鮑勃·皮爾斯（Bob Pierce），博士是DiscipNext的聯合創始人兼首席科學官。他的工作將高級數學分析帶入了全新的市場和行業，改善了公司參與戰略決策的方式。在決策之前，鮑勃（Bob）曾是SignalDemand的首席科學家，在那裡他指導其解決方案背後的製造商的科學。鮑勃（Bob）曾在Khimetrics（現為SAP）和ConceptLabs擔任高級研發職務，以及美國國家科學院，賓夕法尼亞州立大學和加州大學伯克利分校的學術職位。他的作品涵蓋了包括商品和製造業在內的一系列行業，他為計量經濟學，海洋學，數學和非線性動態做出了貢獻。他擁有許多專利，並且是幾篇同行評審論文的作者。鮑勃（Bob）獲得了加州大學伯克利分校的理論物理學博士學位。
DecisionNext是一家成立於2015年的數據分析和預測公司，專門從事AI驅動的價格和供應預測。該公司的創建是為了解決傳統的“黑匣子”預測模型的局限性，這些模型通常缺乏透明度和可操作的見解。通過整合AI和機器學習，DecisionNext為企業提供了對影響其預測的因素的知名度，從而幫助他們根據市場和業務風險做出明智的決定。他們的平台旨在提高供應鏈的預測準確性，使客戶能夠超越基於直覺的決策。
建立決策的最初想法或靈感是什麼？您在理論物理和各個行業中的背景如何塑造了這一願景？
我和我的聯合創始人邁克·尼爾（Mike Neal）和我在以前的公司中積累了很多經驗，這些公司為零售商和商品處理器提供優化和預測解決方案。從該經驗中獲得的兩個主要學習是：
- 用戶需要相信他們了解預測和解決方案的來源；和
- 用戶很難將他們認為會發生的事情分開，從而將其真正出現的可能性分開。
這兩個概念在人類認知中具有深厚的起源，以及如何創建解決問題的軟件的含義。眾所周知，人的思想不擅長計算概率。作為一名物理學家，我學會了創建概念框架以與不確定性互動並建立分佈式計算平台以探索它。這是我們解決方案的技術基礎，以幫助客戶面對不確定性，這意味著他們不知道市場將如何發展，但仍然必須決定現在該怎麼做才能在將來最大化利潤。
您向首席科學官的角色過渡如何影響您的日常重點和對決策的長期願景？
向CSO的過渡涉及對產品應如何為我們的客戶帶來價值的重新關注。在此過程中，我已經發布了一些日常的工程責任，這些職責由其他人更好地處理。我們始終擁有一長串的功能和想法，可以使解決方案更好，並且這個角色使我有更多時間研究新的和創新的方法。
商品市場面臨哪些獨特的挑戰，使它們特別適合採用AI和機器學習解決方案？
建模商品市場呈現出結構和隨機特性的迷人組合。將其與人們為物理和紙質交易簽訂合同的數量不可數量的方式，並在生產中使用材料會導致一個非常豐富且複雜的領域。但是，數學的發展要比股票的簡單世界要好得多。人工智能和機器學習通過尋找更有效的建模方法以及幫助我們的用戶導航複雜決策，從而幫助我們通過這種複雜性來努力。
決策next如何平衡機器學習模型的使用與對商品決策至關重要的人類專業知識？
機器學習作為一個領域正在不斷改善，但仍在背景和因果關係中掙扎。我們的經驗是，在建模的某些方面，人類的專業知識和監督對於產生強大的，簡約的模型至關重要。我們的客戶通常通過供求基本面的視角來關注市場。如果模型不反映這種信念（通常不監督的模型），那麼我們的客戶通常不會發展信任。至關重要的是，用戶不會將不信任的模型集成到日常決策過程中。因此，即使是一個明顯的準確的機器學習模型，直覺的機器學習模型也將成為貨架上的可能性。
客戶的專業知識也至關重要，因為觀察到的數據從未完成，因此模型代表指南，不應誤認為現實。沉浸在市場中的用戶具有重要的知識和洞察力，這些知識和見識是無法作為模型輸入的。 DecisionNext AI允許用戶增強模型輸入並創建市場場景。這將在預測和決策建議中增強靈活性，並增強用戶的信心和與系統的互動。
您認為，在AI或數據科學中是否存在特定的突破，在未來幾年中會徹底改變商品預測，並且如何為這些變化定位自己的決策nextnext？
