Ilan Gluck, Head of Go-to-Market, Nordamerika hos Digital Matter – Interviewserie

Ilan Gluck, Head of Go-to-Market, Nordamerika hos Digital Matter, er en erfaren teknologi- og kommercielle leder med en baggrund, der spænder over Internet of Things (IoT), kunstig intelligens, supply chain-teknologi, dataanalyse og virksomhedsstrategi. Før han kom til Digital Matter, tilbragte han mere end fem år hos Cox 2M og GearTrack, hvor han fungerede som administrerende direktør og chief revenue officer og hjalp med at fremme løsninger til realtids-aktiverings- og supply chain-synlighed. Tidligere var Gluck administrerende direktør hos Wasteless AI, hvor han arbejdede med AI-drevet dynamisk prissætnings-teknologi, der var designet til at hjælpe fødevare detaljister med at reducere spild, og havde seniort produkt- og kommercielle roller hos WeissBeerger, en IoT- og dataanalyse-virksomhed, der blev opkøbt af AB InBev. Han startede sin karriere i strategi og drift hos Deloitte Consulting, hvilket gav ham en kombination af produkt-, commercialiserings- og strategisk erfaring på tværs af nye teknologier.

Digital Matter er en global IoT-hardware-virksomhed, der specialiserer sig i langtidssporing af aktiver, sensorovervågning og telematikløsninger. Virksomheden udvikler robuste, lavstrømsforbundne enheder, der er designet til installationer på områder som logistik, flåde- og udstyrs-sporing, supply chain-overvågning, landbrug og miljøapplikationer, med millioner af enheder installeret globalt. Dens hardware understøtter en række positionerings- og connectivitetsteknologier, herunder Global Navigation Satellite System (GNSS), Wi-Fi-positionering, Bluetooth Low Energy (BLE), cellulær IoT, LoRaWAN og satellitforbindelse. Digital Matter tilbyder også en cloud-baseret Device Manager-platform, der giver kunder og partnere mulighed for at konfigurere, overvåge, klargøre og administrere forbundne enheder på tværs af skalaen.

Før du kom til Digital Matter, arbejdede du på tværs af GearTrack, Wasteless AI og WeissBeerger, hvor realtidsoperationelle data blev brugt til at forbedre forsyningssystemer, reducere spild og skabe bedre kommercielle beslutninger. Hvordan har den erfaring formet din opfattelse af IoT som grundlag for virksomheds-AI?

På tværs af GearTrack, Wasteless AI og WeissBeerger så jeg førstehånds, at den bedste teknologi kun er så god som de data, den er baseret på.

Hver virksomhed løste et andet problem, men det fælles træk var at bruge realtidsinformationer fra den fysiske verden til at træffe bedre beslutninger. Det kunne indebære at forstå, hvor lagerbeholdningen var, identificere spild, før det skete, eller hjælpe en virksomhed med at reagere hurtigere på, hvad der skiftede på jorden.

De erfaringer formede virkelig, hvordan jeg tænker om IoT og AI. Meget værdifuld operationel information er stadig ikke fanget i traditionelle forretningsystemer. Den findes på tværs af køretøjer, udstyr, lagerbeholdning, faciliteter og forsyningssystemer. IoT er, hvad omdanner den fysiske aktivitet til brugbar data.

For mig gør det IoT til en kritisk grundlag for virksomheds-AI. Det giver AI en meget klarere og mere aktuel beskrivelse af, hvordan en virksomhed faktisk opererer. I stedet for kun at kigge tilbage på historiske rapporter kan virksomheder begynde at identificere mønstre, forudse problemer og træffe bedre beslutninger i realtid.

Mange virksomheder træner AI-modeller på de samme offentlige datasæt som deres konkurrenter. Hvorfor tror du, at ejendomsoperationelle data bliver en vigtigere kilde til AI-differentiering?

Samme data ind, samme indsigt ud. Da adgangen til AI-modeller bliver mere almindelig, bliver modellerne selv mere og mere en vare, og den virkelige differentiator bliver kvaliteten, unikheten og relevansen af de data, der fødes ind i dem.

Hvis alle bruger de samme værktøjer, trænet på de samme offentlige, tredjeparts- eller historiske datasæt, kommer de alle til at nå omtrent de samme konklusioner.

Tag to konkurrerende detailister, der bruger den samme AI-platform, markedsprognoser og historiske efterspørgselsdata. Hvis den ene af dem har installeret IoT-sensorer på tværs af sine lagerhuse, trailers, paletter og udstyr, føder den kontinuerligt sin AI grundsandhed-data – realtidsinformation om lagerbeholdningsbevægelse, opholdstider, aktiveringsudnyttelse, flaskehalse og operationelle afbrydelser. Dens AI lærer ikke kun af, hvad der skete sidste kvartal. Den lærer kontinuerligt af, hvad der sker i virksomheden lige nu.

