Robertas Pierce’as, „Deelimnext“ – interviu serijos įkūrėjas ir vyriausiasis mokslo pareigūnas

Bobas Pierce’as, PhD yra „Dementnext“ įkūrėjas ir vyriausiasis mokslo pareigūnas. Jo darbas pritraukė pažangią matematinę analizę į visiškai naujas rinkas ir pramonės šakas, gerinant įmonių įsitraukimo į strateginius sprendimus priėmimo būdą. Iki sprendimo leidimo Bobas buvo „Signaldemand“ vyriausiasis mokslininkas, kur jis vadovavo gamtos mokslų srityje gamintojams. Bobas ėjo vyresnius tyrimų ir plėtros vaidmenis „Khimetrics“ (dabar SAP) ir „ConceptLabs“, taip pat akademinius pareigas su Nacionaline mokslų akademija, Penno valstijos universitete ir UC Berkeley. Jo darbas apima daugybę pramonės šakų, įskaitant prekes ir gamybą, ir jis prisidėjo prie ekonometrijos, okeanografijos, matematikos ir netiesinės dinamikos sričių. Jis turi daugybę patentų ir yra kelių recenzuojamų dokumentų autorius. Bobas turi UC Berkeley teorinės fizikos daktaro laipsnį.

„Sleeplext“ yra duomenų analizės ir prognozavimo įmonė, įkurta 2015 m., Specializuojasi AI pagrįstos kainų ir tiekimo prognozavimu. Bendrovė buvo sukurta siekiant išspręsti tradicinių „juodosios dėžės“ prognozavimo modelių apribojimus, kuriems dažnai trūko skaidrumo ir įgyvendinamų įžvalgų. Integruodamas AI ir mašinų mokymąsi, „SolptionNext“ suteikia įmonėms didesnį matomumą apie veiksnius, darančius įtaką jų prognozėms, ir padeda jiems priimti pagrįstus sprendimus, pagrįstus tiek rinkos, tiek verslo rizika. Jų platforma yra skirta pagerinti prognozavimo tikslumą visoje tiekimo grandinėje, suteikiant klientams galimybę pereiti ne tik į intuiciją pagrįstą sprendimų priėmimą.

Kokia buvo originali idėja ar įkvėpimas įkūrėjui, kaip įkūręs sprendimą, ir kaip jūsų teorinė fizika ir vaidmenys įvairiose pramonės šakose formavo šią viziją?

Mano įkūrėjas Mike’as Nealas ir aš sukūrėme daug patirties ankstesnėse įmonėse, teikiančiose optimizavimo ir prognozavimo sprendimus mažmenininkams ir prekių perdirbėjams. Du pagrindiniai šios patirties mokymai buvo šie:

1. Vartotojai turi tikėti, kad jie supranta, iš kur atsiranda prognozės ir sprendimai; ir
2. Vartotojams labai sunku atskirti, kas, jų manymu, įvyks nuo tikimybės, kad tai iš tikrųjų praeis.

Šios dvi sąvokos turi gilią žmogaus pažinimo kilmę, taip pat padarinius, kaip sukurti programinę įrangą problemoms išspręsti. Gerai žinoma, kad žmogaus protas nėra geras apskaičiuoti tikimybes. Aš, kaip fizikas, išmokau kurti konceptualias sistemas, skirtas įsitraukti į netikrumą ir kurti paskirstytas skaičiavimo platformas, kad ją ištirtų. Tai yra techninis mūsų sprendimų pagrindas, padedantis klientams priimti geresnius sprendimus dėl netikrumo, tai reiškia, kad jie negali žinoti, kaip vystysis rinkos, tačiau vis tiek turės nuspręsti, ką daryti dabar, kad ateityje maksimaliai padidintų pelną.

Kaip jūsų perėjimas prie vyriausiojo mokslo pareigūno vaidmens padarė įtaką jūsų kasdieniam dėmesiui ir ilgalaikei sprendimo leidimo vizijai?

Perėjimas prie CSO apėmė pertvarkymą, kaip produktas turėtų suteikti vertę mūsų klientams. Proceso metu aš vieną dieną išleidau inžinerines pareigas, kurias geriau tvarko kiti. Mes visada turime ilgą funkcijų ir idėjų sąrašą, kaip patobulinti sprendimą, ir šis vaidmuo suteikia man daugiau laiko ištirti naujus ir novatoriškus metodus.

Kokius unikalius iššūkius kelia prekių rinkos, dėl kurių jos yra ypač tinkamos arba atsparios AI ir mašininio mokymosi sprendimų priėmimui?