功能性LLM的出現是一個突破，將需要很長時間才能完全滲透到業務決策的結構中。模型本身的改進步伐仍然令人嘆為觀止，並且難以跟上。但是，我認為我們只是在了解將AI集成到業務流程中的最佳方法的開始。我們遇到的大多數問題都可以作為與復雜約束的優化問題所構成的。業務流程中的限制通常是無證件的，而不是嚴格執行的。我認為該領域是AI既可以發現歷史數據中的隱性限制，又是構建和解決適當的上下文優化問題的巨大機會。
DecisionNext是一個可信賴的平台，可以解決這些問題並輕鬆訪問關鍵信息和預測。 DecisionNext正在開發基於LLM的代理，以使系統更易於使用並在系統中以用戶的方向執行複雜的任務。這將使我們能夠在更多的業務流程和行業中擴展和增加價值。
您的工作涵蓋了海洋學，計量經濟學和非線性動態的多樣化領域。這些跨學科的見解如何有助於解決預測商品的問題？
我多樣化的背景通過三種方式為我的工作提供了信息。首先，我的工作廣度禁止我深入到一個特定的數學領域。相反，我已經接觸到許多不同的學科，可以藉鑑所有學科。其次，在我所做的所有工作中，高性能分佈式計算一直是貫穿線。現在，我用來將臨時計算集群拼湊在一起的許多技術都在主流框架中使用，因此，即使創新的節奏迅速，我也會感到熟悉。最後，解決所有這些不同的問題會激發哲學上的好奇心。作為一名研究生，我從未打算從事經濟學工作，但我在這裡。我不知道5年後我會做什麼，但我知道我會發現它很有趣。
DecisionNext強調從預測的“黑匣子”模型中脫穎而出。為什麼這種透明度如此關鍵，您認為它如何影響用戶的信任和採用？
一個原型商品交易員（在交易所內或關閉交易所）是一個在生產中學習了其行業基礎知識，但在動蕩的市場中有投注的技巧。如果他們在業務的供應方面沒有現實世界的經驗，他們就不會贏得高管的信任，也不會被晉升為交易員。如果他們對賭博沒有一些親和力，他們在執行交易方面太強調了太多。與華爾街的智者不同，商品交易者通常沒有正式的概率和統計背景。為了獲得信任，我們必須提出一個直觀，快速，並觸及其認知偏見的系統，即供需是大型市場運動的主要驅動力。因此，我們採用了“白盒子”方法，其中一切都是透明的。通常情況下，有一個“約會”階段，它們會在引擎蓋下深處，我們指導他們通過系統的推理。一旦建立了信任，用戶就不會花時間深入，而是會定期返回以詢問重要或令人驚訝的預測。
DecisionNext的風險感知預測方法如何幫助公司不僅對市場條件做出反應，而且可以主動塑造其策略？
商品交易不僅限於交流。大多數公司只能獲得未來的機會來對沖其風險。處理器可能會以原材料（也許是牛）購買上市的商品，但是它們的產出也是一種易變的商品（牛肉），通常與投入的價格相關。考慮到昂貴的設施必須接近容量的結構性限制，加工者被迫制定一項戰略計劃，可以展望未來。也就是說，他們不能完全在現貨市場上安全運營，他們必須向前收取購買材料和出售產出的收縮。 DecisionNext允許處理器預測供求，需求和價格變量的整個生態系統，然後模擬業務決策如何受到市場結果的影響。紙質交易可能是該戰略的一部分，但最重要的是了解材料和銷售承諾和處理決策以確保能力利用。 DecisionNext是為此量身定制的。
作為具有深厚科學背景的人，是什麼最讓您對科學和人工智能的交集感到興奮？
行為經濟學改變了我們對認知如何影響業務決策的理解。 AI正在改變我們如何使用軟件工具來支持人類認知並做出更好的決策。通過啟用AI的自動化將實現的效率提高已經進行了廣泛討論，並且在經濟上將很重要。商品公司以剃須刀的利潤率和高勞動力成本運營，因此它們可能會從自動化中受益匪淺。除此之外，我相信大多數業務決策是通過直覺和經驗法則做出的，這是隱藏的效率低下。決策通常基於有限和不透明的信息以及簡單的電子表格工具。對我來說，最令人興奮的結果是對於諸如DecisionNext之類的平台來幫助使用AI和模擬來改變業務流程，以根據透明數據和開放推理將上下文和風險意識決策進行標準化。
感謝您的出色採訪，希望了解更多的讀者應該訪問DeciestNext。
