Ilan Gluck, Head of Go-to-Market, Severní Amerika ve společnosti Digital Matter – Interview Series

Ilan Gluck, Head of Go-to-Market, Severní Amerika ve společnosti Digital Matter, je zkušený technologický a komerční lídr s pozadím v oblasti Internetu věcí (IoT), umělé inteligence, technologie dodavatelského řetězce, datové analytiky a firemní strategie. Předtím, než se připojil k Digital Matter, strávil více než pět let u Cox 2M a GearTrack, kde působil jako generální manažer a hlavní obchodní důstojník a pomáhal rozvíjet řešení pro sledování aktiv a viditelnost dodavatelského řetězce v reálném čase. Dříve byl Gluck generálním manažerem ve společnosti Wasteless AI, kde pracoval na technologii dynamického cenového stanovení s umělou inteligencí, která měla pomoci maloobchodníkům s potravinami snížit plýtvání, a zastával seniorní produktové a komerční role ve společnosti WeissBeerger, společnosti pro IoT a datové analytiky, kterou získala společnost AB InBev. Svou kariéru začal ve strategii a operacích ve společnosti Deloitte Consulting, což mu dalo kombinaci produktových, komerčních a strategických zkušeností v oblasti vznikajících technologií.

Digital Matter je globální společnost pro IoT hardware, specializující se na sledování aktiv s dlouhou životností, monitorování senzorů a telematická řešení. Společnost vyvíjí odolná, nízkoenergetická připojená zařízení navržená pro nasazení v oblastech, jako je logistika, sledování vozidel a vybavení, monitorování dodavatelského řetězce, zemědělství a environmentální aplikace, s miliony zařízení nasazených po celém světě. Jejich hardware podporuje řadu technologií pro určování polohy a připojení, včetně globálního navigačního satelitního systému (GNSS), Wi-Fi polohování, Bluetooth Low Energy (BLE), mobilní IoT, LoRaWAN a satelitní připojení. Digital Matter také poskytuje cloudovou platformu Device Manager, která umožňuje zákazníkům a partnerům vzdáleně konfigurovat, monitorovat, zřizovat a spravovat připojená zařízení ve velkém měřítku.

Předtím, než jste se připojil k Digital Matter, jste pracoval u GearTrack, Wasteless AI a WeissBeerger, kde se využívaly data z reálného provozu k zlepšení dodavatelského řetězce, snížení plýtvání a lepšího obchodního rozhodování. Jak tato zkušenost ovlivnila váš pohled na IoT jako základnu pro firemní AI?

Při práci u GearTrack, Wasteless AI a WeissBeerger jsem viděl na vlastní oči, že nejlepší technologie je pouze tak dobrá, jako jsou data, která za ní stojí.

Každá společnost řešila jiný problém, ale společným jmenovatelem bylo využití informací z fyzického světa v reálném čase k lepšímu rozhodování. To mohlo znamenat pochopení, kde se nachází inventář, identifikaci plýtvání předtím, než k němu dojde, nebo pomoc firmě reagovat rychleji na to, co se mění na místě.

Tyto zkušenosti opravdu ovlivnily, jak přemýšlím o IoT a AI. Velké množství cenných provozních informací stále není zachyceno v tradičních firemních systémech. Existuje napříč vozidly, vybavením, inventářem, zařízeními a dodavatelskými řetězci. IoT je to, co promění fyzickou aktivitu na využitelná data.

Pro mě to činí IoT kritickou základnou pro firemní AI. Poskytuje AI jasnější a aktuálnější obraz o tom, jak firma skutečně funguje. Místo toho, aby se pouze ohlížela zpět na historické zprávy, mohou firmy začít identifikovat vzorce, předpovídat problémy a dělat lepší rozhodnutí v reálném čase.

Mnohé společnosti školí modely AI na stejných veřejných datech jako jejich konkurenti. Proč si myslíte, že proprietární provozní data se stávají důležitějším zdrojem diferenciace AI?

Stejné údaje dovnitř, stejné poznatky ven. Jakmile se přístup k modelům AI stane více dostupným, samotné modely se stávají komoditou, přičemž skutečným diferenciátorem je kvalita, jedinečnost a relevance dat, která je krmit.

Pokud všichni používají stejné nástroje, školené na stejných veřejných, třetích nebo historických datech, všichni dospějí k přibližně stejným závěrům.

Vezměme si dva konkurenční maloobchodníky, kteří používají stejnou platformu AI, předpovědi trhu a historická data o poptávce. Pokud jeden z nich nasadil IoT senzory napříč svými sklady, vozidly, paletami a vybavením, nepřetržitě krmit svá data AI – informace z fyzického světa o pohybu inventáře, době čekání, využití aktiv, uzlech a provozních poruchách. Jeho AI se neučí pouze z toho, co se stalo minulý kvartál. Naučí se z toho, co se děje napříč firmou právě teď.