Modeliavimo prekių rinkos pateikia žavų struktūrinių ir stochastinių savybių derinį. Derindami tai su nesuskaičiuojamu skaičiumi būdų, kaip žmonės rašo sutartis dėl fizinės ir popierinės prekybos ir naudoja medžiagą gamybos rezultatus nepaprastai turtingoje ir sudėtingoje srityje. Vis dėlto matematika yra žymiai mažiau išsivysčiusi nei neabejotinai paprastesnis akcijų pasaulis. PG ir mašinų mokymasis padeda mums įgyvendinti šį sudėtingumą, ieškant efektyvesnių būdų modeliuoti ir padėti mūsų vartotojams naršyti sudėtingus sprendimus.

Kaip „Sleuntralext“ subalansuoja mašinų mokymosi modelių naudojimą su žmonių žiniomis, kurios yra labai svarbios priimant prekių sprendimus?

Mašinų mokymasis kaip sritis nuolat gerėja, tačiau vis tiek kovoja su kontekstu ir priežastingumu. Mūsų patirtis yra ta, kad yra modeliavimo aspektų, kai žmonių kompetencija ir priežiūra vis dar yra labai svarbūs norint sukurti tvirtus, parsimoniškus modelius. Mūsų klientai paprastai žvelgia į rinkas per tiekimo ir paklausos pagrindus. Jei modeliai neatspindi to įsitikinimų (ir dažnai neprižiūrimų modelių dažnai nėra), tada mūsų klientai paprastai nesukurs pasitikėjimo. Svarbiausia, kad vartotojai neįtrauks nepatikimų modelių į savo kasdienius sprendimų procesus. Taigi netgi akivaizdžiai tikslus mašininio mokymosi modelis, paneigiantis intuiciją, taps lentynų programomis labiau tikėtina, nei ne.

Kliento kompetencija iš kliento taip pat yra kritiška, nes tai yra stebimas duomenys niekada nėra baigti, todėl modeliai atspindi vadovą ir neturėtų būti klaidingi dėl realybės. Į rinkas pasinėrę vartotojai turi svarbių žinių ir įžvalgos, kurios nėra prieinamos kaip įvestis į modelius. „SleepleText AI“ leidžia vartotojui patobulinti modelio įvestis ir sukurti rinkos scenarijus. Tai skatina lankstumą prognozuojamų ir sprendimų rekomendacijose ir padidina vartotojų pasitikėjimą savimi ir sąveiką su sistema.

Ar yra specifinių proveržių AI ar duomenų moksle, kurie, jūsų manymu, ateinančiais metais pakeis prekių prognozę, ir kaip sprendimo sprendimo nustatymas yra tas pokyčiams?

Funkcinių LLM atsiradimas yra proveržis, kuris užtruks daug laiko, kad visiškai peržengtų verslo sprendimų struktūrą. Pačių modelių patobulinimų tempas vis dar yra kvapą gniaužiantis ir sunku suspėti. Tačiau aš manau, kad mes esame tik kelio pradžioje, kad suprastume geriausius būdus integruoti AI į verslo procesus. Daugelis problemų, su kuriomis susiduriame, gali būti suformuluotos kaip optimizavimo problemos, susijusios su sudėtingais apribojimais. Verslo procesų suvaržymai dažnai yra neturintys dokumentų ir nėra griežtai vykdomi. Manau, kad ši sritis yra didžiulė neišnaudota galimybė AI abiem atrasti numanomus istorinių duomenų suvaržymus, taip pat sukurti ir išspręsti tinkamas konteksto optimizavimo problemas.

„Sleeplext“ yra patikima platforma, skirta išspręsti šias problemas ir suteikti lengvą prieigą prie kritinės informacijos ir prognozių. „SolptionNext“ kuria LLM pagrįstus agentus, kad sistema būtų lengviau naudoti ir atlikti sudėtingas užduotis sistemoje vartotojo kryptimi. Tai leis mums padidinti didesnį verslo procesų ir pramonės šakų vertę ir pridėti pridėtinę vertę.

Jūsų darbas apima tokius įvairius laukus kaip okeanografija, ekonometrija ir netiesinė dinamika. Kaip šios tarpdisciplininės įžvalgos prisideda prie prekių prognozavimo problemų sprendimo?

Mano įvairus fonas informuoja mano darbą trimis būdais. Pirma, mano darbo plotis mane uždraudė per daug gilintis į vieną konkrečią matematikos sritį. Aš veikiau susidūriau su daugybe skirtingų disciplinų ir galiu remtis jomis. Antra, aukšto našumo paskirstytas skaičiavimas buvo per visas mano atliktas darbas. Daugelis metodų, kuriuos aš naudojau kartu su hoc skaičiavimo klasteriais, kaip fizikos studentė, yra naudojami pagrindiniuose rėmuose, todėl man viskas atrodo pažįstama net tada, kai inovacijų tempas yra spartus. Galiausiai, dirbant su visomis skirtingomis problemomis, įkvepia filosofinį smalsumą. Būdamas grad studentu, niekada nesvarstiau darbo ekonomikoje, bet čia esu. Nežinau, ką dirbsiu per 5 metus, bet žinau, kad tai bus intriguojanti.