Over tid kompenserer det til en reel fordel. Dens AI er ikke kun afhængig af historiske tendenser eller tredjeparts-benchmarks. Den lærer af virksomhedens egne operationer i realtid og skaber en kilde til intelligens, som konkurrenter ikke kan købe, skrabe eller replikere.

Når sensorer installeres på tværs af flåder, faciliteter, udstyr og forsyningssystemer, hvilke operationelle intelligens kan virksomheder indsamle, som de ellers ville have overset?

Mange organisationer træffer kritiske beslutninger uden kontinuerlig indsigt i, hvad der sker på tværs af deres fysiske operationer. De kan vide, hvor meget lagerbeholdning de har, eller hvornår en leverance var planlagt til at ankomme, men de mangler ofte indsigt i, hvordan aktiver, udstyr og arbejdsgange faktisk fungerer fra dag til dag.

Ved at installere sensorer på tværs af flåder, faciliteter, udstyr og forsyningssystemer kan organisationer identificere flaskehalse, spore aktiveringsudnyttelse, overvåge lagerbeholdningsbevægelse og forstå, hvordan realverdensbetingelser påvirker ydeevnen.

For eksempel kan en detailist vide, at lagerbeholdning ankom til et distributionscenter og til sidst blev leveret til en butik, men ikke være klar over, at visse paletter konsekvent bruger flere ekstra dage i en venteposition, før de flyttes nedad i forsyningskæden. Uden sensor-data forbliver den forsinkelse stort set usynlig. Med IoT bliver den målbart og kan handles – hvilket giver holdene mulighed for at identificere årsagen, forbedre lagerbeholdningsflowet og reducere problemer med lagerbeholdningstilgængelighed.

Hvordan adskiller IoT-genereret data sig fra traditionel virksomhedsdata, når det kommer til træning, finjustering eller grundlæggelse af AI-systemer?

Traditionel virksomhedsdata er ofte transaktionsbaseret og historisk, og fanger begivenheder, der allerede er sket, såsom ordrer, fakturaer, lagerbeholdningsposter eller fuldførte forretningsprocesser. Selvom den information er værdifuld, reflekterer den primært en snapshot af fortiden. Og med markedernes hastighed er, hvad der skete sidste sæson, måske ikke meget at sige om denne sæson.

IoT-genereret data er anderledes, fordi det fanger, hvad der sker i realtid. Det giver kontinuerlig indsigt i aktiveringslokation, -bevægelse, -udnyttelse, miljøbetingelser og andre operationelle signaler, som ikke typisk er tilgængelige i traditionelle virksomhedssystemer.

For AI-applikationer er den forskel vigtig. Historisk data hjælper med at forklare, hvad der skete, mens IoT-data hjælper med at etablere, hvad der sker nu. Når organisationer kombinerer de to, kan de grundlægge AI-systemer i nuværende operationelle realiteter, hvilket skaber mere præcise indsigt og muliggør hurtigere, mere informerede beslutninger.

Digital Matter lægger vægt på lavstrøms-, holdbare enheder bygget til langtidssporing af aktiver og sensorovervågning. Hvad er de største tekniske udfordringer i at holde IoT-enheder pålideligt producerende data i årevis i komplekse miljøer?

IoT-enheder installeres ofte i miljøer, der er svære at forudsige og endnu sværere at kontrollere. En enkelt enhed kan tilbringe årevis med at flytte mellem faciliteter, køretøjer, kundesites, fjerntliggende lokaliteter og områder med inkonsistent forbindelse.

En af de største udfordringer er at balancere synlighed med strømforbrug. Jo oftere en enhed indsamler og transmitterer data, jo mere energi forbruger den. At designe enheder, der kan intelligent fange meningsfulde begivenheder, tilpasse sig skiftende driftsbetingelser og maksimere batterilevetid over flere år, er kritisk for at levere pålidelig data i stor målestok.

Holdbarhed er lige så vigtig. Enhederne må kunne modstå vibration, påvirkning, temperaturfluktuationer, fugt og års dag-til-dag-brug, mens de fortsat fungerer konsekvent, med lille eller ingen vedligeholdelse. Selv en lille fejlrate kan blive en betydelig operationel udfordring, når installationer skalerer til tusinder eller titusinder af enheder.

Hvordan kan AI hjælpe virksomheder med at gå ud over blot at spore, hvor et aktiv er, og i stedet forudsige fejl, optimere ruter, reducere spild eller forbedre udnyttelse?

At vide, hvor et aktiv er, er vigtigt, men aktivers placering alene fortæller kun en del af historien. Den virkelige mulighed kommer fra at forstå, hvordan aktiver bruges over tid, og identificere mønstre, som ville være svære at spotte manuelt. Når organisationer kombinerer IoT-data med AI, går de ud over blot at reagere på begivenheder og begynder at forudsige dem.

