Джонатан Хорн, генеральний директор і співзасновник Treefera – Серія інтерв’ю

Джонатан Хорн, генеральний директор і співзасновник Treefera, є технологічним підприємцем і колишнім виконавчим директором інвестиційного банку з глибокими знаннями в галузі управління ризиком, штучного інтелекту та великомасштабного аналізу даних. До заснування Treefera у 2022 році він обіймав керівні посади в J.P. Morgan і Citigroup, де він займався ризиком, даними та складними фінансовими системами. Використовуючи свій досвід у фінансовому моделюванні ризику, Хорн заснував Treefera, щоб вирішити одну з найбільш постійних сліпих плям у глобальних ланцюгах поставок: “першу милю”, де походять сировини. Під його керівництвом компанія швидко виросла у провідного постачальника інтелекту ланцюга поставок, що працює на штучному інтелекті, допомагаючи підприємствам отримувати реальний час огляду джерел, екологічних ризиків, вимог до дотримання законодавства та оперативної стійкості.

Заснована у Лондоні у 2022 році, Treefera є компанією, що працює на штучному інтелекті, яка займається забезпеченням прозорості першої милі глобальних ланцюгів поставок сировини. Її власна тканина даних поєднує зображення зі супутника, просторові та часові дані, моделі штучного інтелекту та аналіз ризику, щоб надавати організаціям реальний час огляд джерел, дотримання законодавства, сталості та ризиків ланцюга поставок. Платформа допомагає підприємствам контролювати все, від впливу вирубки лісів та вуглецевого сліду до ризиків джерел сировини, що дозволяє приймати більш обґрунтовані рішення щодо закупівель, фінансів та операцій. Перетворюючи фрагментовані екологічні та дані ланцюга поставок у дієвій інформації, Treefera спрямована на посилення стійкості ланцюга поставок у все більш волатильній та регульованій глобальній економіці

Ви заснували Treefera після виконання керівних ролей з ризику, штучного інтелекту та аналізу даних у J.P. Morgan і Citi. Який конкретний пробіл ви побачили у тому, як підприємства розуміють ризик сільськогосподарської та м’якої сировини, що переконало вас у необхідності існування Treefera?

Природні товари представляють 2,1 трильйона доларів США світової торгівлі, проте дані, що лежать в основі оцінки ризику для цих активів, були ручними, затриманими та структуровано неточними. Працюючи з моделями ризику в J.P. Morgan і Citi, я бачив рішення щодо ціноутворення та експозиції, що залежали від даних, що походять з першої милі сільськогосподарських ланцюгів поставок: зібраних вручну, схильних до пропусків та часто відсталих від реальності на тижні чи місяці. Шістдесят відсотків ризику поставок походять з першої милі, до того, як товари потрапляють до порту або біржі, проте саме там була найменша прозорість.

Те, що переконало мене створити Treefera, було збігом двох чинників: масштабу проблеми та появи інструментів, здатних її вирішити. Роздільна здатність супутників та їхнє покриття досягли рівня, коли можна було спостерігати стан культур на рівні поля у великих регіонах виробництва за мінімальну вартість. Штучний інтелект дозрів до рівня, коли міг перетворити цей сирій сигнал у щось фінансово інтерпретованим. Ніхто не з’єднував ці точки у суворому, науковому ключі. Підприємства все ще оцінювали ризик на основі звітів урядів, що відставали від реальності на місяці, національних середніх значень, що маскували місцеву варіацію, та лінійних моделей, що не могли впоратися з кліматичною волатильністю. Пробіл між тим, що було відомо, і тим, що було можливим, був величезним. Саме цей пробіл займає Treefera.

Treefera часто описується як платформа інтелекту, що працює на штучному інтелекті, проте ваш підхід явно не зосереджений на великих мовних моделях. Як ви пояснюєте різницю між передбачувальним штучним інтелектом для ланцюгів поставок та генеративними системами штучного інтелекту, які зараз домінують у розмові?

Генеративний штучний інтелект і великі мовні моделі розв’язують фундаментально іншу проблему. Вони є інструментами продуктивності: надзвичайно корисними для спрощення повторюваних завдань, таких як складання та підсумовування. Комерційна проблема для цих систем полягає в тому, щоб змусити людей змінити свій спосіб роботи. Це проблема ринку освіти, а не наукова.

