مقابلات
إيلان غلوك، رئيس قسم التوسع في السوق، أمريكا الشمالية في ديجيتال ماتر – سلسلة المقابلات
أضف Unite.AI إلى مصادرك المفضلة على Google
إيلان غلوك، رئيس قسم التوسع في السوق، أمريكا الشمالية في ديجيتال ماتر، هو قائد تقني وتجاري ذو خبرة في مجالات الإنترنت للأشياء، والذكاء الاصطناعي، وتكنولوجيا سلسلة التوريد، وتحليل البيانات، والاستراتيجية التجارية. قبل انضمامه إلى ديجيتال ماتر، قضى أكثر من خمس سنوات مع كوكس 2م وغيارتراك، شغل منصب المدير العام ومدير الإيرادات، وساعد في تعزيز حلول تتبع الأصول في الوقت الفعلي ومراقبة سلسلة التوريد. في وقت سابق، كان غلوك مديرًا عامًا في وستلس إيه آي، حيث عمل على تكنولوجيا التسعير الديناميكي القائمة على الذكاء الاصطناعي المصمم للمساعدة في خفض الفاقد من الطعام، وشغل مناصب تنفيذية في شركة وايس بيرجر، وهي شركة إنترنت للأشياء وتحليل البيانات تم الاستحواذ عليها من قبل إيه بي إن بيف. بدأ مسيرته المهنية في الاستراتيجية والعمليات في ديلويت كونسلتينج، مما أتاح له مزيجًا من الخبرات في المنتج والتسويق والاستراتيجية عبر التكنولوجيات الناشئة.
ديجيتال ماتر هي شركة عالمية لإنترنت الأشياء تختص في تتبع الأصول على المدى الطويل ومراقبة الحساسات والاتصالات. تقوم الشركة بتصميم أجهزة متصلة قوية وذات استهلاك منخفض للطاقة مصممة للنشر في مجالات مثل اللوجستيات وتتبع الأسطول وأدوات التتبع ومراقبة سلسلة التوريد والزراعة والتطبيقات البيئية، مع ملايين الأجهزة الموزعة حول العالم. تدعم أجهزتها مجموعة من تقنيات التموضع والاتصال، بما في ذلك نظام الملاحة العالمي، وتحديد الموقع لاسلكي، وبلوتوث منخفض الطاقة، والاتصالات الخلوية لإنترنت الأشياء، وشبكة لورا وان، والاتصال عبر الأقمار الصناعية. كما توفر ديجيتال ماتر منصة إدارة الأجهزة السحابية التي تمكن العملاء والشركاء من تكوين الأجهزة المتصلة عن بُعد ومراقبتها وتحديثها وإدارتها على نطاق واسع.
قبل انضمامك إلى ديجيتال ماتر، عملت عبر غيارتراك وواستلس إيه آي ووايس بيرجر، حيث استُخدمت البيانات التشغيلية في الوقت الفعلي لتحسين سلسلة التوريد وتقليل الفاقد وتحسين القرارات التجارية. كيف شكلت تلك الخبرة رؤيتك لإنترنت الأشياء كأساس للذكاء الاصطناعي في الشركات؟
عبر غيارتراك وواستلس إيه آي ووايس بيرجر، رأيت بشكل مباشر أن أفضل التكنولوجيا ليست أفضل من البيانات التي تقوم عليها.
كل شركة كانت تحل مشكلة مختلفة، ولكن الخيط المشترك كان استخدام المعلومات في الوقت الفعلي من العالم المادي لاتخاذ قرارات أفضل. قد يعني ذلك فهم مكان وجود المخزون، أو تحديد الفاقد قبل حدوثه، أو مساعدة الشركة على الاستجابة بشكل أسرع لما يتغير على الأرض.
تلك الخبرات شكلت بشكل كبير كيف أفكر في إنترنت الأشياء والذكاء الاصطناعي. لا يزال هناك الكثير من المعلومات التشغيلية القيمة التي لا يتم التقاطها في الأنظمة التجارية التقليدية. وهي موجودة عبر المركبات والمعدات والمخزون وسلسلة التوريد. إنترنت الأشياء هو ما يحول النشاط المادي إلى بيانات قابلة للاستخدام.
من وجهة نظري، هذا يجعل إنترنت الأشياء أساسًا حاسمًا للذكاء الاصطناعي في الشركات. إنه يوفر للذكاء الاصطناعي صورة أوضح وأكثر حداثة لطريقة عمل الشركة بالفعل. بدلاً من النظر إلى الوراء فقط إلى التقارير التاريخية، يمكن للشركات开始 تحديد الأنماط والتنبؤ بالمشاكل و اتخاذ قرارات أفضل في الوقت الفعلي.