„Sleeplext“ pabrėžia prognozavimo „juodosios dėžės“ modelį. Kodėl šis skaidrumas toks kritiškas, ir kaip, jūsų manymu, tai daro įtaką vartotojo pasitikėjimui ir priėmimui?

Prototipinės prekių prekybininkas (mainų įjungimas arba išjungimas) yra tas, kuris išmoko savo pramonės pagrindų gamybos pagrindus, tačiau turi įgūdžių lažybas lažybų nestabilioje rinkoje. Jei jie neturi realaus pasaulio patirties verslo pasiūlos pusėje, jie neuždirba vadovų pasitikėjimo ir nėra reklamuojami kaip prekybininkas. Jei jie neturi tam tikro giminingumo lošimams, jie per daug pabrėžia vykdydami sandorius. Skirtingai nuo „Wall Street Quants“, prekių prekybininkai dažnai neturi oficialios tikimybės ir statistikos pagrindų. Norėdami įgyti pasitikėjimo, turime pristatyti intuityvią, greitą sistemą ir liečia jų pažintinį šališkumą, kuris yra pagrindiniai didelių rinkos pokyčių varikliai. Taigi, mes laikomės „baltos dėžutės“ požiūrio, kai viskas yra skaidri. Paprastai yra „pasimatymų“ fazė, kai jie atrodo giliai po gaubtu, ir mes vadovaujame jiems sistemos pagrindimu. Įsitikinę pasitikėjimą, vartotojai dažnai praleidžia laiką gilintis, tačiau periodiškai grįš, norėdami tardyti svarbias ar stebinančias prognozes.

Kaip „SleuntryNext“ požiūris į rizikos prognozavimą padeda įmonėms ne tik reaguoti į rinkos sąlygas, bet ir aktyviai formuoti savo strategijas?

Prekių prekyba neapsiriboja biržomis. Daugumai kompanijų yra tik ribota galimybė naudotis ateities sandoriais, kad apsidraustų. Procesorius gali nusipirkti išvardytą prekę kaip žaliavą (galbūt galvijus), tačiau jų produkcija taip pat yra nepastovi prekė (jautiena), kuri dažnai turi mažai kainų koreliacijos su įvestimis. Atsižvelgiant į struktūrinį maržos suvaržymą, kad brangios priemonės turi veikti beveik pajėgumus, perdirbėjai yra priversti turėti strateginį planą, kuris žvelgtų į ateitį. T. y., Jie negali saugiai veikti visiškai vietoje esančioje rinkoje ir turi sudaryti sutartis pirkti medžiagą ir parduoti rezultatus. „Sleeplext“ leidžia procesoriui prognozuoti visą pasiūlos, paklausos ir kainų kintamųjų ekosistemą, o paskui imituoti, kaip verslo sprendimams įtakos turi visos rinkos rezultatai. Popieriaus prekyba gali būti strategijos komponentas, tačiau svarbiausia yra suprasti medžiagų ir pardavimo įsipareigojimus bei sprendimus dėl apdorojimo, siekiant užtikrinti pajėgumų panaudojimą. „SleepSeNext“ yra pritaikytas tam.

Kaip kažkas, turintis gilų mokslinį išsilavinimą, kas jus labiausiai jaudina apie mokslo ir AI sankirtą keičiant tradicines pramonės šakas, tokias kaip prekės?

Elgesio ekonomika pakeitė mūsų supratimą apie tai, kaip pažinimas veikia verslo sprendimus. AI keičia, kaip mes galime naudoti programinės įrangos įrankius, kad palaikytume žmogaus pažinimą ir priimtume geresnius sprendimus. Efektyvumo padidėjimas, kurį įgyvendins AI įgalinta automatizavimas, buvo daug aptartas ir bus ekonomiškai svarbus. Prekių įmonės veikia su skustuvo plonomis maržomis ir didelėmis darbo sąnaudomis, todėl, matyt, jos bus labai naudingos automatizavimui. Be to, manau, kad yra paslėptas neefektyvumas, kaip dauguma verslo sprendimų priimami intuicija ir nykščio taisyklėmis. Sprendimai dažnai grindžiami ribota ir nepermatoma informacija ir paprastomis skaičiuoklės įrankiais. Man labiausiai jaudina platformos, tokios kaip „StrletimeNext“, padedančios pakeisti verslo procesą naudojant AI ir modeliavimą, siekiant normalizuoti kontekstą ir rizikuoti sprendimus, pagrįstus skaidriais duomenimis ir atvirais samprotavimais.

Dėkojame už puikų interviu, skaitytojai, norintys sužinoti daugiau, turėtų apsilankyti „Sleeplext“.