Treefera використовує штучний інтелект для розв’язання наукових проблем з фінансовими вимогами точності. Наші глибокі моделі навчання призначені для інтерпретації зображень зі супутника, сигналів клімату та біології культур для отримання прогнозів врожайності та виробництва території, достатньо точних для інформування рішень щодо розподілу капіталу. Питання, яке ми відповідаємо, полягає не в тому, “що це документ говорить?”, а в тому, “який врожай буде у цьому регіоні за три місяці, і наскільки ви повинні бути впевнені?” Це не однієї класу проблеми і вони не потребують однієї класу моделі. Великі мовні моделі оптимізовані для мови; наші моделі оптимізовані для інтерпретації фізичного світу. Плутання цих двох концепцій призводить до застосування неправильного класу інструменту до проблеми, для якої він не був створений.

Багато компаній штучного інтелекту стверджують, що краща продуктивність вимагає більше обчислювальної потужності, більших моделей та більшого доступу до GPU. Treefera, здається, заперечує це припущення. Що означає “бережливий обчислювальний підхід” на практиці, і чому він важливий для прикладного штучного інтелекту?

Продовжуючи припущення у сфері штучного інтелекту полягає в тому, що масштаб дорівнює продуктивності: більше параметрів, більше GPU, більше інфраструктури хмари. Для прикладного штучного інтелекту в конкретних контекстах це припущення є неправильним і призводить до зайвої вартості та енергетичних витрат.

Бережливий обчислювальний підхід на практиці означає три речі для нас. По-перше, ми відключаємо обчислення від часу. Більшість наших завдань обробки не потребують виконання в певну секунду. Натомість ніж виконувати інфраструктуру, що завжди працює, ми визначаємо періоди надлишкової мережевої потужності та позичаємо обчислення під час цих вікон.

По-друге, ми децентралізуємо робочі навантаження. Натомість ніж маршрутизувати все через один хаб хмари, ми розподіляємо завдання по мережі доступних вузлів, включаючи інфраструктуру блокчейну, яка має значну ідльну потужність у певні періоди. Якщо один вузол стає неефективним, завдання динамічно перенаправляються.

По-третє, ми оптимізуємо апаратне забезпечення. Ми використовуємо NVIDIA (NVDA ) AG6, а не топові чіпи, де продуктивність еквівалентна для наших робочих навантажень при фракції енергетичних витрат та вартості. Причина, через яку це має значення, полягає не тільки в ефективності, а й у точності. Бережливий обчислювальний підхід змушує нас дисциплінувати щодо того, яке обчислення нам насправді потрібно. Це призводить до більш лаконічних, інтерпретованих моделей – тих, які фінансові та оперативні приймачі рішень можуть фактично використовувати. їм не потрібно більша модель; їм потрібно більш точна відповідь.

Ваша платформа, як повідомляється, забезпечує передбачувані виходи щодо врожайності культур, використання землі та ризику поставок без залежності від інфраструктури хмари, що завжди працює. Як ви відключаєте обчислення від часу, одночасно забезпечуючи комерційно корисну, майже реальний час інтелекту?

Практично реальний час інтелекту та безперервне обчислення – це не одне й те саме. Нашим клієнтам потрібні прогнози, оновлені щотижня; їм не потрібно, щоб обчислення, яке генерує ці прогнози, виконувалося безперервно.

Ми відображаємо наші цикли обробки на природному ритмі даних. Зображення зі супутника надходить у певному порядку. Входи погоди оновлюються у певному порядку. Аналітичні питання, які наші моделі відповідають, також керуються ритмом: яка траєкторія врожайності для цього регіону, що змінилося цього тижня у площі посадки. Тому ми попередньо плануємо завдання обчислень для виконання проти цих вікон даних, позичając потужність з розподіленої інфраструктури під час періодів низького попиту. Вихід клієнту – це щотижневий потік даних, який є поточним, дієвим та готовим до моделі. Інфраструктура за ним працює лише тоді, коли є щось значуще для обробки. Ця архітектура також більш стійка. Розподілене робоче навантаження, яке маршрутизується навколо неуспішних вузлів, є більш надійним, ніж один сервер, що завжди працює, з однією точкою відмови.

