Ilan Gluck, Head of Go-to-Market, North America chez Digital Matter – Série d’entretiens

Ilan Gluck, Head of Go-to-Market, North America chez Digital Matter, est un dirigeant expérimenté dans les domaines de la technologie et du commerce, avec une expérience couvrant l’Internet des objets (IoT), l’intelligence artificielle, la technologie de chaîne d’approvisionnement, l’analyse de données et la stratégie d’entreprise. Avant de rejoindre Digital Matter, il a passé plus de cinq ans chez Cox 2M et GearTrack, en tant que directeur général et directeur des revenus, et a aidé à faire progresser les solutions de suivi d’actifs en temps réel et de visibilité de la chaîne d’approvisionnement. Auparavant, Gluck était directeur général chez Wasteless AI, où il a travaillé sur une technologie de tarification dynamique basée sur l’IA conçue pour aider les détaillants alimentaires à réduire les déchets, et a occupé des postes de direction chez WeissBeerger, une entreprise d’IoT et d’analyse de données acquise par AB InBev. Il a commencé sa carrière dans la stratégie et les opérations chez Deloitte Consulting, ce qui lui a donné une combinaison d’expérience en matière de produits, de commercialisation et de stratégie dans les technologies émergentes.

Digital Matter est une entreprise mondiale de matériel IoT spécialisée dans le suivi d’actifs à longue durée de vie, la surveillance de capteurs et les solutions de télémétrie. L’entreprise développe des appareils connectés robustes et à faible consommation d’énergie conçus pour des déploiements dans des domaines tels que la logistique, le suivi de flottes et d’équipements, la surveillance de la chaîne d’approvisionnement, l’agriculture et les applications environnementales, avec des millions d’appareils déployés dans le monde entier. Ses appareils prennent en charge une gamme de technologies de positionnement et de connectivité, notamment le système de navigation par satellite global (GNSS), la localisation Wi-Fi, la technologie Bluetooth Low Energy (BLE), la connectivité cellulaire IoT, LoRaWAN et la connectivité par satellite. Digital Matter propose également une plate-forme de gestion d’appareils basée sur le cloud qui permet aux clients et aux partenaires de configurer, de surveiller, de provisionner et de gérer à distance les appareils connectés à grande échelle.

Avant de rejoindre Digital Matter, vous avez travaillé chez GearTrack, Wasteless AI et WeissBeerger, où des données opérationnelles en temps réel ont été utilisées pour améliorer les chaînes d’approvisionnement, réduire les déchets et prendre de meilleures décisions commerciales. Comment cette expérience a-t-elle façonné votre vision de l’IoT en tant que fondement de l’IA d’entreprise ?

À travers GearTrack, Wasteless AI et WeissBeerger, j’ai vu de visu que la meilleure technologie n’est que aussi bonne que les données qui la sous-tendent.

Chaque entreprise résolvait un problème différent, mais le fil conducteur était l’utilisation d’informations en temps réel du monde physique pour prendre de meilleures décisions. Cela pouvait signifier comprendre où se trouvait l’inventaire, identifier les déchets avant qu’ils ne se produisent, ou aider une entreprise à réagir plus rapidement à ce qui changeait sur le terrain.

Ces expériences ont vraiment façonné ma façon de penser à l’IoT et à l’IA. Beaucoup d’informations opérationnelles précieuses ne sont toujours pas capturées dans les systèmes d’entreprise traditionnels. Elles existent à travers les véhicules, les équipements, les inventaires, les installations et les chaînes d’approvisionnement. L’IoT est ce qui transforme cette activité physique en données utilisables.

Pour moi, cela rend l’IoT un fondement critique pour l’IA d’entreprise. Cela donne à l’IA une image beaucoup plus claire et plus actuelle de la façon dont une entreprise fonctionne réellement. Au lieu de ne regarder que vers le passé, les entreprises peuvent commencer à identifier les modèles, à anticiper les problèmes et à prendre de meilleures décisions en temps réel.

