决策下一代（DecisionNext）联合创始人兼首席科学官罗伯特·皮尔斯（Robert Pierce）- 采访系列

鲍勃·皮尔斯（Bob Pierce），博士 是DecisionNext的联合创始人和首席科学官。他的工作将先进的数学分析引入了新的市场和行业，改善了公司进行战略决策的方式。在DecisionNext之前，鲍勃是SignalDemand的首席科学家，在那里他指导了制造商解决方案背后的科学。鲍勃曾在Khimetrics（现为SAP）和ConceptLabs担任高级研究和开发职务，以及在国家科学院、宾夕法尼亚州立大学和加州大学伯克利分校担任学术职务。他的工作涵盖了商品和制造业等多个领域，他为经济计量学、海洋学、数学和非线性动力学等领域做出了贡献。他拥有多项专利，并是多篇同行评议论文的作者。鲍勃拥有加州大学伯克利分校的理论物理博士学位。

DecisionNext 是一家数据分析和预测公司，成立于2015年，专门从事人工智能驱动的价格和供应预测。该公司成立的目的是解决传统“黑盒”预测模型的局限性，这些模型通常缺乏透明度和可行的见解。通过集成人工智能和机器学习，DecisionNext为企业提供了更大的可见性，以了解影响其预测的因素，帮助他们根据市场和业务风险做出明智的决定。他们的平台旨在提高整个供应链的预测准确性，使客户能够超越基于直觉的决策。

DecisionNext的最初想法或灵感是什么，您的理论物理背景和在各个行业的角色如何塑造这一愿景？

我的联合创始人迈克·尼尔（Mike Neal）和我在之前的公司中积累了大量经验，向零售商和商品加工商提供优化和预测解决方案。我们从那段经历中得到了两个主要的收获：

1. 用户需要相信他们理解预测和解决方案的来源；
2. 用户很难区分他们认为会发生的事情和实际发生的事情的可能性。

这些概念在人类认知和软件开发中有着深刻的根源。众所周知，人类的思维不擅长计算概率。作为一名物理学家，我学会了创建概念框架来处理不确定性，并建立分布式计算平台来探索它。这是我们解决方案的技术基础，帮助客户在面对不确定性时做出更好的决策，即他们无法知道市场将如何发展，但仍需要做出决定以最大化利润。

您作为首席科学官的角色转变如何影响您日常的关注点和DecisionNext的长期愿景？

转变为首席科学官涉及重新关注产品如何为客户提供价值。在此过程中，我已经放弃了一些日常的工程责任，这些责任可以由他人更好地处理。我们始终有一个很长的功能和想法列表来使解决方案更好，这个角色给我更多的时间来研究新的和创新的方法。

商品市场有什么独特的挑战，使其特别适合或抵制采用人工智能和机器学习解决方案？

建模商品市场呈现出结构性和随机性的迷人组合。将其与人们为实物和纸质交易编写合同的无数方式以及在生产中使用材料相结合，结果是一个非常丰富和复杂的领域。然而，数学相对于股票世界来说却没有那么发达。人工智能和机器学习帮助我们处理这种复杂性，找到更高效的建模方法，并帮助用户导航复杂的决策。

DecisionNext如何平衡机器学习模型的使用和商品决策中至关重要的人类专业知识？

机器学习作为一个领域正在不断改进，但它仍然难以处理背景和因果关系。我们的经验是，有些建模方面需要人类的专业知识和监督来生成强大的、简洁的模型。我们的客户通常通过供应和需求基本面来看待市场。如果模型不反映这种信念（而无监督模型通常不这样做），那么我们的客户通常不会对其产生信任。关键是，用户不会将不受信任的模型集成到他们的日常决策过程中。因此，即使机器学习模型在实证上是准确的，但如果违背直觉，也更有可能成为shelfware。

客户的专业知识对于构建模型也至关重要，因为观察到的数据永远不完整，因此模型代表了一个指南，而不应被误认为是现实。市场中的用户拥有重要的知识和见解，这些对于模型输入来说是不可用的。DecisionNext的人工智能允许用户增强模型输入并创建市场场景。这为预测和决策推荐增加了灵活性，并增强了用户的信心和系统交互。

