Robert Pierce, Đồng sáng lập & Giám đốc Khoa học tại DecisionNext – Loạt phỏng vấn

Bob Pierce, PhD là đồng sáng lập và Giám đốc Khoa học tại DecisionNext. Công việc của ông đã mang lại phân tích toán học tiên tiến đến các thị trường và ngành công nghiệp hoàn toàn mới, cải thiện cách các công ty tham gia vào việc ra quyết định chiến lược. Trước khi tham gia DecisionNext, Bob là Nhà khoa học trưởng tại SignalDemand, nơi ông đã chỉ đạo khoa học đằng sau các giải pháp của công ty cho các nhà sản xuất. Bob đã giữ các vị trí nghiên cứu và phát triển cấp cao tại Khimetrics (nay là SAP) và ConceptLabs, cũng như các vị trí học thuật với Viện Hàn lâm Khoa học Quốc gia, Đại học bang Pennsylvania và UC Berkeley. Công việc của ông bao gồm nhiều ngành công nghiệp, bao gồm hàng hóa và sản xuất, và ông đã có những đóng góp cho các lĩnh vực kinh tế lượng, hải dương học, toán học và động lực học phi tuyến. Ông nắm giữ nhiều bằng sáng chế và là tác giả của một số bài báo được đánh giá ngang hàng. Bob có bằng Tiến sĩ về vật lý lý thuyết từ UC Berkeley.

DecisionNext là một công ty phân tích dữ liệu và dự báo được thành lập vào năm 2015, chuyên về dự báo giá và cung ứng dựa trên AI. Công ty được tạo ra để giải quyết các hạn chế của các mô hình dự báo truyền thống “hộp đen”, thường thiếu minh bạch và thông tin có thể hành động. Bằng cách tích hợp AI và học máy, DecisionNext cung cấp cho các doanh nghiệp khả năng nhìn rõ hơn vào các yếu tố ảnh hưởng đến dự báo của họ, giúp họ đưa ra quyết định sáng suốt dựa trên cả rủi ro thị trường và kinh doanh. Nền tảng của công ty được thiết kế để cải thiện độ chính xác của dự báo trên toàn chuỗi cung ứng, cho phép khách hàng vượt ra ngoài việc đưa ra quyết định dựa trên trực giác.

Ý tưởng hoặc cảm hứng ban đầu đằng sau việc thành lập DecisionNext là gì, và làm thế nào nền tảng của bạn trong vật lý lý thuyết và các vai trò trong các ngành công nghiệp khác đã định hình tầm nhìn này?

Tôi và người đồng sáng lập Mike Neal của tôi đã tích lũy được nhiều kinh nghiệm trong các công ty trước đây của chúng tôi trong việc cung cấp các giải pháp tối ưu hóa và dự báo cho các nhà bán lẻ và nhà xử lý hàng hóa. Hai bài học chính từ kinh nghiệm đó là:

1. Người dùng cần tin rằng họ hiểu nơi các dự báo và giải pháp đến từ; và
2. Người dùng gặp khó khăn khi tách biệt những gì họ nghĩ sẽ xảy ra với khả năng nó thực sự xảy ra.

Hai khái niệm này có nguồn gốc sâu xa trong nhận thức của con người cũng như trong cách tạo ra phần mềm để giải quyết vấn đề. Điều này được biết đến rằng tâm trí con người không tốt trong việc tính toán xác suất. Là một nhà vật lý, tôi đã học cách tạo ra các khuôn khổ khái niệm để tương tác với sự không chắc chắn và xây dựng các nền tảng tính toán phân tán để khám phá nó. Đây là nền tảng kỹ thuật của các giải pháp của chúng tôi để giúp khách hàng đưa ra quyết định tốt hơn trong bối cảnh không chắc chắn, nghĩa là họ không thể biết thị trường sẽ phát triển như thế nào nhưng vẫn phải quyết định điều gì cần làm ngay bây giờ để tối đa hóa lợi nhuận trong tương lai.