Ринки сільськогосподарської та м’якої сировини все ще сильно залежать від затриманих, заснованих на опитуванні чи фрагментованих даних. Як штучний інтелект змінює спосіб, у який компанії, банки, страхові компанії та трейдери можуть оцінювати ризик до того, як він стане видимим у офіційних звітах?

Структурна проблема з опитуванням полягає в тому, що воно спочатку орієнтоване на минуле. До того, як урядова агенція опублікує оцінку пропозиції, фізичні умови, що лежать в її основі, вже застаріли. Ринки, що рухаються на цих даних, реагують на історію.

Штучний інтелект змінює це, зміщуючи джерело інформації з опитувань на пряме спостереження. Зображення зі супутника, сигнали клімату та дані біології культур доступні зараз, а не через шість тижнів, коли звіт буде складений та опублікований. Те, що наші моделі роблять, полягає у перекладі цих фізичних даних у фінансову мову, яку трейдери, страхові компанії та аналітики фактично використовують: прогнози врожайності з зазначеними інтервалами невизначеності, оцінки площі виробництва з щотижневими оновленнями, оцінки стресу, які кількісно оцінюють ризик на рівні походження до того, як він проявиться у цінах.

У 2022 році наші моделі кукурудзи у США показали зниження прогнозу за п’ять тижнів до того, як USDA опублікувала свої дані. У січні 2025 року наші моделі виявили оцінку стресу 0,76 у какао-регіоні Гани; COCOBOD не переглянула свій сезонний прогноз до червня. Перевага інформації не є маржинальною; вона є структурною. Підприємства, які все ще чекають на офіційні звіти, щоб приймати рішення щодо поставок та ціноутворення, працюють з затримкою, якої їхні контрагенти можуть не поділити.

Перша миля ланцюгів поставок історично була однією з найменш прозорих областей для глобальних підприємств. Чому перша миля візуалізації стає такою критичною зараз, особливо у контексті зростання кліматичної волатильності, регулювання та геополітичної невизначеності?

Три сили сходяться, і кожна з них окремо суттєва.

Кліматична волатильність збільшує частоту та серйозність виробничих шоків на рівні походження. Те саме погодне подія тепер має більший вплив на поставки, оскільки системи культур все більш стресовані та екстремальні події менш передбачувані з історичних середніх значень. Лінійні моделі ризику, побудовані на історичних нормах, структуровано не здатні впоратися з цим. Вам потрібно реальне спостереження у реальному часі, щоб побачити, що відбувається насправді у полі.

Регулювання створює прямий зв’язок між тим, що відбувається на першій милі, і тим, що підприємство може продати або профінансувати. EUDR, CSRD, TCFD: ці рамки вимагають від підприємств знати, з доказами, де походять їхні товари та які умови походження були. “Ми довіряли постачальнику” вже не є оборонною позицією. Ця відповідальність спонукає прозорість та походження від закупівельної переваги до юридичної вимоги.

Геополітичні порушення зробили залежність від однієї області регіональним ризиком. Коли один регіон становить домінуючу частку глобальної пропозиції певної сировини та цей регіон стає політично чи фізично ненадійним, підприємства без першої милі візуалізації не мають механізму раннього попередження. Вони дізнаються про це, коли ринок вже переоцінив.

Є також ширша зміна, що відбувається у самому екосистемі даних. Нещодавнє запуск Google (GOOGL ) Earth AI пан-тропічних карт сировини – щорічні 10-метрові сліди культур для какао, кави, олійної пальми та каучуку, випущені як відкриті дані – є корисним індикатором того, куди рухаються справи. Фізичний світ став все більш зрозумілим з космосу, а попит на прозорість ланцюгів поставок тепер достатньо масовий, щоб привабити великі інвестиції технологій у цьому напрямку. Treefera вітає це. Багатший основний шар даних підвищує рівень для всього ринку та створює спільну усвідомленість того, що краща інформація не тільки можлива, а й доступна.

Що відкриті карти відкриття не можуть зробити, так це закрити розрив у інтелекті. Знання того, де посіяні культури, не те саме, що знання того, як розвивається сезон, або чого означають умови походження для вашої експозиції поставок, або де ваш портфель знаходиться під ризиком. Переклад з спостереження на фінансово-ґратований огляд – це те, для чого створена Treefera.

Недостатність інформації про першу милю раніше була комерційно терпимою, коли світ був більш передбачуваним. Тепер це вже не так.