您认为哪些人工智能或数据科学的突破将在未来几年内彻底改变商品预测，并且DecisionNext如何为这些变化做好准备？

功能性大型语言模型（LLM）的出现是一个突破，它将需要很长时间才能完全渗透到商业决策的结构中。模型本身的改进步伐仍然令人惊叹，难以跟上。然而，我认为我们才刚刚开始理解如何将人工智能集成到商业流程中。我们遇到的大多数问题都可以被定义为具有复杂约束的优化问题。商业流程中的约束通常是未经记录的，并且在背景下而不是严格执行。我认为这是人工智能的一个巨大的未开发机会，既可以发现历史数据中的隐式约束，也可以构建和解决适当的背景优化问题。

DecisionNext是一个值得信赖的平台，用于解决这些问题并提供对关键信息和预测的轻松访问。DecisionNext正在开发基于LLM的代理，以使系统更易于使用，并在用户的指示下执行复杂的任务。这将使我们能够扩大规模并在更多的商业流程和行业中增加价值。

您的工作跨越了海洋学、计量经济学和非线性动力学等多个领域。这些跨学科的见解如何为解决商品预测问题做出贡献？

我的多样化背景以三种方式影响我的工作。首先，我的工作范围广泛，禁止我深入研究一个特定的领域。相反，我接触到了许多不同的学科，可以借鉴所有这些知识。第二，高性能分布式计算是我工作中的一个贯穿线索。作为物理学的研究生，我曾经临时拼凑过计算集群，现在这些技术被主流框架所采用。最后，在不同问题上工作激发了我的哲学好奇心。作为研究生，我从未想过在经济学领域工作，但现在我就在这里。我不知道五年后我会做什么，但我知道我会觉得它很有趣。

DecisionNext强调打破“黑盒”预测模型的重要性。这种透明度为什么如此关键，它又如何影响用户的信任和采用？

典型的商品交易者（无论是在交易所内还是外）都是从生产中学习行业基础知识的人，他们在波动的市场中下注的能力很强。如果他们没有供应侧的实际经验，他们就不会获得高管的信任，也不会被提升为交易员。如果他们没有某种赌博的亲和力，他们就会在执行交易时感到过度的压力。与华尔街的量化分析师不同，商品交易者通常没有正式的概率和统计学背景。为了获得信任，我们必须呈现一个直观、快速、符合他们认知偏见的系统，即供应和需求是大型市场运动的主要驱动力。因此，我们采用“白盒”方法，一切都是透明的。通常会有一个“约会”阶段，他们会深入研究系统，我们会引导他们了解系统的推理。建立信任后，用户通常不会花时间深入研究，但会定期返回以询问重要或令人惊讶的预测。

DecisionNext的风险感知预测方法如何帮助公司不仅仅对市场状况做出反应，还主动塑造他们的策略？

商品交易并不仅限于交易所。大多数公司只能通过期货合约来对冲风险。加工商可能会购买上市商品作为原材料（例如牛），但他们的输出也是波动的商品（例如牛肉），通常与输入的价格关联性不大。考虑到昂贵的设施必须接近满负荷运行的结构性利润约束，加工商被迫制定一个展望未来的战略计划。也就是说，他们不能仅仅在现货市场上运营，还必须提前签订合同购买原材料和销售产出。DecisionNext允许加工商预测整个供应、需求和价格变量的生态系统，并模拟业务决策如何受到市场结果的影响。纸上交易可能是战略的一部分，但最重要的是要了解材料和销售承诺以及加工决策，以确保容量利用率。DecisionNext专门为此而设计。

作为一位拥有深厚科学背景的人，您最兴奋的是科学和人工智能在转变传统行业（如商品）方面的交叉点。

行为经济学已经改变了我们对认知如何影响商业决策的理解。人工智能正在改变我们可以使用软件工具来支持人类认知和做出更好的决策的方式。通过人工智能启用的自动化实现的效率收益已经被广泛讨论，并将在经济上具有重要意义。商品公司运营着非常薄的利润率和高劳动力成本，因此它们可能会从自动化中受益。除此之外，我相信商业决策中存在一种隐藏的低效率，通常是基于直觉和经验法则。决策通常是基于有限和不透明的信息以及简单的电子表格工具。对我来说，最令人兴奋的结果是像DecisionNext这样的平台可以帮助使用人工智能和模拟来规范背景和风险意识决策，基于透明的数据和开放的推理。

感谢这次精彩的采访，希望了解更多的读者可以访问DecisionNext。