De nombreuses entreprises forment des modèles d’IA à partir des mêmes jeux de données publics que leurs concurrents. Pourquoi pensez-vous que les données opérationnelles propriétaires deviennent une source de différenciation de l’IA plus importante ?

Mêmes données en entrée, mêmes insights en sortie. À mesure que l’accès aux modèles d’IA devient plus largement disponible, les modèles eux-mêmes deviennent de plus en plus des produits génériques, avec la véritable différenciation étant la qualité, l’unicité et la pertinence des données qui les alimentent.

Si tout le monde utilise les mêmes outils formés sur les mêmes jeux de données publics, tiers ou historiques, ils arrivent tous à peu près aux mêmes conclusions.

Prenons deux détaillants concurrents utilisant la même plate-forme d’IA, les mêmes prévisions de marché et les mêmes données historiques de demande. Si l’un d’eux a déployé des capteurs IoT dans ses entrepôts, remorques, palettes et équipements, il alimente en continu son IA avec des données de terrain – des informations en temps réel sur le mouvement des inventaires, les temps d’attente, l’utilisation des actifs, les goulets d’étranglement et les perturbations opérationnelles. Son IA n’apprend pas seulement ce qui s’est passé le trimestre dernier. Elle apprend en continu ce qui se passe dans l’entreprise en ce moment.

Au fil du temps, cela se traduit par un véritable avantage. Son IA ne s’appuie pas uniquement sur des tendances historiques ou des références tierces. Elle apprend de l’exploitation de l’entreprise en temps réel, créant une source d’intelligence que les concurrents ne peuvent pas acheter, gratter ou reproduire.

Lorsque des capteurs sont déployés sur des flottes, des installations, des équipements et des chaînes d’approvisionnement, quels types d’intelligence opérationnelle les entreprises peuvent-elles capter qu’elles auraient autrement manquées ?

De nombreuses organisations prennent des décisions critiques sans visibilité continue sur ce qui se passe dans leurs opérations physiques. Ils peuvent savoir combien d’inventaire ils ont ou quand une livraison était prévue, mais ils manquent souvent de compréhension de la façon dont les actifs, les équipements et les flux de travail fonctionnent réellement au jour le jour.

En déployant des capteurs sur des flottes, des installations, des équipements et des chaînes d’approvisionnement, les organisations peuvent identifier les goulets d’étranglement, suivre l’utilisation des actifs, surveiller le mouvement des inventaires et comprendre comment les conditions du monde réel affectent les performances.

Par exemple, un détaillant peut savoir que l’inventaire est arrivé dans un centre de distribution et a été livré à un magasin, mais ne pas réaliser que certaines palettes passent systématiquement plusieurs jours supplémentaires dans une zone de stockage avant de passer en aval. Sans données de capteurs, ce retard reste en grande partie invisible. Avec l’IoT, il devient mesurable et exploitable – permettant aux équipes d’identifier la cause profonde, d’améliorer le flux d’inventaire et de réduire les problèmes de disponibilité des stocks.

Comment les données générées par l’IoT diffèrent-elles des données d’entreprise traditionnelles lorsqu’il s’agit de former, d’affiner ou de fonder des systèmes d’IA ?

Les données d’entreprise traditionnelles sont souvent transactionnelles et historiques, capturant des événements qui se sont déjà produits, tels que des commandes, des factures, des dossiers d’inventaire ou des processus métier terminés. Même si ces informations sont précieuses, elles reflètent principalement un instantané du passé. Et avec des marchés qui évoluent plus rapidement que jamais, ce qui s’est passé la saison dernière ne nous dit peut-être pas grand-chose sur celle-ci.

Les données générées par l’IoT sont différentes car elles capturent ce qui se passe en temps réel. Elles fournissent une compréhension continue de l’emplacement des actifs, de leur mouvement, de leur utilisation, des conditions environnementales et d’autres signaux opérationnels qui ne sont généralement pas disponibles dans les systèmes d’entreprise traditionnels.

