Interview uit 2018:
Kunt u in het kort vertellen wat het Fetch.ai project inhoudt en hoe het tot stand kwam?
De andere mede-oprichters en ik hebben het al meer dan 10 jaar over het idee achter Fetch.ai. Wat we sindsdien wilden doen is een digitale wereld creëren waarin interessante economische activiteit kan plaatsvinden, maar waar ook nieuwe vormen van waarde-uitwisseling kan geschieden.
Ik heb een achtergrond in computer games dus ik ben gewend aan het bouwen van grote virtuele werelden die gepopuleerd worden met een hoop dingen. Een hoop van die dingen zijn digitale entiteiten die daar autonoom rondlopen en allerlei gedragen uitproberen. Het idee kwam in ons op om dit soort digitale entiteiten te koppelen aan data-sets, diensten omtrent infrastructuur, hardware zoals met Internet of Things (IoT) of mensen bijvoorbeeld. Als we vervolgens die entiteiten de autonomie kunnen geven om zelf waarde te kunnen uitwisselen in een wereld die groot genoeg is, dan heb je iets heel interessants. Het probleem was alleen dat we niet wisten hoe we die wereld groot genoeg konden maken. Met de technologieën waar we in die tijd mee werkten was het mogelijk om honderdduizenden entiteiten of ‘agents’ te maken, maar niet miljarden. Als je een wereld wilt creëren waar elk stuk data of hardware wordt vertegenwoordigt door een autonome agent, dan heb je het over tientallen miljarden entiteiten.
Toen blockchain op de proppen kwam en we leerden over ‘distributed ledger’ technologie kwamen we erachter dat dit wellicht het missende puzzelstukje in het geheel was, want nu kunnen we het proces distribueren naar elke computer die is aangesloten op het netwerk. Zodoende kan de wereld die we willen creëren blijven groeien. En omdat de agents verbinding kunnen maken met verschillende onderdelen van het netwerk hebben we het ineens over tientallen miljarden agents die met elkaar kunnen verbinden. Dit is waar het idee voor Fetch ontstond. We kwamen er namelijk achter hoe we het technologisch gezien moeten aanvliegen en konden onze kennis van machine learning en kunstmatige intelligentie (AI) gebruiken om die digitale wereld real-time te structureren, zodat elke individuele agent een wereld kan waarnemen die afgestemd is op die specifieke agent. In de echte wereld kijken we bijvoorbeeld allemaal naar dezelfde tafel, maar in een digitale wereld bestaat die restrictie niet. We kunnen in een dergelijke wereld dingen zien die specifiek aangepast zijn aan ons.
Fetch gaat over het herstructureren van de wereld op een manier waarbij, als iemand iets bezit direct wordt gepositioneerd naast iemand die het wellicht wilt hebben, deze overdracht gemakkelijk plaats kan vinden.
Kunt u een praktisch voorbeeld geven?
We wisten dat Fetch uitkomst zou kunnen bieden bij complexe problemen met een groot aantal bewegende onderdelen. Vervoer is wellicht een goed voorbeeld. Wij hadden bijvoorbeeld, onderweg naar Amsterdam, een vertraagde en later geannuleerde vlucht, waarbij we moesten uitvogelen hoe we toch zo snel mogelijk op plaats van bestemming konden komen. We waren uiteraard niet alleen en andere passagiers hadden te maken met hetzelfde euvel. Dit was erg tijdrovend en veel werk; we moesten naar een nieuwe vlucht zoeken en zorgen dat onze bagage ook goed terecht kwam bijvoorbeeld. De enige opties die we hadden waren de opties die we konden vinden en van op de hoogte waren. Hoe Fetch hierin kan helpen is in de vorm van een poule van luchtvaartmaatschappijen met digitale entiteiten op het netwerk die alle mogelijke opties kunnen bekijken, deze kunnen aanpassen aan onze wensen en deze direct kunnen presenteren. Dus in plaats van dat het van de passagier wordt verwacht om opties te bekijken, worden de opties aangereikt. Dit is een voorbeeld in de de hoek van luchtverkeer, maar je zou hetzelfde principe ook kunnen toepassen in de auto-industrie, mobiele telefoon industrie of kaartverkoop bijvoorbeeld. Ook in supply chain zou Fetch uitkomst kunnen bieden. Het is met heel veel data-problemen het geval dat het moeilijk is om het te organiseren, maar Fetch zou ervoor kunnen zorgen dat de data zichzelf organiseert.
Zie het als een intelligent collectief dat ervoor zorgt dat de individuele agents op het netwerk zichzelf kunnen ontwikkelen. Het zorgt dan dat er meer informatie beschikbaar komt en waarde wordt gecreëerd waar voorheen waarde verloren ging. Hiermee krijgen de diensten van bestaande concepten meer waarde.
Kunt u iets meer vertellen over het team achter Fetch?
Op het moment worden er veel mensen aan het toegevoegd, dus een exact correct aantal teamleden noemen is lastig, maar we zitten rond de 30 teamleden. We hebben het geluk gehad dat we vanaf het begin een heel sterk core-team hebben gehad. Ik gok dat dit het geval is omdat we veel interessante technologieën met elkaar combineren. De andere mede-oprichters Humayun Sheikh als CEO en professor Thomas Hain als Chief Scientific Officer hebben enorm veel werk verricht. Sheikh was een van de eerste investeerders in Deepmind en komt van een ‘computing’- en ‘trading’ achtergrond. Professor Hain heeft jarenlange ervaring in machine learning. Jonathan Ward is onze Senior Machine Learning Scientist. Hij heeft ongeveer een 50/50 verdeling in zijn team. De helft is, met een achtergrond in economie, blockchain of machine learning meer gericht op het onderzoek en het bouwen en testen van het systeem. De andere helft is ervaren C++ developer met expertise in netwerken en ‘high performance computing’. Er zit een C++ developer tussen die bij Google heeft gewerkt en een machine learning specialist van de universiteit van Cambridge.