Роберт Пірс, співзасновник та головний науковий співробітник DecisionNext – Серія інтерв’ю

Боб Пірс, PhD є співзасновником і головним науковим співробітником DecisionNext. Його робота привела до впровадження передових математичних аналізів на нових ринках і в галузях, покращуючи процес прийняття стратегічних рішень компаніями. До DecisionNext Боб був головним вченим у SignalDemand, де він керував науковою частиною рішень для виробників. Боб займав керівні посади у сфері досліджень і розробок у Khimetrics (тепер SAP) і ConceptLabs, а також обіймав академічні посади у Національній академії наук, Університеті штату Пенсільванія і Університеті Каліфорнії, Берклі. Його робота охоплює ряд галузей, включаючи товари і виробництво, і він зробив внесок у галузі економетрії, океанографії, математики та нелінійної динаміки. Він володіє численними патентами і є автором декількох рецензованих статей. Боб має ступінь PhD з теоретичної фізики Університету Каліфорнії, Берклі.

DecisionNext – це компанія з аналізу даних і прогнозування, заснована у 2015 році, яка спеціалізується на прогнозуванні цін і пропозицій з використанням штучного інтелекту. Компанія була створена для вирішення обмежень традиційних моделей прогнозування “чорної скриньки”, які часто не мали прозорості і дієвих знань. Інтегруючи штучний інтелект і машинне навчання, DecisionNext надає підприємствам більшу видимість факторів, що впливають на їхні прогнози, допомагаючи їм приймати обґрунтовані рішення на основі як ринку, так і бізнес-риску. Їхня платформа розроблена для покращення точності прогнозування на всьому ланцюзі поставок, дозволяючи клієнтам виходити за межі інтуїтивного прийняття рішень.

Яка була原始на ідея або натхнення за заснування DecisionNext, і як ваш досвід у галузі теоретичної фізики та ролей у різних галузях сформував цю бачення?

Мій співзасновник Майк Ніл і я накопичили великий досвід у попередніх компаніях, надавая рішення з оптимізації і прогнозування для рітейлерів і процесорів товарів. Два основних уроки з цього досвіду були:

1. Користувачам потрібно вірити, що вони розуміють, звідки походять прогнози і рішення; і
2. Користувачам важко розрізняти, що вони думають, що станеться, від ймовірності того, що це насправді станеться.

Ці дві концепції мають глибокі корені в людській когніції, а також мають наслідки для створення програмного забезпечення для вирішення проблем. Відомо, що людський розум не добре справляється з розрахунком ймовірностей. Як фізик, я навчився створювати концептуальні рамки для взаємодії з невизначеністю і будувати розподілені обчислювальні платформи для дослідження її. Це є технічною основою наших рішень для допомоги клієнтам у прийнятті кращих рішень у умовах невизначеності, тобто вони не можуть знати, як розвиватимуться ринки, але все ж повинні вирішувати, що робити зараз, щоб максимізувати прибутки в майбутньому.

Як ваш перехід на посаду головного наукового співробітника вплинув на вашу щоденну діяльність і довгострокову бачення DecisionNext?

Перехід на посаду головного наукового співробітника включав переорієнтацію на те, як продукт повинен доставляти цінність нашим клієнтам. У процесі я звільнив деякі щоденні інженерні обов’язки, які краще виконуються іншими. У нас завжди є довгий список функцій і ідей для поліпшення рішення, і ця посада дає мені більше часу для дослідження нових і інноваційних підходів.

Які унікальні виклики представляють ринки товарів, що робить їх особливо придатними або опірними до впровадження рішень штучного інтелекту і машинного навчання?

Моделювання ринків товарів представляє собою захоплюючу суміш структурних і стохастичних властивостей. Об’єднавши це з безліччю способів, як люди складають контракти на фізичні і паперові торги і використовують матеріали у виробництві, ми отримуємо надзвичайно багату і складну область. Однак математика значно менш розвинена, ніж у світі акцій. Штучний інтелект і машинне навчання допомагають нам працювати з цією складністю, знаходячи більш ефективні способи моделювання, а також допомагаючи нашим користувачам орієнтуватися в складних рішеннях.

Як DecisionNext балансує використання моделей машинного навчання з людською експертизою, критичною для прийняття рішень у сфері товарів?

Машинне навчання як галузь постійно покращується, але воно все ще бореться з контекстом і причинністю. Наш досвід показує, що є аспекти моделювання, де людська експертиза і нагляд критичні для генерації надійних і економних моделей. Наші клієнти зазвичай розглядають ринки через призму фундаментальних факторів пропозиції і попиту. Якщо моделі не відображають цю віру (а ненадгледовані моделі часто не роблять цього), то наші клієнти一般но не розвиватимуть довіру. Критично, користувачі не інтегруватимуть ненадійні моделі у свій щоденний процес прийняття рішень. Тому навіть демонстративно точна модель машинного навчання, яка суперечить інтуїції, стане марною більш імовірно, ніж ні.

Людська експертиза клієнта також критична, оскільки це аксіома, що спостережувані дані ніколи не є повними, тому моделі повинні бути орієнтовані на реальність, а не на ідеалізовані уявлення. Користувачі, занурені у ринки, мають важливу інформацію і знання, які не доступні як вхідні дані для моделей. DecisionNext AI дозволяє користувачеві доповнювати вхідні дані моделей і створювати сценарії ринку. Це додає гнучкість до прогнозів і рекомендацій з рішень, підвищуючи довіру користувача і взаємодію з системою.

Чи є конкретні прориви в галузі штучного інтелекту або науки про дані, які, на вашу думку, революціонізуватимуть прогнозування товарів у найближчі роки, і як DecisionNext готується до цих змін?