Làm thế nào quá trình chuyển đổi của bạn sang vai trò Giám đốc Khoa học đã ảnh hưởng đến sự tập trung hàng ngày và tầm nhìn dài hạn của bạn cho DecisionNext?

Quá trình chuyển đổi sang vai trò CSO đã liên quan đến việc tập trung lại vào cách sản phẩm nên cung cấp giá trị cho khách hàng của chúng tôi. Trong quá trình này, tôi đã giải phóng một số trách nhiệm kỹ thuật hàng ngày mà tốt hơn hết nên được xử lý bởi những người khác. Chúng tôi luôn có một danh sách dài các tính năng và ý tưởng để làm cho giải pháp tốt hơn, và vai trò này cho tôi nhiều thời gian hơn để nghiên cứu các phương pháp tiếp cận mới và sáng tạo.

Thị trường hàng hóa có những thách thức độc đáo nào khiến chúng đặc biệt phù hợp hoặc kháng lại việc áp dụng các giải pháp AI và học máy?

Mô hình hóa thị trường hàng hóa trình bày một sự kết hợp thú vị giữa các thuộc tính cấu trúc và ngẫu nhiên. Kết hợp điều này với số lượng không đếm được các cách mà người ta viết hợp đồng cho giao dịch vật chất và giấy và sử dụng vật liệu trong sản xuất dẫn đến một lĩnh vực vô cùng phong phú và phức tạp. Tuy nhiên, toán học liên quan đến nó ít được phát triển hơn so với thế giới cổ phiếu tương đối đơn giản. AI và học máy giúp chúng tôi làm việc thông qua sự phức tạp này bằng cách tìm ra các cách hiệu quả hơn để mô hình hóa cũng như giúp người dùng điều hướng các quyết định phức tạp.

Làm thế nào DecisionNext cân bằng việc sử dụng các mô hình học máy với chuyên môn của con người quan trọng đối với việc ra quyết định hàng hóa?

Học máy như một lĩnh vực đang不断 cải thiện, nhưng nó vẫn gặp khó khăn với ngữ cảnh và nguyên nhân. Kinh nghiệm của chúng tôi cho thấy có những khía cạnh của mô hình hóa mà chuyên môn và giám sát của con người vẫn rất quan trọng để tạo ra các mô hình mạnh mẽ và súc tích. Khách hàng của chúng tôi thường nhìn vào thị trường thông qua lăng kính của các yếu tố cơ bản về cung và cầu. Nếu các mô hình không phản ánh niềm tin đó (và các mô hình không giám sát thường không làm như vậy), thì khách hàng của chúng tôi thường sẽ không phát triển niềm tin. Điều quan trọng là, người dùng sẽ không tích hợp các mô hình không được信 cậy vào các quy trình ra quyết định hàng ngày của họ. Vì vậy, ngay cả một mô hình học máy có thể chứng minh được chính xác nhưng đi ngược lại với trực giác cũng có nhiều khả năng trở thành phần mềm trên kệ hơn là không.

Chuyên môn của con người từ khách hàng cũng rất quan trọng vì nó là một chân lý rằng dữ liệu quan sát được không bao giờ đầy đủ, vì vậy các mô hình đại diện cho một hướng dẫn và không nên bị nhầm lẫn với thực tế. Người dùng đắm chìm trong thị trường có kiến thức và thông tin quan trọng không có sẵn dưới dạng đầu vào cho các mô hình. DecisionNext AI cho phép người dùng tăng cường đầu vào của mô hình và tạo ra các kịch bản thị trường. Điều này xây dựng sự linh hoạt vào dự báo và khuyến nghị quyết định, đồng thời tăng cường sự tự tin và tương tác của người dùng với hệ thống.

Có những đột phá cụ thể nào trong AI hoặc khoa học dữ liệu mà bạn tin sẽ cách mạng hóa dự báo hàng hóa trong những năm tới, và DecisionNext đang định vị mình cho những thay đổi đó như thế nào?

