밥 피어스, 박사 의사 결정의 공동 창립자이자 최고 과학 책임자입니다. 그의 작업은 전적으로 새로운 시장과 산업에 고급 수학 분석을 가져 왔으며, 회사가 전략적 의사 결정에 참여하는 방식을 개선했습니다. Bob은 DecisionNext 전에 Signaldemand의 최고 과학자로서 제조업체를위한 솔루션의 과학을 안내했습니다. Bob은 Khimetrics (현재 SAP) 및 ConceptLabs에서 선임 연구 개발 역할을 수행했으며 National Academy of Sciences, Penn State University 및 UC Berkeley의 학술 게시물을 보유했습니다. 그의 작업은 상품 및 제조를 포함한 다양한 산업에 걸쳐 있으며, 그는 계량 경제학, 해양학, 수학 및 비선형 역학 분야에 기여했습니다. 그는 수많은 특허를 보유하고 있으며 여러 동료 검토 논문의 저자입니다. Bob은 UC Berkeley에서 이론적 물리학 박사 학위를 취득했습니다.
의사 결정 2015 년에 설립 된 데이터 분석 및 예측 회사로 AI 중심 가격 및 공급 예측을 전문으로합니다. 이 회사는 전통적인 “블랙 박스”예측 모델의 한계를 해결하기 위해 만들어졌으며, 이는 종종 투명성과 실행 가능한 통찰력이 부족했습니다. AI 및 머신 러닝을 통합함으로써 DecisionNext는 비즈니스에 예측에 영향을 미치는 요소에 대한 가시성을 높여 시장 및 비즈니스 위험을 기반으로 정보에 입각 한 결정을 내릴 수 있도록합니다. 그들의 플랫폼은 공급망 전체의 예측 정확도를 향상 시키도록 설계되어 고객이 직관 기반 의사 결정을 넘어 설 수 있습니다.
의사 결정 창립의 원래 아이디어 나 영감은 무엇이며, 다양한 산업에서 이론적 물리학과 역할에 대한 귀하의 배경은 어떻게이 비전을 형성 했습니까?
저의 공동 창립자 인 Mike Neal과 저는 소매 업체 및 상품 프로세서에 최적화 및 예측 솔루션을 제공하는 이전 회사에서 많은 경험을 축적했습니다. 그 경험의 두 가지 주요 학습은 다음과 같습니다.
- 사용자는 예측과 솔루션이 어디에서 왔는지 이해해야한다고 믿어야합니다. 그리고
- 사용자는 실제로 발생할 가능성에서 발생할 것이라고 생각하는 것을 분리하는 데 어려움을 겪습니다.
이 두 개념은 인간인지에 깊은 기원을 가지고 있으며 문제를 해결하기 위해 소프트웨어를 만드는 방법에 영향을 미칩니다. 인간의 마음은 확률을 계산하는 데 능숙하지 않다는 것이 잘 알려져 있습니다. 물리학 자로서, 나는 불확실성에 참여하고 분산 된 계산 플랫폼을 구축하여 그것을 탐색하기 위해 개념적 프레임 워크를 만드는 법을 배웠습니다. 이는 불확실성에 직면하여 고객이 더 나은 결정을 내릴 수 있도록 솔루션의 기술적 인 소각입니다. 즉, 시장이 어떻게 발전 할 것인지 알 수 없지만 앞으로 이익을 극대화하기 위해 지금해야 할 일을 여전히 결정해야합니다.
최고 과학 책임자의 역할로의 전환은 결정에 대한 일상적인 초점과 장기 비전에 어떤 영향을 미쳤습니까?
CSO로의 전환은 제품이 고객에게 가치를 제공하는 방법에 대한 리퇴치를 포함했습니다. 그 과정에서 나는 다른 사람들이 더 잘 처리하는 일상적인 엔지니어링 책임을 발표했습니다. 우리는 항상 솔루션을 개선 할 수있는 기능과 아이디어의 긴 목록을 가지고 있으며,이 역할은 새롭고 혁신적인 접근 방식을 연구 할 시간을 더 많이 제공합니다.
AI 및 머신 러닝 솔루션의 채택에 특히 적합하거나 저항력이있는 상품 시장이 어떤 고유 한 과제를 제시합니까?
모델링 상품 시장은 구조적 및 확률 적 특성의 매혹적인 혼합을 제시합니다. 이를 사람들이 물리적 및 종이 거래에 대한 계약을 작성하고 생산에 자료를 활용하는 수많은 방법과 결합하면 엄청나게 풍부하고 복잡한 분야가 발생합니다. 그러나 수학은 논쟁의 여지가있는 주식의 세계보다 상당히 덜 발달되어 있습니다. AI 및 머신 러닝은보다 효율적인 방법을 찾고 사용자가 복잡한 결정을 탐색 할 수 있도록함으로써 이러한 복잡성을 수행하는 데 도움이됩니다.