Ved at analysere tendenser i bevægelse, udnyttelse, opholdstid, miljøbetingelser og andre operationelle data kan AI hjælpe med at identificere ineffektiver, forudsige potentielle problemer og fremhæve muligheder for forbedring. Det kan føre til bedre aktiveringsudnyttelse, mere effektive operationer, reduceret spild og hurtigere beslutninger. Værdien ligger ikke kun i at vide, hvor et aktiv er i dag, men i at bruge de data, det genererer, til at træffe klogere beslutninger om, hvad der sker herefter.

I brancher som logistik, koldkæde, sundhedsvesen, bygge- og anlægsindustri eller udstyrsstyring, hvor ser du de stærkeste nærmeste muligheder for at kombinere IoT-data med AI?

De stærkeste muligheder ligger i brancher, der styrer enorme mængder af distribuerede aktiver på tværs af komplekse operationer, hvilket er hvorfor logistik, koldkæde, sundhedsvesen, bygge- og anlægsindustri samt udstyrsstyring alle passer til profilen.

Og det er ikke teoretisk. Store virksomheder, fra store detailister til bil-OEM’er og tungt udstyr-fabrikanter, udfører allerede på denne strategi, hvilket er præcis, hvorfor de investerer massivt i IoT. Deres bestyrelser spørger ikke længere, om de bruger AI. De spørger, hvor den målbare forretningsværdi kommer fra, og svarene er operationelle: forbedret gennemløb, færre kvalitetsincidenser, bedre leveringstid og bedre kundeoplevelse.

I den nærmeste fremtid vil den største værdi komme fra at hjælpe organisationer med at træffe bedre operationelle beslutninger ved hjælp af den aktivitet, de allerede genererer hver dag, men ikke har kunnet fuldt ud fanget eller udnytte.

Når virksomheder installerer flere sensorer og forbundne enheder, hvordan bør de tænke om datakvalitet, signal-pålidelighed, sikkerhed og styring, når de behandler IoT-data som en strategisk AI-ressource?

AI-modeller er kun så gode som de data, de er baseret på. Organisationer tenderer til at fokusere på at indsamle mere data, men hvis de data er ufuldstændige, inkonsistente eller upålidelige, vil AI’ens indsigt også være det. Det er det klassiske problem med “skrald ind, skrald ud”, og på virksomhedsniveau bliver det en dyrekøbt fejl.

Derfor skal datakvalitet være en prioritet fra dag én. Organisationer skal have tillid til, at data indsamles konsekvent, transmitteres sikkert og præcist reflekterer, hvad der sker i den fysiske verden, samt have klare retningslinjer for, hvor data kommer fra, hvordan det håndteres og hvordan det skal fortolkes.

Til sidst ligger værdien ikke i at generere mere data, men i at generere troværdig, højkvalitetsdata, der kan fungere som en pålidelig grundlag for beslutninger.

For virksomheder, der allerede har IoT-installationer på plads, hvilke skridt bør de tage for at gøre data mere brugbart for AI-applikationer?

Det første skridt er at starte med forretningsproblemet, ikke AI. Når målet er klart, enten det er at reducere opholdstid, forbedre udnyttelse eller reducere tab, bliver det meget lettere at identificere de data, arbejdsgange og AI-kapaciteter, der er nødvendige for at støtte det. Mange organisationer indsamler allerede enorme mængder af operationelle data, men det sidder i ikke-tilsluttede systemer og kommer aldrig ind i en beslutning.

Det andet skridt er det, som de fleste virksomheder undervurderer, og det er ændringsstyring. Skalerede installationer fejler sjældent på grund af teknologien. De fejler, når mennesker ikke handler på, hvad data fortæller dem. En alarm, der siger, at en venteposition er underbestucket, skaber kun værdi, hvis nogen faktisk flytter lagerbeholdningen, så bygning af processer og vaner, der forbinder indsigt med handling, er det hardeste og vigtigste arbejde.

Til sidst er de virksomheder, der ser den største succes, dem, der forbinder operationelle data med målbare forretningsresultater og sikrer, at deres medarbejdere bruger det.

Settende fremad, tror du, at ejendomsoperationel intelligens vil blive en af de største barrierer, der adskiller AI-ledere fra virksomheder, der blot bruger de samme værktøjer som alle andre? 

Ja. Da AI bliver mere almindeligt tilgængeligt, bliver teknologien selv mindre af en differentiator.

De organisationer, der vil udskille sig, vil være dem, der genererer unik operationel intelligens fra deres egne miljøer og bruger det til at træffe bedre beslutninger. I mange brancher er nogle af de mest værdifulde informationer stadig til stede i den fysiske verden, på tværs af aktiver, udstyr, lagerbeholdning og forsyningssystemer – og det kan ikke købes, skrappes eller replikeres af en konkurrent.

De virksomheder, der kan fanget, forstå og handle på den information på en konsekvent måde, vil være i en meget stærkere position end dem, der kun afhænger af de samme værktøjer og datasæt som alle andre.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Digital Matter.