Sự ra đời của các mô hình LLM chức năng là một đột phá sẽ mất một thời gian để hoàn toàn thấm vào cấu trúc của các quyết định kinh doanh. Tốc độ cải tiến trong các mô hình chính nó vẫn đang diễn ra và khó theo kịp. Tuy nhiên, tôi nghĩ chúng tôi chỉ mới bắt đầu con đường hiểu rõ cách tốt nhất để tích hợp AI vào các quy trình kinh doanh. Hầu hết các vấn đề chúng tôi gặp phải có thể được định hình thành các vấn đề tối ưu hóa với các ràng buộc phức tạp. Các ràng buộc trong các quy trình kinh doanh thường không được ghi chép và thực thi một cách nghiêm ngặt mà là ngữ cảnh. Tôi nghĩ đây là một cơ hội chưa được khai thác lớn cho AI để khám phá cả các ràng buộc ngầm trong dữ liệu lịch sử và xây dựng cũng như giải quyết các vấn đề tối ưu hóa ngữ cảnh phù hợp.

DecisionNext là một nền tảng được信 cậy để giải quyết những vấn đề này và cung cấp quyền truy cập dễ dàng vào thông tin quan trọng và dự báo. DecisionNext đang phát triển các đại lý dựa trên LLM để làm cho hệ thống dễ sử dụng hơn và thực hiện các nhiệm vụ phức tạp trong hệ thống theo hướng của người dùng. Điều này sẽ cho phép chúng tôi mở rộng quy mô và thêm giá trị vào nhiều quy trình kinh doanh và ngành công nghiệp hơn.

Công việc của bạn bao gồm các lĩnh vực đa dạng như hải dương học, kinh tế lượng và động lực học phi tuyến. Những hiểu biết liên ngành này đóng góp như thế nào vào việc giải quyết các vấn đề trong dự báo hàng hóa?

Nền tảng đa dạng của tôi thông báo cho công việc của tôi theo ba cách. Đầu tiên, phạm vi công việc của tôi đã ngăn cản tôi không đi quá sâu vào một lĩnh vực cụ thể. Thay vào đó, tôi đã được tiếp xúc với nhiều lĩnh vực khác nhau và có thể rút ra từ tất cả chúng. Thứ hai, tính toán phân tán hiệu suất cao đã là một chủ đề xuyên suốt trong tất cả công việc tôi đã làm. Nhiều kỹ thuật tôi đã sử dụng để ráp lại các cụm tính toán ad hoc như một sinh viên nghiên cứu vật lý bây giờ được sử dụng trong các khuôn khổ chính dòng, vì vậy tất cả đều cảm thấy quen thuộc với tôi ngay cả khi tốc độ đổi mới là nhanh. Cuối cùng, làm việc trên tất cả những vấn đề khác nhau này truyền cảm hứng cho sự tò mò triết học. Là một sinh viên nghiên cứu, tôi không bao giờ coi việc làm việc trong Kinh tế nhưng bây giờ tôi ở đây. Tôi không biết mình sẽ làm việc gì trong 5 năm, nhưng tôi biết tôi sẽ thấy nó thú vị.

DecisionNext nhấn mạnh việc phá vỡ mô hình “hộp đen” của dự báo. Tại sao sự minh bạch này lại quan trọng đến vậy, và bạn nghĩ nó ảnh hưởng đến sự tin tưởng và áp dụng của người dùng như thế nào?

Một nhà giao dịch hàng hóa nguyên mẫu (trên hoặc ngoài sàn giao dịch) là người đã học các cơ bản của ngành công nghiệp của họ trong sản xuất nhưng có một kỹ năng để đặt cược trong một thị trường dễ biến động. Nếu họ không có kinh nghiệm thực tế trong lĩnh vực cung của kinh doanh, họ sẽ không kiếm được sự tin tưởng của các giám đốc điều hành và sẽ không được thăng chức với tư cách là một nhà giao dịch. Nếu họ không có một số khả năng đối với việc đánh bạc, họ sẽ căng thẳng quá nhiều trong việc thực hiện các giao dịch. Không giống như các nhà toán học trên Phố Wall, các nhà giao dịch hàng hóa thường không có nền tảng chính thức về xác suất và thống kê. Để giành được sự tin tưởng, chúng tôi phải trình bày một hệ thống trực quan, nhanh chóng và chạm vào thiên vị nhận thức của họ rằng cung và cầu là các động lực chính của các chuyển động thị trường lớn. Vì vậy, chúng tôi áp dụng một cách tiếp cận “hộp trắng” trong đó mọi thứ đều minh bạch. Thông thường có một giai đoạn “hẹn hò” nơi họ nhìn sâu vào nắp ca-pô và chúng tôi hướng dẫn họ qua lý do của hệ thống. Một khi sự tin tưởng được thiết lập, người dùng thường không dành thời gian để đi sâu, nhưng sẽ quay lại định kỳ để thẩm vấn các dự báo và khuyến nghị quyết định quan trọng hoặc bất ngờ.