كثير من الشركات تقوم بتدريب نماذج الذكاء الاصطناعي على نفس مجموعات البيانات العامة مثل منافسيها. لماذا تعتقد أن البيانات التشغيلية المملوكة أصبحت مصدرًا أكثر أهمية لتمييز الذكاء الاصطناعي؟
البيانات نفسها، الاستنتاجات نفسها. مع توفر نماذج الذكاء الاصطناعي على نطاق واسع، أصبحت النماذج نفسها أكثر شيوعًا، والفرق الحقيقي يأتي من جودة وunicity وملاءمة البيانات التي تغذيها.
إذا كان الجميع يستخدمون نفس الأدوات المدربة على نفس البيانات العامة أو البيانات التاريخية، فسيصلون جميعًا إلى استنتاجات متشابهة.
خذ متجرين منافسين يستخدمان نفس منصة الذكاء الاصطناعي والتنبؤات السوقية والبيانات التاريخية للطلب. إذا كان أحدهما قد نشر حساسات إنترنت الأشياء عبر مستودعاته ومركباته ورفوفه ومعداته، فإنه يقوم بتمرير بيانات حقيقية في الوقت الفعلي إلى الذكاء الاصطناعي – معلومات حول حركة المخزون وأوقات التأخير واستخدام الأصول وعرقلة العمل وتعطل التشغيل. الذكاء الاصطناعي لا يتعلم فقط من ما حدث في الربع الماضي، بل يتعلم باستمرار من ما يحدث عبر الشركة الآن.
بمرور الوقت، يتراكم هذا في ميزة حقيقية. الذكاء الاصطناعي لا يعتمد فقط على الاتجاهات التاريخية أو المعايير الثالثة. إنه يتعلم من عمليات الشركة في الوقت الفعلي، مما يخلق مصدرًا من الذكاء لا يمكن لمنافسيه شراءه أو حصوله عليه أو تكراره.
عندما يتم نشر الحساسات عبر الأساطيل والمنشآت والمعدات وسلسلة التوريد، ما هي أنواع الذكاء التشغيلي التي يمكن للشركات التقاطها والتي قد تفوتها خلاف ذلك؟
تتخذ العديد من المنظمات قرارات حيوية دون رؤية مستمرة لما يحدث عبر عملياتها المادية. قد يعرفون كمية المخزون لديهم أو متى تم جدولة الشحنة، لكنهم غالبًا ما يفتقرون إلى رؤية كيفية أداء الأصول والمعدات والعمليات بالفعل يومًا بيوم.
من خلال نشر الحساسات عبر الأساطيل والمنشآت والمعدات وسلسلة التوريد، يمكن للمنظمات تحديد عرقلة العمل، وتتبع استخدام الأصول، ومراقبة حركة المخزون، وفهم كيفية تأثير الظروف في العالم الحقيقي على الأداء.
على سبيل المثال، قد يعرف تاجر التجزئة وصول المخزون إلى مركز التوزيع وأنه تم تسليمه في النهاية إلى المتجر، لكنه قد لا يدرك أن رفوف معينة تقضي بانتظام عدة أيام إضافية في منطقة التوقف قبل التحرك إلى أسفل. بدون بيانات الحساسات، يبقى هذا التأخير في الغالب غير مرئي. مع إنترنت الأشياء، يصبح قابلاً للقياس والعمل عليه – مما يسمح للفرق بتحديد السبب الجذري، وتحسين تدفق المخزون، وتقليل مشاكل توافر المخزون.
كيف تختلف البيانات التي تم توليدها بواسطة إنترنت الأشياء عن البيانات التقليدية للشركات عند تدريب أو تعديل أو تثبيت أنظمة الذكاء الاصطناعي؟
البيانات التقليدية للشركات غالبًا ما تكون معاملاتية وتاريخية، وتسجل الأحداث التي حدثت بالفعل، مثل الطلبات أو الفواتير أو سجلات المخزون أو العمليات التجارية المكتملة. بينما هذه المعلومات قيمة، فإنها تعكس في الغالب صورة من الماضي. ومع تحرك الأسواق بأسرع مماเคย، ما حدث في الموسم الماضي قد لا يخبرك بmuch عن هذا.
البيانات التي تم توليدها بواسطة إنترنت الأشياء مختلفة لأنها تسجل ما يحدث في الوقت الفعلي. توفر رؤية مستمرة لموقع الأصل وحركته واستخدامه و الظروف البيئية والإشارات التشغيلية الأخرى التي لا تتوفر عادة في الأنظمة التجارية التقليدية.
