Ilan Gluck, Digital Matterin Go-to-Market -johtaja, Pohjois-Amerikka – Haastattelusarja

Ilan Gluck, Digital Matterin Go-to-Market -johtaja, Pohjois-Amerikka, on kokenut teknologia- ja liiketoimintajohtaja, jolla on tausta Internet of Things (IoT), tekoäly, supply chain -teknologia, data-analytiikka ja yritysstrategia. Ennen liittymistään Digital Matteriin, hän työskenteli yli viisi vuotta Cox 2M:llä ja GearTrackilla, toimien yleispäällikkönä ja liikevaihtopäällikkönä ja edistiä real-time -varastojen seurantaa ja supply chain -näkyvyyttä. Aikaisemmin Gluck toimi Wasteless AI:ssa, jossa hän työskenteli tekoälypohjaisen dynaamisen hinnoitteluteknologian parissa, jonka tavoitteena oli auttaa elintarvikkeiden vähentämistä, ja hänellä oli myös johtavat tuote- ja liiketoimintarooleja WeissBeergerissä, IoT- ja data-analytiikkayrityksessä, jonka AB InBev hankki. Hän aloitti uransa strategia- ja operaatiokonsulttina Deloitten konsulttina, mikä antoi hänelle yhdistelmän tuote-, kaupallistamis- ja strategista kokemusta uusista teknologioista.

Digital Matter on globaali IoT-laitteiden valmistaja, joka erikoistuu pitkäaikaiseen varastojen seurantaan, anturien valvontaan ja telematiikkaratkaisuihin. Yritys kehittää kestäviä, matalatehoisia yhdistettyjä laitteita, jotka on suunniteltu käytettäväksi logistiikassa, laivastojen ja laitteiden seurannassa, supply chain -seurannassa, maataloudessa ja ympäristösovelluksissa, joissa on miljoonia laitteita käytössä maailmanlaajuisesti. Sen laitteet tukevat useita sijainti- ja yhteydenpitoa teknologioita, kuten Global Navigation Satellite System (GNSS), Wi-Fi-sijaintia, Bluetooth Low Energy (BLE), cellular IoT, LoRaWAN ja satelliittiyhteyttä. Digital Matter tarjoaa myös pilvipohjaisen laitteiden hallintaplatformin, joka mahdollistaa asiakkaiden ja kumppaneiden etäkonfiguraation, seurannan, valmistelun ja laitteiden hallinnan suuressa mittakaavassa.

Ennen liittymistäsi Digital Matteriin, työskentelit GearTrackilla, Wasteless AI:lla ja WeissBeergerissä, joissa käytettiin real-time -operaatiotietoja parantamaan supply chain -toimintoja, vähentämään hävikkiä ja luomaan parempia liiketoimintapäätöksiä. Miten tämä kokemus on muovannut näkemyksesi IoT:sta yritysten tekoälyperustana?

GearTrackin, Wasteless AI:n ja WeissBeergerin kautta näin ensimmäisen kerran, että paras teknologia on vain yhtä hyvä kuin sen taustalla oleva data.

Kukin yritys ratkaisi eri ongelman, mutta yhteinen side oli käyttää real-time -tietoja fyysisestä maailmasta parempien päätösten tekemiseen. Se saattaa tarkoittaa ymmärtämistä, missä varasto on, tunnistamista hävikkiä ennen kuin se tapahtuu, tai auttamista yrityksessä vastaamaan nopeammin muutoksiin.

Nämä kokemukset ovat muovanneet vahvasti näkemykseni IoT:sta ja tekoälystä. Paljon arvokasta operaatiotietoa ei edelleenkään ole perinteisissä liiketoimintajärjestelmissä. Se on olemassa ajoneuvoissa, laitteissa, varastoissa, laitoksissa ja supply chain -verkoissa. IoT on se, joka muuttaa fyysistä toimintaa käytettäväksi dataksi.

Minulle se tekee IoT:sta kriittisen perustan yritysten tekoälylle. Se antaa tekoälylle selkeämmän ja ajantasaisemman kuvan siitä, miten yritys toimii todella. Sen sijaan, että yritykset vain tarkastelevat taaksepäin historiallisia raportteja, ne voivat alkaa tunnistaa kuvioita, ennakoida ongelmia ja tehdä parempia päätöksiä reaaliajassa.

Monet yritykset kouluttavat tekoälymallinsa samoilla julkisilla tietokannoilla kuin kilpailijansa. Miksi uskot, että omistettu operaatiotieto on tulevaisuudessa tärkeämpää tekoälyn erottautumiskeinoa?