Ваша клієнтська база включає великі організації, такі як JP Morgan, Microsoft (MSFT ), Bayer та Anew. Які найпоширеніші проблеми, які підприємства намагаються вирішити за допомогою Treefera: дотримання законодавства, ризик поставок, прогнозування, сталість, закупівлі чи щось інше?

Основна проблема, яку підприємства приносять до нас, є версією однієї й тієї ж речі: вони мають значну фінансову експозицію того, що відбувається на першій милі сільськогосподарських ланцюгів поставок, і немає надійного механізму побачити це до того, як це коштує їм. Конкретне формулювання відрізняється за сектором.

Для трейдерів і фінансових інститутів, які піддаються впливу сировини, питання полягає в інформаційній перевазі: бачити зміни пропозиції до того, як вони з’являються у цінах або офіційних даних. Для сільськогосподарських лендерів і страхових компаній питання полягає в оцінці ризику; вони страхують або фінансує операції, які безпосередньо керуються умовами, які вони не можуть спостерігати. Для корпоративних клієнтів зі зобов’язаннями щодо сталості чи дотримання законодавства питання полягає в доказах: доведенні, з обґрунтованими даними, що їхні ланцюги поставок відповідають стандартам, які зараз вимагають регулятори та контрагенти.

Традиційна відповідь – довіряти постачальнику, чекати офіційного звіту, купити консенсус-оцінку – вже не достатня. Точність та швидкість, яких їм потрібно, не існують у публічній екосистемі даних. Вона існує на першій милі.

Treefera повідомила про 6-кратний ріст за рік, нульову відхідність клієнтів та перепідписаний серійний раунд B за два роки. Що таке рівень прийняття вказує на підприємницький попит на системи штучного інтелекту, які є точними, ефективними та оперативно-заснованими, а не просто великомасштабними?

Нульова відхідність клієнтів – це найпоказовіший сигнал. Ріст доходу може відображати комерційну реалізацію; нульова відхідність клієнтів відображає продуктивність ринку. Клієнти, які використовували дані протягом повного сезону, протестували їх проти своїх власних моделей та прийняли рішення на основі них, а потім поновили, кажуть вам, що сигнал реальний і що він змінює спосіб їхньої роботи.

Це також вказує на значний невідповідний підприємницький попит на штучний інтелект, який є точним, аудитованим та інтегрованим у операції – попит, який не задовольняється ландшафтом, який сильно зважений на генеративні інструменти та великомасштабні моделі. Професіонали ланцюгів поставок та ризику потребують прогнозу з зазначеним інтервалом невизначеності, який вони можуть підтримати у комітеті з ризику. Коли ця планка досягнута – галузеві дані, фінансово-ґратована точність, прозора методологія – підприємства віддають їй пріоритет. Перепідписаний фонд приватного капіталу відображає визнання інвесторами тієї ж динаміки: ринок великий, проблема структурована, а існуюча інфраструктура даних не була створена для її вирішення.

Оглядаючи майбутнє, ви вважаєте, що наступна фаза прикладного штучного інтелекту буде визначатися менше масштабом моделі та більше оперативною ефективністю, галузевими даними та вимірюваними бізнес-результатами?

Так, і докази цього вже видні.

Великомасштабний штучний інтелект починає досягати меж того, що може вирішити сурова масштабність. Додавання параметрів не покращує прогноз врожайності, якщо підлягаючі дані грубі, затримані чи географічно неправильно розташованими. Марджинальна вартість обчислень зменшується, коли瓶це лежить у якості даних та галузевій точності, а не у розмірі моделі.

Наступна фаза буде визначатися галузевими навчальними даними, оптимізованими моделями та верифікованими виходами. У галузях, таких як сільське господарство, фінанси та ланцюги поставок, де рішення мають фінансові та оперативні наслідки, питання ніколи не було “яка масштабність моделі?” А було “яка надійна відповідь, і як швидко можна на неї реагувати?” Масштабність сама по собі не може відповісти на це. Компанії, які будуть лідерами у прикладному штучному інтелекті протягом наступних п’яти років, побудують власні канали даних у фізичний світ, навчать моделі на цих даних з відповідною науковою суворістю та продемонструють вимірювану точність у реальних умовах. Технологія ставає все більш комодитизованою; дані та галузева експертиза не є.

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