روهیت آگاروال مدیر عملیاتی در تصمیم بعدییک پلتفرم پیشرو هوش مصنوعی که شرکت ها را قادر می سازد خرید یا فروش کالاها را در بهترین زمان و قیمت ممکن بهینه کنند. او از پیشینه قوی در زنجیره تامین و مدیریت محصول و همچنین تجربه رهبری مستقیم تیم های بسیار بزرگ برای اجرای پروژه های پیچیده چند رشته ای و ارائه نتایج تجاری بهره می برد. روهیت قبلاً نقش‌های مدیریت محصول و عملیات را در گوگل و آمازون بر عهده داشت.
شما در آمازون و اخیراً در گوگل کار کرده اید. برخی از نکات کلیدی شما از این تجربیات چه بود؟
در آمازون، من این فرصت را داشتم که تیم متنوعی متشکل از 250 کارمند متقابل را مدیریت کنم تا بتوانم بهترین امکانات عملیاتی در کلاس خود را راه اندازی کنم. من همچنین از اجرای نوآوری هایی مانند تحویل در همان روز، روباتیک و سایر فناوری های نوظهور حمایت کردم. سپس در گوگل، از مهارت هایم برای پر کردن شکاف بین محصول و عملیات استفاده کردم. این شامل ساخت برنامه های کاربردی از ابتدا برای مدیریت یک سبک جدید از فرآیند تحقق، در میان سایر پیشنهادات جدید بود.
آیا می‌توانید توضیح دهید که چگونه DecisionNext از هوش مصنوعی و یادگیری ماشینی برای بهبود پیش‌بینی قیمت و عرضه کالا استفاده می‌کند؟
DecisionNext از هوش مصنوعی و یادگیری ماشینی برای مصرف هزاران مجموعه داده و یافتن روابط تاریخی و فعلی بین عوامل کلیدی استفاده می کند. سپس از این اطلاعات می آموزد و مدل های مربوطه را برای هر کالایی می سازد. در بازارهای کشاورزی و منابع طبیعی، ابزارهای ما به مشتریان کمک می‌کنند تا قیمت‌ها را بهتر پیش‌بینی کنند، تصمیمات هوشمندانه‌تری بگیرند، ریسک را کاهش دهند و سود را در زنجیره‌های تامین جهانی افزایش دهند. ما همچنین در حال کار بر روی استفاده از مدل‌های زبان بزرگ (LLM) برای ساده‌سازی تصمیمات پیچیده جهانی با راه‌حل‌های آگاهانه از ریسک هستیم.
مزایای کلیدی استفاده از پلتفرم هوش مصنوعی DecisionNext در مقایسه با روش‌های پیش‌بینی سنتی چیست؟
خریداران و فروشندگان کالاهای جهانی اغلب به قوانین سرانگشتی و صفحات گسترده متوسل می شوند تا سیستم پیچیده ای را به ارزش میلیاردها دلار در معاملات ساده کنند. این پول قابل توجهی را روی میز باقی می گذارد. این صفحات گسترده معجزه کرده اند و از صدها کسب و کار پشتیبانی کرده اند. با این حال، همانطور که پویایی نیروی کار تغییر می کند و بازارهای جهانی غیرقابل پیش بینی تر می شوند، کارایی آنها کاهش می یابد. DecisionNext سال‌ها را صرف تکمیل یک پلتفرم هوش مصنوعی کرده است که پیچیدگی‌های جهانی را به توصیه‌های عملی در مقیاس تبدیل می‌کند – عملکرد مالی را به شدت بهبود می‌بخشد.
مشتریان ما کارشناسان موضوعی دارند که 30 سال یا بیشتر در یک فضا یا صنعت خاص بوده اند. و با آمدن نسل‌های جدید، حفظ تمام آن تجربه به روشی قابل استفاده بسیار مهم است. DecisionNext با ایجاد کتابخانه های جامع از تصمیمات، ادغام نظرات متخصصان و یادگیری از گذشته به این امر کمک می کند.
با انجام این کار، پلتفرم DecisionNext ریسک و عدم قطعیت در تصمیمات تجاری را در بین واحدهای تجاری و افراد کاهش می دهد و در عین حال راهی مقیاس پذیر برای اتخاذ این تصمیمات ایجاد می کند. همچنین سودآوری در معاملات روزانه، موقعیت‌های بلندمدت و برنامه‌ریزی استراتژیک آینده‌نگر را بهبود می‌بخشد.
