Боб Пірс, доктор наук є співзасновником та головним науковим директором у MeficeNext. Його робота принесла розширений математичний аналіз на абсолютно нові ринки та галузі, вдосконалюючи спосіб участі компанії до прийняття стратегічних рішень. До прийняття рішення, Боб був головним вченим Signaldemand, де він керував наукою, що стоїть за її рішеннями для виробників. Боб виконував старші ролі дослідницьких та розробок у Khimetrics (нині SAP) та Conceptlabs, а також академічні посади з Національною академією наук, Державного університету Пенна та УК Берклі. Його робота охоплює цілий ряд галузей, включаючи товари та виробництво, і він зробив внесок у сфери економетрії, океанографії, математики та нелінійної динаміки. Він має численні патенти і є автором декількох рецензованих робіт. Боб має доктор наук з теоретичної фізики від UC Berkeley.
РішенняNEXT -це компанія з аналітики даних та прогнозування, заснована в 2015 році, що спеціалізується на прогнозуванні цін та постачання AI. Компанія була створена для вирішення обмежень традиційних моделей прогнозування «чорної коробки», яких часто не вистачало прозорості та діючої інформації. Інтегруючи ШІ та машинне навчання, RiseforeNext надає бізнесу більшу видимість у факторах, що впливають на їх прогнози, допомагаючи їм приймати обґрунтовані рішення на основі ринкового, так і бізнес -ризику. Їх платформа призначена для підвищення точності прогнозування в ланцюзі поставок, що дозволяє клієнтам вийти за рамки прийняття рішень на основі інтуїції.
Якою була оригінальна ідея чи натхнення, що стоїть за заснуванням REVINGNEXT, і як ваш досвід у теоретичній фізиці та ролі в різних галузях формувало це бачення?
Мій співзасновник Майк Ніл і я зібрали багато досвіду в наших попередніх компаніях, які надають рішення оптимізації та прогнозування роздрібним торговцям та товарним процесорам. Два основні знання з цього досвіду були:
- Користувачі повинні вірити, що вони розуміють, звідки беруться прогнози та рішення; і
- Користувачам дуже важко відокремити те, що, на їхню думку, відбудеться від ймовірності, що це насправді з’явиться.
Ці два поняття мають глибоке походження в пізнанні людини, а також наслідки, як створити програмне забезпечення для вирішення проблем. Добре відомо, що людський розум не добре обчислює ймовірність. Як фізик, я навчився створювати концептуальні рамки для залучення до невизначеності та створення розподілених обчислювальних платформ для його вивчення. Це технічне підкреслення наших рішень, щоб допомогти нашим клієнтам прийняти кращі рішення в умовах невизначеності, це означає, що вони не можуть знати, як розвиватимуться ринки, але все ж повинні вирішити, що робити зараз, щоб максимізувати прибуток у майбутньому.
Як ваш перехід до ролі головного наукового співробітника вплинув на ваш повсякденний фокус та довгострокове бачення для прийняття рішень
Перехід до ОГС передбачає переосмислення того, як продукт повинен забезпечити цінність для наших клієнтів. У процесі цього я випустив кілька щоденних інженерних обов’язків, якими краще обробляються інші. У нас завжди є довгий перелік функцій та ідей, щоб покращити рішення, і ця роль дає мені більше часу для дослідження нових та інноваційних підходів.
Які унікальні виклики представляють товарні ринки, які роблять їх особливо підходящими – або стійкими – до прийняття AI та рішення машинного навчання?
Моделювання товарних ринків представляє захоплюючу суміш структурних та стохастичних властивостей. Поєднуючи це з незліченною кількістю способів, коли люди пишуть контракти на фізичну та паперову торгівлю та використовують матеріали у виробництві, призводять до неймовірно багатої та складної галузі. Тим не менш, математика значно менш добре розвинена, ніж, мабуть, простіший світ акцій. AI та машинне навчання допомагають нам працювати над цією складністю, знаходячи більш ефективні способи моделювання, а також допомагаючи нашим користувачам орієнтуватися на складні рішення.
Як REVIDENEXT врівноважує використання моделей машинного навчання з людським досвідом, критичним для прийняття рішень щодо товарів?
Машинне навчання як поле постійно вдосконалюється, але воно все ще бореться з контекстом та причинністю. Наш досвід полягає в тому, що існують аспекти моделювання, коли людський досвід та нагляд все ще мають вирішальне значення для створення надійних, парсимонічних моделей. Наші клієнти, як правило, дивляться на ринки через об’єктив попиту та попиту. Якщо моделі не відображають, що переконання (і без нагляду моделі часто не роблять), то наші клієнти, як правило, не розвинуть довіру. Принципово важливо, що користувачі не інтегруватимуть ненадійні моделі у свої щоденні процеси прийняття рішень. Тож навіть демонстративна точна модель машинного навчання, яка не відповідає інтуїції, стане більш імовірним, ніж ні.
Людський досвід від замовника також є критичним, оскільки це істина, яка спостерігається, що дані ніколи не є повними, тому моделі представляють посібник і не повинні помилятися в реальності. Користувачі, занурені на ринки, мають важливі знання та розуміння, які недоступні як введення в моделі. REVINGNEXT AI дозволяє користувачеві збільшити входи моделі та створювати ринкові сценарії. Це формує гнучкість у прогнозах та рекомендації щодо прийняття рішень та підвищує довіру користувачів та взаємодію з системою.
Чи є конкретні прориви в науці про AI чи даних, які, на вашу думку, революціонізують прогнозування товару в найближчі роки, і як REVIDENEXTEST позиціонує себе за ці зміни?