Sama data sisään, samat oivallukset ulos. Tekoälymallien saatavuuden lisääntyessä mallit itse ovat yhä enemmän kuluttajatuotteita, ja todellinen erottautumiskeino on tietojen laatu, yksilöllisyys ja asiaankuuluvuus, joka syötetään niihin.

Jos kaikki käyttävät samoja työkaluja, samoja julkisia, kolmannen osapuolen tai historiallisia tietokantoja, he kaikki päätyvät samaan johtopäätökseen.

Otetaan kaksi kilpailevaa vähittäiskaupan yritystä, jotka käyttävät samaa tekoälyalustaa, markkinatilastojen ennusteita ja historiallista kysyntätietoa. Jos toisella on IoT-sensoreita varastoissaan, trailerissa, paletissa ja laitteissa, se luo jatkuvasti tekoälylle perustietoa – reaaliaikaisia tietoja varastoliikkeistä, odottamisajoista, laitteiden käytöstä, pullonkauloista ja operaatiivisista häiriöistä. Sen tekoäly ei opi vain siitä, mitä tapahtui viime neljännesvuoden aikana. Se oppii jatkuvasti siitä, mitä tapahtuu yrityksessä juuri nyt.

Ajan myötä se muodostuu todelliseksi etuoikeudeksi. Sen tekoäly ei riipu pelkästään historiallisista trendeistä tai kolmannen osapuolen vertailuista. Se oppii yrityksen omista operaatioista reaaliajassa, luoden älykkyyden lähteen, jota kilpailijat eivät voi ostaa, kerätä tai replikoida.

Kun sensoreita käytetään laivastoissa, laitoksissa, laitteissa ja supply chain -verkoissa, mitä operaatiotietoa yritykset voivat kerätä, jota muuten menettäisivät?

Monet organisaatiot tekevät kriittisiä päätöksiä ilman jatkuvaa näkyvyyttä siitä, mitä tapahtuu heidän fyysisten operaatioidensa aikana. He saattavat tietää, kuinka paljon varastoa heillä on tai milloin toimitus on suunniteltu saapuvaksi, mutta usein heillä ei ole näkyvyyttä siitä, miten varastot, laitteet ja työnkulut toimivat todella päivittäin.

Sensoreiden käytön avulla laivastoissa, laitoksissa, laitteissa ja supply chain -verkoissa organisaatiot voivat tunnistaa pullonkaulat, seurata laitteiden käyttöä, seurata varastoliikkeitä ja ymmärtää, miten todelliset olosuhteet vaikuttavat suorituskykyyn.

Esimerkiksi vähittäiskaupan yritys saattaa tietää, että varastoa on saapunut jakelukeskukseen ja lopulta toimitettu myymälään, mutta ei välttämättä tajua, että tiettyjen palettien viivästystä useita päivää varastointialueella ennen siirtymistä eteenpäin. Ilman IoT-dataa viivästys pysyy suurelta osin näkymättömänä. IoT:n avulla se muuttuu mitattavaksi ja toiminnalliseksi – mahdollistaen tiimien tunnistaa syy, parantaa varastoliikkeitä ja vähentää varastotilanteiden ongelmat.

Miten IoT:n tuottama data eroaa perinteisestä yritysten datasta, kun on kyse tekoälyjärjestelmien kouluttamisesta, hienosäätämisestä tai perustamisesta?

Perinteinen yritysten data on usein transaktionaalista ja historiallista, ja se sisältää tapahtumia, jotka ovat jo tapahtuneet, kuten tilaukset, laskut, varastotiedot tai valmistuneet liiketoimintaprosessit. Vaikka tämä tieto on arvokasta, se heijastaa pääasiassa menneisyyttä. Ja kun markkinat liikkuvat nopeammin kuin koskaan aiemmin, se, mitä tapahtui viime kaudella, ei välttämättä kerro paljonkaan tämän kauden tapahtumista.

IoT:n tuottama data on erilainen, koska se sisältää tietoa siitä, mitä tapahtuu reaaliajassa. Se tarjoaa jatkuvan näkyvyyden siitä, missä varastoa on, miten laitteet liikkuvat, miten ne käytetään, mitkä ovat ympäristöolosuhteet ja muut operaatiot, joita perinteisissä yritysjärjestelmissä ei yleensä ole.