لهذه الفروق أهمية لطلبات الذكاء الاصطناعي. تساعد البيانات التاريخية في تفسير ما حدث، بينما تساعد بيانات إنترنت الأشياء في تحديد ما يحدث الآن. عندما تجمع المنظمات بينهما، يمكنها تثبيت أنظمة الذكاء الاصطناعي في الحقائق التشغيلية الحالية، مما يخلق رؤى أكثر دقة وتمكين اتخاذ قرارات أسرع وأكثر إطلاعا.
تؤكد ديجيتال ماتر على أجهزة منخفضة الطاقة ومتينة مصممة للتعقب على المدى الطويل ومراقبة الحساسات. ما هي أكبر التحديات الفنية في الحفاظ على أجهزة إنترنت الأشياء لإنتاج بيانات موثوقة لسنوات في بيئات معقدة؟
تُ نشر أجهزة إنترنت الأشياء غالبًا في بيئات يصعب التنبؤ بها وأصعب التحكم فيها. قد تقضي جهاز واحد سنوات في التنقل بين المنشآت والمركبات ومواقع العملاء والمواقع النائية و المناطق ذات الاتصال غير المستقر.
أحد أكبر التحديات هو موازنة الرؤية مع استهلاك الطاقة. كلما زادت وتيرة جمع البيانات ونقلها، زادت الطاقة المستهلكة. تصميم الأجهزة التي يمكنها التقاط الأحداث الهامة بذكاء وتكيف مع ظروف التشغيل المتغيرة وتحقيق أقصى عمر للبطارية على مدى سنوات عديدة هو حاسم لتقديم بيانات موثوقة على نطاق واسع.
المتانة مهمة بنفس القدر. يجب أن تتحمل الأجهزة الاهتزاز والصدم والانخفاضات في درجة الحرارة والرطوبة وسنوات من الاستخدام اليومي مع الاستمرار في الأداء بشكل متسق مع القليل من الصيانة أو بدونها. حتى معدل الفشل الصغير يمكن أن يصبح تحديًا تشغيليًا كبيرًا عندما تتوسع التوزيعات إلى آلاف أو عشرات الآلاف من الأجهزة.
كيف يمكن للذكاء الاصطناعي مساعدة الشركات على الانتقال من مجرد تتبع موقع الأصل إلى توقع الفشل وتحسين المسارات وتقليل الفاقد وتحسين الاستخدام؟
معرفة موقع الأصل مهم، لكن الموقع وحده يخبر جزءًا فقط من القصة. الفرصة الحقيقية تأتي من فهم كيفية استخدام الأصول بمرور الوقت وتحديد الأنماط التي من الصعب رؤيتها يدويا. عندما تجمع المنظمات بيانات إنترنت الأشياء مع الذكاء الاصطناعي، تتجاوز مجرد الاستجابة للأحداث وتبدأ في توقعها.
من خلال تحليل الاتجاهات في الحركة والاستخدام ووقت التأخير والظروف البيئية والبيانات التشغيلية الأخرى، يمكن للذكاء الاصطناعي مساعدة في تحديد العيوب وتوقع المشاكل المحتملة و إظهار فرص التحسين. يمكن أن يؤدي ذلك إلى أفضل استخدام للأصول، وعمليات أكثر كفاءة، وفاقد أقل، و اتخاذ قرارات أسرع. القيمة ليست فقط في معرفة موقع الأصل اليوم، ولكن في استخدام البيانات التي ينتجها لاتخاذ قرارات أكثر ذكاء حول ما يحدث بعد ذلك.
في صناعات مثل اللوجستيات وسلسلة البرودة والرعاية الصحية والبناء وإدارة المعدات، أين ترى الفرص القوية في المدى القصير لدمج بيانات إنترنت الأشياء مع الذكاء الاصطناعي؟
الفرص القوية موجودة في الصناعات التي تدير حجمًا كبيرًا من الأصول الموزعة عبر عمليات معقدة، وهذا هو السبب في أن اللوجستيات وسلسلة البرودة والرعاية الصحية والبناء وإدارة المعدات تناسب هذا النمط.