Поява функціональних LLM – це прорив, який знадобиться тривалий час, щоб повністю просочитися в тканину ділових рішень. Темп вдосконалення самих моделей все ще захоплює дух і важко не відставати. Однак я думаю, що ми лише на початку дороги до розуміння найкращих способів інтеграції ШІ у бізнес -процеси. Більшість проблем, з якими ми стикаємося, можуть бути обрамлені як проблеми оптимізації зі складними обмеженнями. Обмеження в бізнес -процесах часто недокументовані та контекстуально, а не суворо виконуються. Я думаю, що ця область є величезною невикористаною можливістю для AI як виявити неявні обмеження в історичних даних, а також створити та вирішити відповідні проблеми контекстуальної оптимізації.
REVIDENEXT – це надійна платформа для вирішення цих проблем та забезпечення легкого доступу до критичної інформації та прогнозів. REVIDENEXT розробляє агенти на основі LLM для полегшення використання системи та виконання складних завдань у системі в напрямку користувача. Це дозволить нам масштабувати та додавати цінність у більшій кількості бізнес -процесів та галузей.
Ваша робота охоплює поля настільки ж різноманітні, як океанографія, економетрія та нелінійна динаміка. Як ці міждисциплінарні уявлення сприяють вирішенню проблем у прогнозуванні товарів?
Мій різноманітний досвід інформує про свою роботу трьома способами. По -перше, широта моєї роботи заборонила мені занадто глибоко потрапити в одну конкретну сферу математики. Швидше за все, я піддався багатьом різним дисциплінам і можу звернутися до всіх них. По -друге, високоефективні розподілені обчислення були через всю роботу, яку я зробив. Багато методик, які я використовував для того, щоб об’єднати спеціальні обчислювальні кластери, оскільки студент з фізики зараз використовується в основних рамках, тому мені все це відчуває себе знайомим навіть тоді, коли темп інновацій швидкий. Нарешті, робота над усіма цими різними проблемами надихає філософську цікавість. Як студент, я ніколи не думав працювати в економіці, але ось я. Я не знаю, над чим працюватиму через 5 років, але знаю, що я вважаю це інтригуючим.
REVINGNEXT підкреслює вибуху з моделі прогнозування “Чорного поля”. Чому ця прозорість настільки критична, і як ви думаєте, що це впливає на довіру та прийняття користувачів?
Прототипний торговець товарами (на біржі чи поза нею) – це той, хто дізнався основи своєї галузі у виробництві, але має навички для ставок на мінливий ринок. Якщо вони не мають досвіду реального світу в постачанні бізнесу, вони не заробляють довіру керівників і не отримують просування як торговець. Якщо вони не мають певної спорідненості до азартних ігор, вони занадто сильно напружуються у виконанні торгів. На відміну від королів на Уолл -стріт, товарні торговці часто не мають офіційного досвіду ймовірності та статистики. Для того, щоб отримати довіру, ми повинні представити інтуїтивну, швидку систему, швидку та торкнеться їх когнітивних упереджень, що пропозиція та пропозиція є основними рушіями великих ринкових рухів. Отже, ми приймаємо підхід «біла коробка», де все прозоро. Зазвичай існує фаза «знайомств», де вони виглядають глибоко під капотом, і ми проводимо їх через міркування системи. Після того, як довіра буде встановлена, користувачі часто не витрачають час на глибоку, але періодично повертаються, щоб допитувати важливі чи дивовижні прогнози.
Як підхід REVINGNEXT до прогнозування ризику допомагає компаніям не просто реагувати на ринкові умови, а активно формує свої стратегії?
Торгівля товарами не обмежується біржами. Більшість компаній мають лише обмежений доступ до ф’ючерсів, щоб захистити свій ризик. Процесор може придбати перелічений товар як сировину (можливо, велику рогату худобу), але їх вихід також є мінливим товаром (яловичина), який часто мало цінового співвідношення з входами. Враховуючи обмеження структурної маржі, що дорогі заклади повинні працювати майже в потужності, процесори змушені мати стратегічний план, який виглядає в майбутньому. Тобто вони не можуть безпечно працювати повністю на спотовому ринку, і їм доведеться укласти укладення вперед для придбання матеріалів та продажу результатів. REVINGNEXT дозволяє процесору прогнозувати всю екосистему змінних попиту, пропозиції та цін, а потім імітувати, як бізнес -рішення впливають на весь спектр результатів ринку. Торгівля папером може бути складовою стратегії, але найважливішим є розуміння матеріальних та продажних зобов’язань та обробки рішень для забезпечення використання потужностей. REVIDENEXT – це підробка для цього.
Як хтось із глибоким науковим походженням, що вас найбільше хвилює щодо перетину науки та ШІ в трансформації традиційних галузей, таких як товари?
Економіка поведінки перетворила наше розуміння того, як пізнання впливає на бізнес -рішення. AI перетворює те, як ми можемо використовувати програмні засоби для підтримки пізнання людини та прийняття кращих рішень. Здійснення ефективності, які будуть реалізовані за допомогою автоматизації, що підтримується AI, було багато обговорено і буде економічно важливим. Товарні компанії працюють з тонкою маржею Razor та високими витратами на оплату праці, тому вони, мабуть, отримають велику користь від автоматизації. Крім того, я вважаю, що існує прихована неефективність у тому, як більшість ділових рішень приймаються за допомогою інтуїції та правил. Рішення часто базуються на обмеженій та непрозорої інформації та простих інструментах електронних таблиць. Для мене найбільш захоплюючим результатом є такі платформи, як REVIDENEXT, щоб допомогти трансформувати бізнес -процес за допомогою AI та моделювання для нормалізації контекстних та ризиків усвідомлення рішень на основі прозорих даних та відкритих міркувань.
Дякуємо за чудове інтерв’ю, читачі, які бажають дізнатися більше, повинні відвідати РішенняNEXT.