의사 결정은 상품 의사 결정에 중요한 인간의 전문 지식과 기계 학습 모델 사용의 균형을 어떻게 유지합니까?
분야로서의 기계 학습은 끊임없이 향상되고 있지만 여전히 맥락과 인과 관계로 어려움을 겪고 있습니다. 우리의 경험은 인간의 전문 지식과 감독이 여전히 강력하고 무례한 모델을 생성하는 데 여전히 중요한 모델링 측면이 있다는 것입니다. 우리의 고객은 일반적으로 공급 및 수요 기초의 렌즈를 통해 시장을 살펴 봅니다. 모델이 그 신념 (그리고 감독되지 않은 모델이 종종 그렇지 않은 경우)을 반영하지 않으면 고객은 일반적으로 신뢰를 개발하지 않습니다. 결정적으로, 사용자는 신뢰할 수없는 모델을 일상적인 의사 결정 프로세스에 통합하지 않습니다. 따라서 직관을 무시하는 명백하게 정확한 기계 학습 모델조차도 유통 기간이 될 가능성이 높아질 것입니다.
고객의 인적 전문 지식도 관찰 된 데이터가 완전하지 않다는 진실이기 때문에 중요하므로 모델은 가이드를 나타내며 현실로 오인해서는 안됩니다. 시장에 몰입 한 사용자는 모델에 대한 입력으로 사용할 수없는 중요한 지식과 통찰력을 가지고 있습니다. 의사 결정 AI를 사용하면 사용자가 모델 입력을 보강하고 시장 시나리오를 생성 할 수 있습니다. 이는 예측 및 의사 결정 권장 사항에 대한 유연성을 구축하고 시스템과의 사용자 신뢰 및 상호 작용을 향상시킵니다.
AI 또는 데이터 과학에는 앞으로 몇 년 동안 상품 예측에 혁명을 일으킬 것이라고 생각하는 특정 혁신이 있습니까?
기능적 LLM의 출현은 비즈니스 결정의 구조에 완전히 침투하는 데 오랜 시간이 걸리는 돌파구입니다. 모델 자체의 개선 속도는 여전히 아슬 아슬하고 계속하기가 어렵습니다. 그러나 우리는 AI를 비즈니스 프로세스에 통합하는 가장 좋은 방법을 이해하기 위해 도로의 시작 부분에 있다고 생각합니다. 우리가 직면 한 대부분의 문제는 복잡한 제약으로 최적화 문제로 구성 될 수 있습니다. 비즈니스 프로세스 내의 제약은 종종 문서화되지 않으며 맥락 적으로 엄격하게 시행되지 않습니다. 이 영역은 AI가 역사적 데이터에서 암시 적 제약을 발견하고 적절한 맥락 최적화 문제를 구축하고 해결할 수있는 큰 기회라고 생각합니다.
의사 결정은 이러한 문제를 해결하고 중요한 정보 및 예측에 쉽게 액세스 할 수있는 신뢰할 수있는 플랫폼입니다. DecisionNext는 시스템 내에서 시스템 내에서 복잡한 작업을보다 쉽게 사용하고 수행 할 수 있도록 LLM 기반 에이전트를 개발하고 있습니다. 이를 통해 더 많은 비즈니스 프로세스 및 산업에서 가치를 확장하고 추가 할 수 있습니다.
작업은 해양학, 계량 경제 및 비선형 역학과 같은 다양한 분야에 걸쳐 있습니다. 이러한 학제 간 통찰력은 상품 예측의 문제 해결에 어떻게 기여합니까?
내 다양한 배경은 세 가지 방법으로 내 작품을 알려줍니다. 첫째, 내 일의 폭은 저의 특정 수학 영역에 너무 깊이 들어가는 것을 금지했습니다. 오히려 나는 많은 다른 분야에 노출되어 모든 분야를 이끌어 낼 수 있습니다. 둘째, 고성능 분산 컴퓨팅은 내가 한 모든 작업에서 경계선이었습니다. 물리학 분야의 대학원생으로서 임시 컴퓨팅 클러스터를 함께 모으는 데 사용한 많은 기술은 현재 주류 프레임 워크에 사용되므로 혁신 속도가 빠르더라도 모두에게 친숙하다고 느낍니다. 마지막으로, 이러한 모든 다른 문제를 해결하면 철학적 호기심을 불러 일으 킵니다. 대학원생으로서, 나는 경제학에서 일하는 것을 결코 고려하지 않았지만 여기에 있습니다. 나는 5 년 안에 내가 무엇을할지 모르겠지만, 나는 그것이 흥미로웠다는 것을 알고 있습니다.