Tekoälysovelluksissa tämä ero on tärkeä. Historiallinen data auttaa selittämään, mitä tapahtui, kun taas IoT:n data auttaa ymmärtämään, mitä tapahtuu nyt. Kun organisaatiot yhdistävät nämä kaksi, ne voivat perustaa tekoälyjärjestelmät nykyisiin operaatiivisiin todellisuuksiin, luoden tarkempia oivalluksia ja mahdollistaen nopeamman ja perustellumman päätöksenteon.

Digital Matter korostaa matalatehoisia, kestäviä laitteita, jotka on suunniteltu pitkäaikaiseen varastojen seurantaan ja anturien valvontaan. Mitkä ovat suurimmat tekniset haasteet IoT-laitteiden luotettavassa toiminnassa useiden vuosien ajan monimutkaisissa ympäristöissä?

IoT-laitteet ovat usein käytössä ympäristöissä, jotka ovat vaikeita ennustaa ja vielä vaikeampia hallita. Yksittäinen laite voi viettää vuosia liikkuessaan laitoksissa, ajoneuvoissa, asiakaspaikoissa, etäpaikoissa ja alueilla, joissa yhteydenpito on epävakaa.

Yksi suurimmista haasteista on näkyvyyden ja energiankulutuksen tasapainottaminen. Mitä useammin laite kerää ja lähettää dataa, sitä enemmän se kuluttaa energiaa. Laitteiden suunnittelu, joka voi kerätä merkityksellisiä tapahtumia, sopeutua muuttuviin toimintolosuhteisiin ja maksimoida akun kestoa useiden vuosien ajan, on kriittistä luotettavan datan toimittamiseksi suuressa mittakaavassa.

Kestävyys on yhtä tärkeää. Laitteiden on kestettävä tärinää, iskuja, lämpötilan vaihteluita, kosteutta ja vuosien päivittäistä käyttöä ilman merkittävää huoltotoimenpiteiden tarvetta. Vaikka pienikin virheluokka voi muodostua merkittäväksi operaatiiviseksi haasteeksi, kun otetaan huomioon tuhansien tai kymmenien tuhansien laitteiden käyttöönotto.

Miten tekoäly voi auttaa yrityksiä siirtymään yksinkertaisesta varastojen seurannasta ennustamaan virheitä, optimoimaan reittejä, vähentämään hävikkiä tai parantamaan käyttöä?

Tietää, missä varasto on, on tärkeää, mutta sijainti yksinään kertoo vain osan tarinasta. Todellinen mahdollisuus on ymmärtää, miten varastot ovat käytössä ajan myötä ja tunnistaa kuviot, jotka olisivat vaikeita havaita manuaalisesti. Kun organisaatiot yhdistävät IoT:n datan tekoälyyn, ne siirtyvät yksinkertaisesta reagoinnista tapahtumiin ja alkavat ennustaa niitä.

Analysoimalla liikkeen, käytön, odottamisajan, ympäristöolosuhteiden ja muiden operaatiotietojen trendejä tekoäly voi auttaa tunnistamaan tehokkuutta, ennustamaan potentiaalisia ongelmia ja tarjota parannusmahdollisuuksia. Se voi johtaa parempaan varastojen käyttöön, tehokkaampiin operaatioihin, vähemmän hävikkiin ja nopeampiin päätöksiin. Arvo ei ole vain siinä, missä varasto on tänään, vaan käyttää sitä dataa, jonka se tuottaa, tekemään viisaita päätöksiä siitä, mitä tapahtuu seuraavaksi.

Missä aloissa, kuten logistiikassa, kylmäketjussa, terveydenhuollossa, rakennusala ja laitteiden hallinnassa, näet vahvimmat lähiaikaiset mahdollisuudet yhdistää IoT:n dataa tekoälyyn?

Vahvimmat mahdollisuudet ovat aloissa, jotka hallitsevat suuria määriä hajautettuja varastoja monimutkaisissa operaatioissa, miksi logistiikka, kylmäketju, terveydenhuolto, rakennusala ja laitteiden hallinta kaikki sopivat tähän profiiliin.

Ja tämä ei ole teoreettista. Suuret yritykset, suurista vähittäiskaupan yrityksistä autojen valmistajiin ja raskaan kaluston valmistajiin, ovat jo toteuttamassa tätä strategiaa, miksi he tekivät merkittäviä IoT-sijoituksia. Yhä useammin heidän hallituksensa eivät kysy enää, ovatko he käyttävät tekoälyä. He kysyvät, mistä mitattavat liiketoimintarahat tulevat, ja vastaukset ovat operaatiivisia: parannettu tuottavuus, vähemmän laadun ongelmia, parempi toimitusaika ja parempi asiakaskokemus.