Časem se to vyvíjí v reálnou výhodu. Jeho AI se nespoléhá pouze na historické trendy nebo třetí strany. Učí se z vlastních operací v reálném čase, vytváří zdroj inteligence, který konkurenti nemohou koupit, vyškrábat nebo replikovat.

Když jsou senzory nasazeny napříč vozidly, zařízeními, vybavením a dodavatelskými řetězci, jaké typy provozních informací mohou firmy zachytit, které by jinak minuly?

Mnohé organizace činí kritická rozhodnutí bez nepřetržité viditelnosti toho, co se děje napříč jejich fyzickými operacemi. Mohou vědět, kolik inventáře mají, nebo kdy byla expedice naplánována k příjezdu, ale často postrádají vhled do toho, jak aktiva, vybavení a pracovní postupy skutečně fungují den ze dne.

Při nasazení senzorů napříč vozidly, zařízeními, vybavením a dodavatelskými řetězci mohou organizace identifikovat uzly, sledovat využití aktiv, monitorovat pohyb inventáře a pochopit, jak reálné podmínky ovlivňují výkon.

například maloobchodník může vědět, že inventář dorazil do distribučního centra a byl nakonec dodán do obchodu, ale nemusí si uvědomit, že certain palety trvale stráví několik dní v čekací zóně, než se přesunou dále. Bez dat z IoT zůstane tato zpoždění z velké části neviditelná. S IoT se stává měřitelnou a akční – umožňuje týmům identifikovat kořenovou příčinu, zlepšit tok inventáře a snížit problémy se skladovou dostupností.

Jak se data generovaná IoT liší od tradičních firemních dat, pokud jde o školení, jemné ladění nebo zakotvení systémů AI?

Tradiční firemní data jsou často transakční a historická, zachycující události, které již nastaly, jako objednávky, faktury, záznamy o inventáři nebo dokončené obchodní procesy. Ačkoli je tato informace cenná, odráží především snímek minulosti. A s trhy, které se pohybují rychleji než kdykoli předtím, to, co se stalo minulou sezónu, vám nemusí říci mnoho o této sezóně.

Data generovaná IoT jsou jiná, protože zachycují, co se děje v reálném čase. Poskytují nepřetržitý vhled do umístění aktiv, pohybu, využití, podmínek prostředí a dalších provozních signálů, které nejsou obvykle dostupné v tradičních firemních systémech.

Pro aplikace AI je toto rozlišení důležité. Historická data pomáhají vysvětlit, co se stalo, zatímco data IoT pomáhají stanovit, co se děje právě teď. Když organizace kombinují obě, mohou zakotvit systémy AI v aktuálních provozních realitách, vytvářet přesnější vhledy a umožňovat rychlejší a informovanější rozhodování.

Digital Matter zdůrazňuje nízkoenergetická, odolná zařízení postavená pro dlouhodobé sledování aktiv a monitorování senzorů. Jaké jsou největší technické výzvy při zajišťování, aby IoT zařízení spolehlivě generovala data po mnoho let v komplexních prostředích?

IoT zařízení jsou často nasazena v prostředích, která jsou obtížná předpovědět a ještě obtížnější ovládat. Jedno zařízení může strávit roky pohybem mezi zařízeními, vozidly, zákaznickými místy, vzdálenými lokalitami a oblastmi se špatnou konektivitou.

Jedním z největších výzev je vyvážení viditelnosti s spotřebou energie. Čím častěji zařízení shromažďuje a přenáší data, tím více energie spotřebuje. Navrhování zařízení, která mohou inteligentně zachytit významné události, přizpůsobit se měnícím se provozním podmínkám a maximalizovat životnost baterie po mnoho let, je kritické pro poskytování spolehlivých dat ve velkém měřítku.

Odolnost je stejně důležitá. Zařízení musí vydržet vibrace, nárazy, kolísání teplot, vlhkost a roky denního používání, zatímco pokračují v konzistentním výkonu s minimální nebo žádnou údržbou. I malá míra selhání může se stát významnou provozní výzvou, když nasazení dosáhne tisíce nebo desítek tisíc zařízení.

Jak může AI pomoci firmám jít za hranice pouhého sledování, kde se aktiva nachází, směrem k předpovídání selhání, optimalizaci tras, snížení plýtvání nebo zlepšení využití?

Vědět, kde se aktiva nachází, je důležité, ale umístění samo o sobě vypráví pouze část příběhu. Skutečná příležitost spočívá ve理解u, jak aktiva jsou využívána v průběhu času a identifikaci vzorců, které by byly obtížně zjistitelné ručně. Když organizace kombinují data IoT s AI, přecházejí od pouhé reakce na události k jejich předpovídání.