داده های پویا چه نقشی در فرآیند تصمیم گیری مبتنی بر هوش مصنوعی DecisionNext دارند و چگونه این داده ها یکپارچه و مورد استفاده قرار می گیرند؟
داده های پویا و به روز در ساخت بهترین مدل های کلاس بسیار مهم هستند. با این حال، سرعت و پیچیدگی پردازش و مدل‌سازی داده‌ها تنها عامل نیست. به عنوان مثال، چگونه یک مدل وزن آخرین نقطه داده (مثلا یک شوک در سیستم) را می داند و اینکه باید با آن رفتار متفاوتی داشته باشد؟ کاربران ما می توانند از طریق فناوری ثبت اختراع با مدل ها تعامل داشته باشند تا نظرات خود را وارد کنند و تجزیه و تحلیل what-if بسازند تا از داده هایی استفاده کنند که مدل یا سیستم به سادگی نمی تواند آنها را بداند. این به مشتریان ما امکان می دهد تا بینش های جدیدی را به دست آورند که در غیر این صورت ممکن نبود. آنها همچنین می توانند تاثیر تغییرات جهانی در عرضه یا مقررات تجاری جدید را در میان تعداد بی نهایت موقعیت بالقوه دیگر بهتر درک کنند.
پلتفرم هوش مصنوعی DecisionNext چگونه تصمیمات تجاری در بازار کالاها را متحول کرده است؟
بهترین پلتفرم در کلاس ما با ارائه اطلاعاتی بیش از یک پیش‌بینی به کاربران، رویکرد استاندارد پیش‌بینی قیمت، عرضه و تقاضا را متحول کرده است. با ابزار ما، آنها می توانند به سرعت ریسک، عدم قطعیت را درک کنند و می توانند تصمیمات پیچیده را با چند کلیک ماوس تجزیه و تحلیل کنند. DecisionNext چندین مورد استفاده در زنجیره تامین هم در کشاورزی و هم در معدن دارد. این موارد شامل بهینه‌سازی خرید و قیمت فروش، برنامه‌ریزی تجاری، آربیتراژ جغرافیایی و محصول، فرمول‌بندی کمترین هزینه و مدیریت ریسک و بسیاری موارد دیگر است.
DecisionNext چگونه از دقت و قابلیت اطمینان مدل‌های پیش‌بینی هوش مصنوعی برای تجارت کالا اطمینان می‌دهد؟
ما از دقت و قابلیت اطمینان مدل‌های پیش‌بینی هوش مصنوعی خود از طریق بک‌آزمایش فشرده اطمینان حاصل می‌کنیم. DecisionNext یک سیستم دقیق ساخته است که قادر است به سرعت هزاران ساختار مدل را آزمایش کند و درک کاملی از دقیق بودن مدل ها در اختیار کاربر قرار دهد. این را می توان به روشی آسان برای درک انجام داد که همچنین به ما امکان می دهد از این دقت برای پیش بینی عدم قطعیت در آینده نیز استفاده کنیم.
آیا می توانید یک مثال یا مطالعه موردی در مورد اینکه چگونه DecisionNext به یک شرکت کمک کرده است تا با استفاده از ابزارهای هوش مصنوعی شما نوسانات بازار را هدایت کند، به اشتراک بگذارید؟
با DecisionNext، یک تولیدکننده بزرگ سنگ آهن سود خود را به طور متوسط 6 تا 8 درصد در فروش لحظه ای افزایش داد. راه حل ما به آنها کمک کرد تا استراتژی قیمت گذاری را بهینه کنند و زمان مورد نیاز برای اتخاذ تصمیمات کلیدی در مورد آربیتراژ جغرافیایی را کاهش دهند. به طور مشابه، ما می‌توانیم به تولیدکنندگان گاو کمک کنیم تا در مورد مکان و زمان فروش گوشت گاو حاصل از لاشه‌های خود تصمیم‌گیری کنند.