وهذا ليس نظريًا. الشركات الكبيرة، من تجار التجزئة الرئيسيين إلى الشركات المصنعة للسيارات وشركات تصنيع المعدات الثقيلة، تقوم بالفعل بتنفيذ هذه الاستراتيجية، وهذا هو السبب في أنها تقوم بتحقيق استثمارات كبيرة في إنترنت الأشياء. يتم توجيهها بشكل متزايد من قبل مجالس إدارتها ليس بالسؤال عما إذا كانوا يستخدمون الذكاء الاصطناعي، بل يسألون من أين يأتي القيمة التجارية القابلة للقياس، والجواب هو تشغيلي: تحسين الإنتاجية، وتقليل حوادث الجودة، وتحسين التسليم في الوقت المناسب، وتجربة العملاء الأفضل.
عندما تنشر الشركات المزيد من الحساسات والأجهزة المتصلة، كيف يجب أن يفكروا في جودة البيانات وثبات الإشارة والأمان والحوكمة عند معاملة بيانات إنترنت الأشياء كأصل استراتيجي للذكاء الاصطناعي؟
نماذج الذكاء الاصطناعي جيدة مثل البيانات التي تقوم عليها. المنظمات تميل إلى التركيز على جمع المزيد من البيانات، ولكن إذا كانت هذه البيانات غير كاملة أو غير متسقة أو غير موثوقة، فإن رؤى الذكاء الاصطناعي ستكون كذلك أيضًا. هذا هو مشكلة “النفايات داخل والنفايات خارج” الكلاسيكية، وفي نطاق الشركات يصبح خطأ باهظًا.
لهذا السبب، يجب أن تكون جودة البيانات أولوية منذ اليوم الأول. المنظمات تحتاج إلى الثقة في أن البيانات يتم جمعها بشكل متسق وتنقل بشكل آمن وتعكس بدقة ما يحدث في العالم المادي، مع حوكمة واضحة حول مصدر البيانات وكيفية إدارتها وكيفية تفسيرها.
في النهاية، القيمة ليست في توليد المزيد من البيانات، بل في توليد بيانات موثوقة وذات جودة عالية يمكن أن تكون أساسًا موثوقًا لاتخاذ القرارات.
对于 الشركات التي لديها بالفعل توزيعات إنترنت الأشياء، ما هي الخطوات التي يجب أن يتبعوها لجعل هذه البيانات أكثر قابلية للاستخدام لتطبيقات الذكاء الاصطناعي؟
الخطوة الأولى هي البدء بالمشكلة التجارية، وليس بالذكاء الاصطناعي. بمجرد وضوح الهدف، سواء كان تقليل وقت التأخير أو تحسين الاستخدام أو تقليص الخسائر، يصبح من الأسهل تحديد البيانات والعمليات والقدرات التي تحتاجها لدعمه. العديد من المنظمات تقوم بالفعل بجمع كميات هائلة من البيانات التشغيلية، ولكنها تقع في أنظمة غير متصلة وأبدًا لا تصل إلى قرار.
الخطوة الثانية هي التي يقلل منها معظم الشركات، وهي إدارة التغيير. النشرات الموزعة على نطاق واسع نادرًا ما تفشل بسبب التكنولوجيا. تفشل عندما لا يتصرف الناس بما يخبرهم به البيانات. إنذارًا بأن منطقة التوقف تحتاج إلى إعادة تخزين يخلق قيمة فقط إذا نقل شخص ما المخزون، لذا فإن بناء العمليات وال习وات التي تربط بين الرؤى والعمل هو الجزء الأصعب والأكثر أهمية من العمل.
في النهاية، الشركات التي ترى نجاحًا أكبر هي تلك التي تربط البيانات التشغيلية بالنتائج التجارية القابلة للقياس وتضمن أن يعتمد موظفيها عليها.
متطلعًا إلى المستقبل، هل تعتقد أن الذكاء التشغيلي المملوك سيكون أحد أكبر الحواجز التي تفصل قادة الذكاء الاصطناعي عن الشركات التي تستخدم نفس الأدوات مثل الجميع؟
نعم. مع توفر الذكاء الاصطناعي على نطاق واسع، تصبح التكنولوجيا وحدها أقل تمييزًا.
المنظمات التي تبرز ستكون تلك التي تولد ذكاءً تشغيليًا فريدًا من بيئاتها الخاصة و تستخدمه لاتخاذ قرارات أفضل. في العديد من الصناعات، لا يزال بعض المعلومات الأكثر قيمة موجودًا في العالم المادي، عبر الأصول والمعدات والمخزون وسلسلة التوريد – ولا يمكن شراءه أو حصوله عليه أو تكراره من قبل منافس.
الشركات التي يمكنها التقاط هذه المعلومات وفهمها والعمل بموجبها بانتظام ستكون في وضع أقوى من تلك التي تعتمد فقط على نفس الأدوات ومجموعات البيانات مثل الجميع.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا ديجيتال ماتر.