Làm thế nào cách tiếp cận của DecisionNext về dự báo rủi ro giúp các công ty không chỉ phản ứng với điều kiện thị trường mà còn chủ động định hình chiến lược của họ?

Giao dịch hàng hóa không giới hạn ở các sàn giao dịch. Hầu hết các công ty chỉ có quyền truy cập hạn chế vào các hợp đồng tương lai để phòng ngừa rủi ro của họ. Một nhà sản xuất có thể mua một hàng hóa được liệt kê làm nguyên liệu thô (bò, có thể), nhưng sản phẩm đầu ra của họ cũng là một hàng hóa dễ biến động (thịt bò) thường có rất ít mối tương quan về giá với các đầu vào. Dữ liệu về hạn chế biên độ cấu trúc mà các cơ sở đắt tiền phải hoạt động gần công suất, các nhà sản xuất bị buộc phải có một kế hoạch chiến lược nhìn ra tương lai. Đó là, họ không thể hoạt động an toàn hoàn toàn trên thị trường hiện tại, và họ phải ký hợp đồng chuyển tiếp để mua nguyên liệu và bán sản phẩm. DecisionNext cho phép nhà sản xuất dự báo toàn bộ hệ sinh thái của các biến số cung, cầu và giá, và sau đó mô phỏng cách các quyết định kinh doanh bị ảnh hưởng bởi toàn bộ phạm vi kết quả thị trường. Giao dịch giấy có thể là một thành phần của chiến lược, nhưng quan trọng nhất là hiểu các cam kết vật chất và bán hàng cũng như quyết định xử lý để đảm bảo sử dụng công suất. DecisionNext được thiết kế riêng cho điều này.

Là một người có nền tảng khoa học sâu sắc, điều gì khiến bạn hào hứng nhất về sự giao thoa giữa khoa học và AI trong việc chuyển đổi các ngành công nghiệp truyền thống như hàng hóa?

Kinh tế học hành vi đã biến đổi cách chúng ta hiểu về sự nhận thức ảnh hưởng đến các quyết định kinh doanh. AI đang biến đổi cách chúng ta có thể sử dụng các công cụ phần mềm để hỗ trợ nhận thức của con người và đưa ra quyết định tốt hơn. Lợi ích hiệu quả mà sẽ được thực hiện bởi tự động hóa được kích hoạt bởi AI đã được thảo luận rộng rãi và sẽ rất quan trọng về mặt kinh tế. Các công ty hàng hóa hoạt động với biên lợi nhuận rất mỏng và chi phí lao động cao, vì vậy họ có thể sẽ được hưởng lợi rất nhiều từ tự động hóa. Ngoài ra, tôi tin rằng có một sự không hiệu quả ẩn trong cách mà hầu hết các quyết định kinh doanh được đưa ra bởi trực giác và các quy tắc ngón tay. Các quyết định thường dựa trên thông tin hạn chế và không rõ ràng cũng như các công cụ bảng tính đơn giản. Đối với tôi, kết quả thú vị nhất là các nền tảng như DecisionNext sẽ giúp biến đổi quy trình kinh doanh bằng cách sử dụng AI và mô phỏng để chuẩn hóa bối cảnh và đưa ra quyết định nhận thức rủi ro dựa trên dữ liệu minh bạch và lý luận cởi mở.

Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm có thể truy cập DecisionNext.