의사 결정은 예측의 ‘블랙 박스’모델에서 헤어지는 것을 강조합니다. 이 투명성이 왜 그렇게 중요한 이유이며, 그것이 사용자의 신뢰와 채택에 어떤 영향을 미치는가?
프로토 타입 상품 거래자 (교환 또는 외부)는 생산에서 업계의 기초를 배우지 만 휘발성 시장에 베팅하는 기술을 가진 사람입니다. 비즈니스의 공급 측면에서 실제 경험이 없다면 경영진의 신뢰를 얻지 못하고 거래자로 승진하지 않습니다. 도박에 대한 친화력이 없다면 거래 실행에 너무 많은 스트레스를줍니다. 월스트리트 Quants와 달리, 상품 거래자는 종종 확률과 통계에 대한 공식적인 배경을 가지고 있지 않습니다. 신뢰를 얻으려면 직관적이고 빠르며 공급과 수요가 대규모 시장 운동의 주요 동인이라는인지 편견을 촉구하는 시스템을 제시해야합니다. 따라서 우리는 모든 것이 투명한 “흰색 상자”접근 방식을 취합니다. 일반적으로 그들이 후드 아래를 깊이 바라 보는“데이트”단계가 있으며 우리는 시스템의 추론을 통해 그들을 안내합니다. 신뢰가 확립되면 사용자는 종종 깊이 들어가기 위해 시간을 보내지 않지만 주기적으로 반환하여 중요하거나 놀라운 예측을 심문합니다.
위험 인식 예측에 대한 DecisionNext의 접근 방식은 기업이 시장 상황에 대응하는 것뿐만 아니라 전략을 적극적으로 형성하는 데 어떻게 도움이됩니까?
상품 거래는 거래소에만 국한되지 않습니다. 대부분의 회사는 위험을 헤지하기 위해 선물에 대한 접근성 만 제한적입니다. 프로세서는 상장 된 상품을 원료로 구입할 수 있지만 출력은 종종 입력과 가격 상관 관계가 거의없는 휘발성 상품 (쇠고기)이기도합니다. 고가의 시설이 용량에 가까워져야한다는 구조적 마진 제약을 감안할 때, 프로세서는 미래를 바라 보는 전략적 계획을 세워야합니다. 즉, 그들은 현물 시장에서 완전히 안전하게 운영 할 수는 없으며, 재료를 구매하고 출력을 판매하기 위해 미래를 계약해야합니다. ProcessNext를 사용하면 프로세서가 공급, 수요 및 가격 변수의 전체 생태계를 예측 한 다음 전체 시장 결과에 의해 비즈니스 결정이 어떻게 영향을 받는지 시뮬레이션 할 수 있습니다. 종이 거래는 전략의 구성 요소 일 수 있지만 가장 중요한 것은 용량 활용을 보장하기 위해 자재 및 판매 약정 및 처리 결정을 이해하는 것입니다. 의사 결정은 이것을 위해 만들어진 재단사입니다.
깊은 과학적 배경을 가진 사람으로서, 과학과 AI의 교차점과 상품과 같은 전통적인 산업을 변화시키는 것에 대해 가장 흥분시키는 것은 무엇입니까?
행동 경제학은 인식이 비즈니스 결정에 어떤 영향을 미치는지에 대한 이해를 변화 시켰습니다. AI는 소프트웨어 도구를 사용하여 인간인지를 지원하고 더 나은 결정을 내리는 방법을 변화시키고 있습니다. AI 지원 자동화에 의해 실현 될 효율성 이득에 대해 많이 논의되었으며 경제적으로 중요합니다. 상품 회사는 면도기 얇은 마진과 높은 인건비로 운영되므로 아마도 자동화로부터 큰 혜택을받을 것입니다. 그 외에도, 나는 대부분의 비즈니스 결정이 직관과 경험 규칙에 의해 이루어지는 방식에 숨겨진 비 효율성이 있다고 생각합니다. 결정은 종종 제한 및 불투명 정보 및 간단한 스프레드 시트 도구를 기반으로합니다. 나에게 가장 흥미로운 결과는 의사 결정과 같은 플랫폼이 AI 및 시뮬레이션을 사용하여 비즈니스 프로세스를 변환하여 투명한 데이터 및 공개 추론을 기반으로 컨텍스트를 정상화하고 위험 인식을 위험에 빠뜨리는 데 도움이되는 것입니다.
훌륭한 인터뷰에 감사드립니다. 더 배우고 싶은 독자들은 방문해야합니다. 의사 결정.
게시물 Robert Pierce, 의사 결정-인터뷰 시리즈의 공동 창립자 겸 최고 과학 책임자 먼저 나타났습니다 Unite.ai.
