Chris Nicholson es el fundador de Pathmind, una startup de IA que aplica el aprendizaje de refuerzo profundo a la cadena de suministro y las operaciones industriales. Pathmind se fundó para ayudar a las empresas a manejar cambios económicos profundos y aumentar la resiliencia de sus operaciones con IA. Chris supervisa la visión estratégica y la ejecución diaria de la empresa, impulsando la innovación y el crecimiento de la plataforma tecnológica de Pathmind y optimizando el rendimiento en los almacenes y en las plantas de producción como parte de la transformación digital de los negocios.
Anteriormente, Chris fue director ejecutivo de Skymind, una empresa de IA centrada en el aprendizaje profundo. Antes de eso, ocupó cargos de comunicaciones y reclutamiento para FutureAdvisor, una startup de Y Combinator respaldada por Sequoia que fue adquirida por BlackRock en 2015 por $200 millones. Chris también pasó una década como periodista, informando sobre tecnología y finanzas para The New York Times, Bloomberg News y Businessweek, entre otros.
Anteriormente, fue corresponsal de The New York Times y editor de Bloomberg News antes de pasar al aprendizaje automático. ¿Podría hablar sobre el viaje detrás de esta realineación de su trayectoria profesional?
Cuando era periodista, en la década de 2000 y principios de la de 2010, la industria sufría a medida que los anuncios se trasladaban a los motores de búsqueda y las redes sociales, y las publicaciones tradicionales perdían lectores. Estaba cubriendo finanzas y tecnología y vi gente construyendo muchas cosas nuevas e interesantes. En cierto momento, me dije a mí mismo que tenía que estar del lado correcto de los robots, así que me mudé a San Francisco.
Eso fue en 2013. Entonces todavía había casas de hackers en SOMA. Me mudé a uno de esos, a una litera en una habitación con otros cinco muchachos, y fui a trabajar todas las mañanas en una startup que había pasado por Y Combinator. Trabajando en San Francisco, poco a poco fui conociendo gente y descubrí lo que me interesaba. En ese entonces, el aprendizaje profundo todavía estaba despegando. Se podía ver el potencial, pero aún quedaba mucho por construir. Esta curiosidad me llevó a involucrarme en un proyecto de IA que eventualmente condujo a Pathmind.
¿Podría compartir algunos detalles sobre cómo Pathmind puede ayudar a las empresas?
Las empresas que tienen que gestionar una planta física, como un almacén, una fábrica o una mina, suelen enfrentarse a tareas de optimización realmente complejas. Es decir, necesitan coordinar muchos equipos para cumplir una meta. Muchos de ellos están tratando de maximizar el rendimiento y la eficiencia, y minimizar los costos y las emisiones de carbono. Diseñamos algoritmos que pueden usar sus datos reales para mostrarles nuevas formas de hacer que sus equipos se comporten. Eso puede aplicarse a la programación de trabajos y máquinas, el enrutamiento de flotas y la gestión de costos de energía, entre otras cosas.
¿Cuáles son algunos de los beneficios del software de código abierto para los sistemas de aprendizaje automático?
Las empresas de software son todos barcos que flotan en un mar de código fuente abierto. La infraestructura de las nubes públicas se ejecuta en código abierto. Muchas de las herramientas que usan los desarrolladores para crear sitios web y aplicaciones de aprendizaje automático también son de código abierto. Es un ecosistema vibrante. Somos los primeros en adoptar y trabajamos para nuevos y emocionantes proyectos de código abierto como Ray, que lo ayuda a impulsar la computación distribuida para las cargas de trabajo de IA.
Eres claramente optimista sobre el futuro del aprendizaje de refuerzo profundo, en tu opinión, ¿qué tipos de empresas están mejor posicionadas para aprovechar este tipo de aprendizaje automático?
Las empresas con las que trabajamos suelen tener datos que utilizan para realizar un seguimiento de sus operaciones y rendimiento. Tienden a tener operaciones físicas donde pueden controlar el comportamiento del equipo. Nuestros algoritmos necesitan datos para comprender el entorno en el que operan, y deben presentarles acciones para elegir, como equipos para controlar, para que puedan tener un efecto en los resultados. Esencialmente, las empresas que tienen operaciones físicas para controlar, tienen datos sobre esas operaciones y algunos análisis para esos datos, están en una buena posición para comenzar a pensar en una optimización como la nuestra.
¿Hay algo más que le gustaría discutir sobre Pathmind?
Una cosa que hacemos que es adyacente al control de las operaciones físicas es ayudar a las empresas a predecir series temporales. Entonces, datos como los precios o la demanda influirán en cómo se comporta una empresa y cuánto produce. Para producir la cantidad correcta, necesitan saber cuánta demanda habrá. Y, para poder establecer correctamente sus precios, deben tener una lectura de las fluctuaciones de precios. Nuestros algoritmos son capaces de hacer esos pronósticos.
Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Pathmind.