در هر دو مورد، DecisionNext یک پیش بینی کوتاه مدت و بلند مدت دقیق و قابل دفاع برای بهینه سازی استراتژی برنامه ریزی فروش ارائه کرد. ابزارهای تجسم ما تولیدکنندگان را قادر می‌سازد تا به سرعت استراتژی‌های فروش متعدد را در کنار یکدیگر ارزیابی کنند تا ریسک را به بهترین نحو کاهش دهند، تصمیم‌گیری را ساده‌تر کنند و به طور مؤثرتری حاشیه سود را افزایش دهند.
بدون DecisionNext، شرکت ها مجبورند برای قیمت گذاری کالاها به میانگین های تاریخی، بازارهای آتی (در صورت وجود) و تجربه تکیه کنند. اگرچه در گذشته موثر بود، اما با توجه به نوسانات روزافزون بازارهای کالاهای ما، شرکت ها میلیون ها دلار را روی میز باقی می گذارند.
آیا می توانید در مورد اهمیت داشتن مدل های پیش بینی تعاملی برای کاربران صحبت کنید، و چگونه DecisionNext اطمینان می دهد که این مدل ها کاربرپسند هستند؟
مدل قدیمی و قدیمی پیش‌بینی «جعبه سیاه» به مردم نمی‌گوید که چرا پیش‌بینی همین است. همچنین نمی تواند به نحوه تبدیل پیش بینی به تصمیمات قابل اجرا کمک کند. بنابراین در این سناریو ممکن است کاربران حتی از یک پیش بینی کامل هم استفاده نکنند و به روش های قدیمی برگردند.
DecisionNext به مشتریان خود کمک می کند تا درک بهتری از ریسک بازار و ریسک تجاری و اینکه چرا این دو باید در هنگام پیش بینی به هم مرتبط باشند، به دست آورند. DecisionNext دید کامل منابع داده و ساختارهای مدل را همراه با وضوح و جهت استراتژیک فراهم می کند.
همه اینها از طریق یک داشبورد کاربر پسند ارائه می شود که برای تعامل مداوم طراحی شده است.
همه‌گیری و رویدادهای ژئوپلیتیک اخیر از چه راه‌هایی بر توسعه و استفاده از هوش مصنوعی در تجارت کالا در DecisionNext تأثیر گذاشته است؟
COVID-19 زنجیره ارزش جهانی گوشت را تغییر داد و یکی از مشتریانی که به ویژه تحت تأثیر این بحران قرار گرفته بود به ذهن متبادر می شود. با توجه به مقادیر زیادی غذای منجمد که برای کانال‌های خدمات غذایی که به زودی خاموش می‌شوند، مشتری از تجزیه و تحلیل DecisionNext برای تسویه سریع و بهینه موجودی با گسترش قرنطینه در سراسر ایالات متحده و همچنین برنامه‌ریزی چگونگی و زمان بازسازی موجودی‌های مذکور استفاده کرد.
با استفاده از پلتفرم DecisionNext، مشتری چهار گزینه پیچیده فروش و تدارکات را برای مشاهده نتایج مورد انتظار بازار و مقایسه ریسک‌ها ایجاد و مقایسه کرد. آنها توانستند موجودی مازاد را در چند برش با موفقیت نقد کنند و این تراکنش‌ها بازدهی 5 برابری را در برابر سرمایه‌گذاری نرم‌افزار DecisionNext در یک ماه فراهم کردند.
چه پیشرفت‌های آینده در هوش مصنوعی و یادگیری ماشینی را پیش‌بینی می‌کنید که بر بازار کالاها تأثیر بگذارد و DecisionNext چگونه برای آنها آماده می‌شود؟
DecisionNext در خط مقدم تلاش برای استفاده از هوش مصنوعی و یادگیری ماشینی برای کارآمدتر، سودآورتر و پایدارتر کردن بازارهای کالا است. از آنجایی که جهان همچنان با چالش‌های عظیمی مانند تغییرات آب و هوایی و بی‌ثباتی سیاسی دست و پنجه نرم می‌کند، فناوری هوشمند به طور فزاینده‌ای جزء مهمی در نحوه مدیریت موفقیت‌آمیز ما خواهد بود. ما مفتخریم که مورد اعتماد مشتریان و شرکایمان هستیم تا بستری برای کمک به تحقق آن فراهم کنیم.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند تصمیم بعدی.
