. Ви могли бачити потенціал, але ще було багато чого потрібно побудувати. Ця цікавість спонукала мене зайнятися проектом штучного інтелекту, який у підсумку призвів до створення Pathmind.

Чи можете ви поділитися деякими деталями про те, як Pathmind може допомогти підприємствам?

Підприємства, які мають фізичну базу для управління, таку як склад, фабрику чи гірничодобувне підприємство, зазвичай стикаються з дуже складними завданнями оптимізації. Тобто їм потрібно координувати велику кількість обладнання для досягнення мети. Багато з них намагаються максимізувати пропускну спроможність та ефективність і мінімізувати витрати та викиди вуглецю. Ми розробляємо алгоритми, які можуть використовувати їхні реальні дані для показу нових шляхів для їхнього обладнання. Це може застосовуватися до планування робіт та машин, маршрутизації флоту та управління енергетичних витрат, серед іншого.

Які є деякі переваги відкритого програмного забезпечення для систем машинного навчання?

Програмні компанії – це всі човни, що плавають на морі відкритого коду. Інфраструктура публічних хмар працює на відкритому коді. Багато інструментів, які розробники використовують для створення веб-сайтів та застосунків машинного навчання, також є відкритими. Це життєздатна екосистема. Ми є ранніми приймають нові відкриті проекти, такі як Ray, який допомагає запускати розподілене обчислення для навантажень штучного інтелекту.

Ви явно оптимістичні щодо майбутнього глибокого підкріплення навчання. На вашу думку, які підприємства найкраще розташовані для використання цього типу машинного навчання?

Компанії, з якими ми працюємо, зазвичай мають дані, які вони використовують для відстеження своїх операцій та продуктивності. Вони мають фізичні операції, які вони можуть контролювати. Наші алгоритми потребують даних для розуміння середовища, в якому вони працюють, і їм потрібно представити дії для вибору, наприклад, обладнання для контролю, щоб вони могли мати вплив на результати. Зрештою, підприємства, які мають фізичні операції для контролю, мають дані про ці операції та деякі аналітичні дані, готові почати думати про оптимізацію, подібну до нашої.

Чи є щось ще, про що ви хотіли б говорити щодо Pathmind?

Одна з речей, яку ми робимо поряд з контролем фізичних операцій, полягає в тому, щоб допомогти підприємствам передбачити часові ряди. Так, дані про ціни чи попит впливають на поведінку компанії та кількість продукції, яку вони виробляють. Для виробництва правильної кількості їм потрібно знати, який буде попит. А для встановлення правильних цін їм потрібно мати уявлення про коливання цін. Наші алгоритми здатні робити такі прогнози.

Дякуємо за велике інтерв’ю. Читачам, які бажають дізнатися більше, рекомендуємо відвідати Pathmind.