Při analýze trendů v pohybu, využití, době čekání, podmínkách prostředí a dalších provozních datech může AI pomoci identifikovat neefektivitu, předpovědět potenciální problémy a odhalit příležitosti ke zlepšení. To může vést k lepšímu využití aktiv, efektivnějším operacím, snížení plýtvání a rychlejšímu rozhodování. Hodnota spočívá nejen v tom, vědět, kde se aktiva nachází dnes, ale také v tom, že data, která generují, jsou použita pro učiněná lepší rozhodnutí o tom, co se stane příště.

V odvětvích, jako je logistika, studený řetězec, zdravotnictví, stavebnictví nebo správa zařízení, kde vidíte největší příležitosti pro kombinování dat IoT s AI v blízké budoucnosti?

Největší příležitosti jsou v odvětvích, která spravují obrovské množství distribuovaných aktiv napříč komplexními operacemi, což je důvod, proč logistika, studený řetězec, zdravotnictví, stavebnictví a správa zařízení všechny odpovídají tomuto profilu.

A to není teoretické. Velké podniky, od významných maloobchodníků po automobilové OEM a těžká stavební zařízení, již realizují tuto strategii, což je přesně důvod, proč činí významné investice do IoT. Stále více jejich rad se již neptá, zda používají AI. Ptají se, odkud pocházejí měřitelné obchodní hodnoty, a odpovědi jsou provozní: zlepšená propustnost, méně kvalitních incidentů, lepší dodání včas a lepší zákaznický zážitek.

V blízké budoucnosti přinese největší hodnotu pomoc organizacím učinit lepší provozní rozhodnutí pomocí aktivity, kterou již generují každý den, ale dosud nemohly plně zachytit nebo využít.

Jak by měly firmy uvažovat o kvalitě dat, spolehlivosti signálu, zabezpečení a správě, když zacházejí s daty IoT jako se strategickým aktivem AI?

Modely AI jsou pouze tak dobré, jako jsou data pod nimi. Organizace se tendenci zaměřovat na shromažďování více dat, ale pokud tato data jsou neúplná, nekonzistentní nebo nespolehlivá, vhledy AI budou také. Je to klasický problém “špatná data, špatné poznatky”, a ve firemním měřítku se stává drahým omylem.

To je důvod, proč kvalita dat musí být prioritou od samého začátku. Organizace potřebují mít jistotu, že data jsou shromažďována konzistentně, přenášena zabezpečeně a přesně odráží, co se děje ve fyzickém světě, spolu s jasnou správou toho, odkud data pocházejí, jak jsou spravována a jak by měla být interpretována.

V konečném důsledku není hodnota v generování více dat, ale v generování důvěryhodných, vysoce kvalitních dat, která mohou sloužit jako spolehlivá základna pro rozhodování.

Pro firmy, které již mají nasazená IoT řešení, jaké kroky by měly podniknout, aby tato data učinila více využitelná pro aplikace AI?

Prvním krokem je začít s obchodním problémem, ne s AI. Jakmile je cíl jasný, ať už se jedná o snížení doby čekání, zlepšení využití nebo snížení ztrát, stává se mnohem jednodušší identifikovat data, pracovní postupy a schopnosti AI, které jsou potřebné k jeho podpoře. Mnohé organizace již shromažďují enormní množství provozních dat, ale tato data zůstávají v nesouvisejících systémech a nikdy se nedostanou do rozhodnutí.

Druhým krokem je ten, který většina firem podceňuje, a to je změna řízení. Nasazení ve velkém měřítku zřídka selhávají kvůli technologii. Selhávají, když lidé nekonají podle toho, co jim data říkají. Upozornění, že sklad je nedostatečně zásoben, pouze vytváří hodnotu, pokud někdo skutečně přemístí inventář, takže budování procesů a návyků, které spojují vhledy s akcemi, je nejobtížnější a nejdůležitější částí práce.

V konečném důsledku jsou firmy, které vidí největší úspěch, ty, které spojují provozní data s měřitelnými obchodními výsledky a zajišťují, aby jejich lidé je využívali.

Předpokládáte, že proprietární provozní inteligence se stane jednou z největších bariér, které oddělí lídry AI od firem, které používají stejné nástroje jako všichni ostatní?

Ano. Jakmile se AI stane více dostupnou, technologie samotná se stává méně diferencovaným faktorem.

Firmy, které vynikají, budou ty, které generují jedinečnou provozní inteligenci ze svých vlastních prostředí a používají ji k lepšímu rozhodování. Ve mnoha odvětvích je stále většina cenných informací ve fyzickém světě, napříč aktivy, vybavením, inventářem a dodavatelskými řetězci – a tyto informace nelze koupit, vyškrábat nebo replikovat konkurentem.

Firmy, které mohou konzistentně zachytit, pochopit a jednat podle těchto informací, budou ve mnohem silnější pozici než ty, které se spoléhají pouze na stejné nástroje a datové sady jako všichni ostatní.

Děkujeme za skvělý rozhovor, čtenáři, kteří si chtějí dozvědět více, by měli navštívit Digital Matter.