Pour les applications d’IA, cette distinction est importante. Les données historiques aident à expliquer ce qui s’est passé, tandis que les données de l’IoT aident à établir ce qui se passe maintenant. Lorsque les organisations combinent les deux, elles peuvent fonder les systèmes d’IA dans les réalités opérationnelles actuelles, créant ainsi des insights plus précis et permettant une prise de décision plus rapide et plus éclairée.

Digital Matter met l’accent sur des appareils à faible consommation d’énergie et robustes conçus pour le suivi d’actifs à long terme et la surveillance de capteurs. Quels sont les plus grands défis techniques pour maintenir les appareils IoT en produisant des données de manière fiable pendant des années dans des environnements complexes ?

Les appareils IoT sont souvent déployés dans des environnements difficiles à prédire et encore plus difficiles à contrôler. Un seul appareil peut passer des années à se déplacer entre les installations, les véhicules, les sites clients, les emplacements distants et les zones à connectivité inconsistante.

L’un des plus grands défis est de trouver un équilibre entre la visibilité et la consommation d’énergie. Plus un appareil collecte et transmet des données fréquemment, plus il consomme d’énergie. La conception d’appareils capables de capturer de manière intelligente des événements significatifs, de s’adapter à des conditions opérationnelles changeantes et de maximiser la durée de vie de la batterie sur plusieurs années est critique pour fournir des données fiables à grande échelle.

La durabilité est tout aussi importante. Les appareils doivent résister aux vibrations, aux impacts, aux fluctuations de température, à l’humidité et à des années d’utilisation quotidienne tout en continuant à fonctionner de manière cohérente, avec peu ou pas d’entretien. Même un faible taux de défaillance peut devenir un défi opérationnel important lorsque les déploiements sont à l’échelle de milliers ou de dizaines de milliers d’appareils.

Comment l’IA peut-elle aider les entreprises à aller au-delà du simple suivi de l’emplacement d’un actif, vers la prédiction des défaillances, l’optimisation des itinéraires, la réduction des déchets ou l’amélioration de l’utilisation ?

Savoir où se trouve un actif est important, mais la localisation seule ne raconte qu’une partie de l’histoire. La véritable opportunité vient de la compréhension de la façon dont les actifs sont utilisés au fil du temps et de l’identification de modèles qui seraient difficiles à repérer manuellement. Lorsque les organisations combinent les données de l’IoT avec l’IA, elles passent de la simple réaction aux événements à leur anticipation.

En analysant les tendances dans le mouvement, l’utilisation, le temps d’attente, les conditions environnementales et d’autres données opérationnelles, l’IA peut aider à identifier les inefficacités, à prédire les problèmes potentiels et à mettre en évidence les opportunités d’amélioration. Cela peut conduire à une meilleure utilisation des actifs, à des opérations plus efficaces, à une réduction des déchets et à une prise de décision plus rapide. La valeur ne réside pas seulement dans la connaissance de l’emplacement d’un actif aujourd’hui, mais dans l’utilisation des données qu’il génère pour prendre des décisions plus intelligentes sur ce qui se passera ensuite.

Dans des secteurs tels que la logistique, la chaîne du froid, les soins de santé, la construction ou la gestion d’équipements, où voyez-vous les plus fortes opportunités à court terme pour combiner les données de l’IoT avec l’IA ?

Les plus fortes opportunités se trouvent dans les secteurs qui gèrent d’énormes volumes d’actifs distribués à travers des opérations complexes, ce qui explique pourquoi la logistique, la chaîne du froid, les soins de santé, la construction et la gestion d’équipements correspondent tous à ce profil.

Et cela n’est pas théorique. De grandes entreprises, des détaillants majeurs aux fabricants de véhicules et d’équipements lourds, mettent déjà en œuvre cette stratégie, ce qui explique pourquoi elles font des investissements importants dans l’IoT. De plus en plus, leurs conseils d’administration ne se demandent plus s’ils utilisent l’IA, mais où vient la valeur commerciale mesurable.