Lähiaikaisesti suurin arvo tulee auttamalla organisaatioita tekemään parempia operaatiivisia päätöksiä käyttämällä toimintaa, jonka he jo tuottavat joka päivä, mutta eivät ole pystyneet täysin käyttämään.

Kun yritykset käyttävät enemmän sensoreita ja yhdistettyjä laitteita, miten heidän tulisi ajatella datan laadusta, signaalin luotettavuudesta, turvallisuudesta ja hallinnosta, kun he käsittelevät IoT:n dataa strategisena tekoälyvarana?

Tekoälymallit ovat vain yhtä hyviä kuin data, joka niiden alla on. Organisaatiot keskittyvät usein keräämään enemmän dataa, mutta jos se data on epätäydellistä, epäjohdonmukaista tai epäluotettavaa, tekoälymallien oivallukset ovat myös epäluotettavia. Se on klassinen “roska sisään, roska ulos” -ongelma, ja yritysten mittakaavassa se muodostuu kalliiksi virheeksi.

Siksi datan laatu on prioriteetti alusta alkaen. Organisaatioiden on oltava varmoja, että data kerätään johdonmukaisesti, siirretään turvallisesti ja heijastaa luotettavasti, mitä tapahtuu fyysisessä maailmassa, sekä selkeä hallinto siitä, mistä data tulee, miten se hallitaan ja miten se tulisi tulkita.

Lopulta arvo ei ole siinä, että tuotetaan enemmän dataa. Se on siinä, että tuotetaan luotettavaa, laadukasta dataa, joka voi palvella luotettavana perustana päätöksentekoon.

Yrityksille, joilla on jo IoT-käyttöönottoja, mitkä ovat seuraavat askelten, joita heidän tulisi tehdä, jotta he voisivat tehdä tämän datan käytettävämmäksi tekoälysovelluksille?

Ensimmäinen askel on aloittaa liiketoimintahaasteesta, ei tekoälystä. Kun tavoite on selvä, on helpompi tunnistaa data, työnkulut ja tekoälyominaisuudet, jotka tarvitaan sen tukemiseksi. Monet organisaatiot keräävät jo valtavasti operaatiotietoa, mutta se on eristyneissä järjestelmissä eikä koskaan pääse päätöksentekijöiden tietoisuuteen.

Toinen askel on se, jota useimmat yritykset aliarvioivat, ja se on muutosjohtaminen. Laajamittaiset käyttöönotot eivät usein epäonnistu teknologian vuoksi. Ne epäonnistuvat, kun ihmiset eivät tee mitään siitä, mitä data kertoo. Hälytys siitä, että varastointialue on alivarusteltu, luo arvoa vain, jos joku siirtää varastoa, joten prosessien ja tapojen luominen, jotka yhdistävät oivallukset toimiin, on työn vaikein ja tärkein osa.

Lopulta yritykset, jotka näkevät eniten menestystä, ovat ne, jotka yhdistävät operaatiotiedon mitattaviin liiketoimintatuloksiin ja varmistavat, että heidän ihmisensä käyttävät sitä.

Katsoen eteenpäin, uskotko, että omistettu operaatiotieto tulee olemaan yksi suurimmista esteistä, jotka erottavat tekoälyjohtajat yrityksistä, jotka käyttävät vain samoja työkaluja kuin kaikki muut?

Kyllä. Tekoälyn saatavuuden lisääntyessä teknologia itsessään muodostuu vähemmän erottautumiskeinoksi.

Organisaatiot, jotka erottautuvat, ovat ne, jotka tuottavat ainutlaatuisen operaatiotiedon omista ympäristöistään ja käyttävät sitä parempien päätösten tekemiseen. Monissa aloissa arvokkainta tietoa on edelleen fyysisessä maailmassa, varastoissa, laitteissa, varastoissa ja supply chain -verkoissa – ja sitä ei voi ostaa, kerätä tai replikoida kilpailijan toimesta.

Yritykset, jotka voivat jatkuvasti kerätä, ymmärtää ja toimia tämän tiedon perusteella, ovat paljon vahvemmassa asemassa kuin ne, jotka riippuvat ainoastaan samoista työkaluista ja tietokannoista kuin kaikki muut.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Digital Matterin sivustolla.