Поява функціональних великомасштабних мовних моделей є проривом, який займе довгий час, щоб повністю проникнути у тканину бізнес-рішень. Темп покращення самих моделей все ще залишається приголомшливим і складним для відстеження. Однак я вважаю, що ми тільки на початку шляху до розуміння найкращих способів інтеграції штучного інтелекту у бізнес-процеси. Більшість проблем, з якими ми стикаємося, можна сформулювати як задачі оптимізації з ускладненими обмеженнями. Обмеження у бізнес-процесах часто не задокументовані і контекстно, а не суворо застосовуються. Я вважаю, що ця область є величезною неоціленою можливістю для штучного інтелекту як для відкриття неявних обмежень у історичних даних, так і для побудови і розв’язання відповідних контекстних задач оптимізації.

DecisionNext є довіреною платформою для вирішення цих проблем і надання легкого доступу до критичної інформації та прогнозів. DecisionNext розробляє агенти на основі великомасштабних мовних моделей для полегшення використання системи і виконання складних завдань всередині системи за вказівкою користувача. Це дозволить нам масштабувати і додавати цінність у більшому числі бізнес-процесів і галузей.

Як ваша робота у різних галузях, таких як океанографія, економетрія і нелінійна динаміка, сприяє вирішенню проблем у сфері прогнозування товарів?

Моя різноманітна робота інформує мою діяльність трьома способами. По-перше, розмах моєї роботи не дозволяє мені зануритися занадто глибоко в одну конкретну область математики. Натомість я був підданий впливу багатьох різних дисциплін і можу викликати їх усі. По-друге, високопродуктивне розподілене обчислення було постійним елементом у всій моїй роботі. Багато технік, які я використовував для створення ad hoc обчислювальних кластерів як аспірант-фізик, зараз використовуються у основних рамках, тому все це здається мені знайомим, навіть якщо темп інновацій є швидким. По-третє, робота над цими різними проблемами надихає філософську цікавість. Як аспірант, я ніколи не думав про роботу в економіці, але ось я тут. Я не знаю, над чим я буду працювати за 5 років, але знаю, що знайду це цікавим.

DecisionNext підкреслює необхідність виходу з моделі “чорної скриньки” прогнозування. Чому ця прозорість така критична, і як ви думаєте, що це впливає на довіру користувача і прийняття?

Прототипічний трейдер товарів (на біржі або поза нею) – це людина, яка вивчила основи своєї галузі у виробництві, але має талант до гри на волатильному ринку. Якщо вони не мають реального досвіду на стороні пропозиції бізнесу, вони не здобувають довіру виконавців і не отримують підвищення як трейдер. Якщо вони не мають певної схильності до гри, вони надміру стресуються під час виконання торгів. На відміну від квантів Волл-стріт, трейдери товарів часто не мають формальної освіти у сфері ймовірності і статистики. Для здобуття довіри нам потрібно представити систему, яка є інтуїтивною, швидкою і торкається їхньої когнітивної упередженості, що основними драйверами великих рухів ринку є пропозиція і попит. Тому ми використовуємо “білі скриньки”, де все прозоро. Зазвичай є “святковий” етап, під час якого вони глибоко заглядають під капот і ми ведемо їх через логіку системи. Як тільки довіра встановлена, користувачі не часто витрачають час на глибоке занурення, але повертаються періодично, щоб допитати важливі або несподівані прогнози.

Як підхід DecisionNext до ризико-інформованого прогнозування допомагає компаніям не тільки реагувати на умови ринку, а й активно формувати свою стратегію?

Торговля товарами не обмежується біржами. Більшість компаній мають лише обмежений доступ до ф’ючерсів для хеджування ризику. Переробник може купити перелічену товар як сировину (скажімо, велику рогату худобу), але його вихід також є волатильною товаром (м’ясом), який часто має мало кореляції з вхідними даними. Ураховуючи структурне обмеження маржі, яке мають дорогі підприємства, щоб працювати near-ємністю, переробники змушені мати стратегічний план, який дивиться у майбутнє. Це означає, що вони не можуть працювати повністю на ринок, і їм потрібно укладати контракти на купівлю сировини і продаж продукції. DecisionNext дозволяє переробнику прогнозувати весь екосистему змінних пропозиції, попиту і ціни, а потім симулювати, як бізнес-рішення впливають на весь спектр результатів ринку. Паперова торгівля може бути складовою стратегії, але найважливіше – зрозуміти матеріальні і продажні зобов’язання та рішення щодо переробки, щоб забезпечити використання потужностей. DecisionNext створена саме для цього.

Як людина з глибоким науковим тлом, що вас найбільше надихає у сфері перетину науки і штучного інтелекту у трансформації традиційних галузей, таких як товари?

Біхевіоральна економіка революціонізувала наше розуміння того, як когніція впливає на бізнес-рішення. Штучний інтелект революціонізує те, як ми можемо використовувати програмне забезпечення для підтримки людської когніції і прийняття кращих рішень. Економічні вигоди від автоматизації, підтримуваної штучним інтелектом, були широко обговорені і будуть економічно важливими. Компанії товарів працюють з дуже низькими маржами і високими витратами на труд, тому вони, як передбачається, сильно виграють від автоматизації. Однак я вважаю, що існує прихована неефективність у тому, як більшість бізнес-рішень приймаються інтуїтивно і на основі правил. Рішення часто приймаються на основі обмеженої і не прозорої інформації та простих інструментів таблиць. Для мене найцікавішим результатом є те, що платформи, такі як DecisionNext, допоможуть трансформувати бізнес-процес за допомогою штучного інтелекту і симуляції для нормалізації контексту і ризико-інформованих рішень на основі прозорих даних і відкритого мислення.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, рекомендуємо відвідати DecisionNext.