Au cours de la période à venir, la plus grande valeur proviendra de l’aide apportée aux organisations pour prendre de meilleures décisions opérationnelles en utilisant l’activité qu’elles génèrent déjà chaque jour mais n’ont jamais pu pleinement capturer ou exploiter.

Lorsque les entreprises déployeront plus de capteurs et d’appareils connectés, comment devraient-elles réfléchir à la qualité des données, à la fiabilité du signal, à la sécurité et à la gouvernance lorsqu’elles traitent les données de l’IoT comme un actif stratégique d’IA ?

Les modèles d’IA ne sont que aussi bons que les données qui les sous-tendent. Les organisations ont tendance à se concentrer sur la collecte de plus de données, mais si ces données sont incomplètes, incohérentes ou peu fiables, les insights de l’IA seront également peu fiables. C’est le classique problème de “garbage in, garbage out”, et à l’échelle de l’entreprise, cela devient une erreur coûteuse.

C’est pourquoi la qualité des données doit être une priorité dès le premier jour. Les organisations doivent avoir confiance dans le fait que les données sont collectées de manière cohérente, transmises de manière sécurisée et reflètent avec précision ce qui se passe dans le monde physique, ainsi que disposer d’une gouvernance claire sur l’origine des données, leur gestion et leur interprétation.

En fin de compte, la valeur ne réside pas dans la génération de plus de données, mais dans la génération de données de haute qualité et fiables qui peuvent servir de fondement fiable pour la prise de décision.

Pour les entreprises qui ont déjà des déploiements d’IoT en place, quels sont les étapes qu’elles devraient suivre pour rendre ces données plus exploitables pour les applications d’IA ?

La première étape consiste à commencer par le problème commercial, et non par l’IA. Une fois l’objectif clair, que ce soit la réduction du temps d’attente, l’amélioration de l’utilisation ou la réduction des pertes, il devient beaucoup plus facile d’identifier les données, les flux de travail et les capacités d’IA nécessaires pour le soutenir. De nombreuses organisations collectent déjà d’énormes quantités de données opérationnelles, mais celles-ci se trouvent dans des systèmes non connectés et ne sont jamais intégrées dans une décision.

La deuxième étape est celle que la plupart des entreprises sous-estiment, à savoir la gestion du changement. Les déploiements à grande échelle échouent rarement en raison de la technologie. Ils échouent lorsque les gens ne réagissent pas à ce que les données leur disent. Une alerte indiquant qu’une zone de stockage est sous-stockée ne crée de la valeur que si quelqu’un déplace réellement l’inventaire, donc la construction de processus et d’habitudes qui relient les insights à l’action est la partie la plus difficile et la plus importante du travail.

En fin de compte, les entreprises qui réussissent le mieux sont celles qui relient les données opérationnelles aux résultats commerciaux mesurables et qui s’assurent que leurs équipes utilisent ces données.

En regardant vers l’avenir, pensez-vous que l’intelligence opérationnelle propriétaire deviendra l’un des plus grands obstacles qui sépareront les leaders de l’IA des entreprises qui utilisent simplement les mêmes outils que tout le monde ? 

Oui. À mesure que l’IA devient plus largement disponible, la technologie seule devient moins différenciatrice.

Les organisations qui se démarqueront seront celles qui génèrent une intelligence opérationnelle unique à partir de leurs propres environnements et qui l’utilisent pour prendre de meilleures décisions. Dans de nombreux secteurs, certaines des informations les plus précieuses existent encore dans le monde physique, à travers les actifs, les équipements, les inventaires et les chaînes d’approvisionnement – et elles ne peuvent pas être achetées, grattées ou reproduites par un concurrent.

Les entreprises qui peuvent constamment capter, comprendre et agir sur ces informations seront dans une position beaucoup plus forte que celles qui s’appuient uniquement sur les mêmes outils et les mêmes jeux de données que tout le monde.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Digital Matter.