Ilan Gluck, Kepala Go-to-Market, Amerika Utara di Digital Matter – Seri Wawancara

Ilan Gluck, Kepala Go-to-Market, Amerika Utara di Digital Matter, adalah seorang pemimpin teknologi dan komersial berpengalaman dengan latar belakang yang meliputi Internet of Things (IoT), kecerdasan buatan, teknologi rantai pasok, analitik data, dan strategi perusahaan. Sebelum bergabung dengan Digital Matter, ia menghabiskan lebih dari lima tahun dengan Cox 2M dan GearTrack, menjabat sebagai General Manager dan Chief Revenue Officer dan membantu memajukan solusi pelacakan aset waktu nyata dan visibilitas rantai pasok. Sebelumnya, Gluck menjabat sebagai General Manager di Wasteless AI, di mana ia bekerja pada teknologi harga dinamis berbasis kecerdasan buatan yang dirancang untuk membantu pengecer makanan mengurangi limbah, dan memegang posisi senior produk dan komersial di WeissBeerger, sebuah perusahaan IoT dan analitik data yang diakuisisi oleh AB InBev. Ia memulai karirnya di strategi dan operasi di Deloitte Consulting, memberinya kombinasi produk, komersialisasi, dan pengalaman strategis di seluruh teknologi yang muncul.

Digital Matter adalah sebuah perusahaan perangkat keras IoT global yang mengkhususkan diri dalam pelacakan aset jangka panjang, pemantauan sensor, dan solusi telematika. Perusahaan ini mengembangkan perangkat terhubung yang tahan lama dan rendah daya yang dirancang untuk diterapkan di area seperti logistik, pelacakan armada dan peralatan, pemantauan rantai pasok, pertanian, dan aplikasi lingkungan, dengan jutaan perangkat yang diterapkan secara global. Perangkat kerasnya mendukung berbagai teknologi posisi dan koneksi, termasuk Sistem Navigasi Satelit Global (GNSS), penentuan posisi Wi-Fi, Bluetooth Low Energy (BLE), IoT seluler, LoRaWAN, dan koneksi satelit. Digital Matter juga menyediakan platform Device Manager berbasis cloud yang memungkinkan pelanggan dan mitra untuk mengkonfigurasi, memantau, menyediakan, dan mengelola perangkat terhubung secara remote dengan skala besar.

Sebelum bergabung dengan Digital Matter, Anda bekerja di GearTrack, Wasteless AI, dan WeissBeerger, di mana data operasional waktu nyata digunakan untuk memperbaiki rantai pasok, mengurangi limbah, dan membuat keputusan komersial yang lebih baik. Bagaimana pengalaman itu membentuk pandangan Anda tentang IoT sebagai fondasi untuk kecerdasan buatan perusahaan?

Di seluruh GearTrack, Wasteless AI, dan WeissBeerger, saya melihat langsung bahwa teknologi terbaik hanya sebaik data yang mendukungnya.

Masing-masing perusahaan menyelesaikan masalah yang berbeda, tetapi benang merah yang sama adalah menggunakan informasi waktu nyata dari dunia fisik untuk membuat keputusan yang lebih baik. Itu mungkin berarti memahami di mana inventori berada, mengidentifikasi limbah sebelum terjadi, atau membantu bisnis merespons lebih cepat terhadap apa yang berubah di lapangan.

Pengalaman itu benar-benar membentuk bagaimana saya memikirkan tentang IoT dan kecerdasan buatan. Banyak informasi operasional yang sangat berharga masih belum ditangkap dalam sistem bisnis tradisional. Itu ada di seluruh kendaraan, peralatan, inventori, fasilitas, dan rantai pasok. IoT adalah yang mengubah aktivitas fisik menjadi data yang dapat digunakan.

Bagi saya, itu membuat IoT menjadi fondasi kritis untuk kecerdasan buatan perusahaan. Itu memberikan kecerdasan buatan gambaran yang lebih jelas dan lebih mutakhir tentang bagaimana bisnis benar-benar beroperasi. Alih-alih hanya melihat ke belakang pada laporan historis, perusahaan dapat mulai mengidentifikasi pola, mengantisipasi masalah, dan membuat keputusan yang lebih baik dalam waktu nyata.

Banyak perusahaan sedang melatih model kecerdasan buatan pada dataset publik yang sama dengan pesaing mereka. Mengapa Anda percaya bahwa data operasional proprietary menjadi sumber diferensiasi kecerdasan buatan yang lebih penting?

Data yang sama masuk, wawasan yang sama keluar. Ketika akses ke model kecerdasan buatan menjadi lebih luas, model itu sendiri semakin menjadi komoditas, dengan diferensiator nyata menjadi kualitas, keunikan, dan relevansi data yang mengisi mereka.

Jika semua orang menggunakan alat yang sama, dilatih pada dataset yang sama, mereka semua tiba pada kesimpulan yang hampir sama.

Ambil dua pengecer yang bersaing yang menggunakan platform kecerdasan buatan yang sama, prakiraan pasar, dan data permintaan historis. Jika salah satu dari mereka telah menerapkan sensor IoT di seluruh gudang, trailer, palet, dan peralatan, itu terus-menerus memberi makan kecerdasan buatan dengan data kebenaran – informasi waktu nyata tentang pergerakan inventori, waktu tunggu, utilitas aset, bottleneck, dan gangguan operasional. Kecerdasan buatannya tidak hanya belajar dari apa yang terjadi pada kuartal terakhir. Itu terus-menerus belajar dari apa yang terjadi di seluruh bisnis saat ini.

Secara bertahap, itu berkompilasi menjadi keunggulan nyata. Kecerdasan buatannya tidak hanya mengandalkan tren historis atau benchmark pihak ketiga. Itu belajar dari operasi perusahaan sendiri dalam waktu nyata, menciptakan sumber kecerdasan yang pesaing tidak bisa membeli, mengikis, atau replikasi.

Ketika sensor diterapkan di seluruh armada, fasilitas, peralatan, dan rantai pasok, apa jenis intelijen operasional yang dapat perusahaan tangkap yang sebaliknya akan mereka lewatkan?

Banyak organisasi membuat keputusan kritis tanpa visibilitas terus-menerus ke apa yang terjadi di seluruh operasi fisik mereka. Mereka mungkin tahu berapa banyak inventori yang mereka miliki atau kapan pengiriman dijadwalkan tiba, tetapi mereka sering kekurangan wawasan ke dalam bagaimana aset, peralatan, dan alur kerja benar-benar berperforma dari hari ke hari.

Dengan menerapkan sensor di seluruh armada, fasilitas, peralatan, dan rantai pasok, organisasi dapat mengidentifikasi bottleneck, melacak utilitas aset, memantau pergerakan inventori, dan memahami bagaimana kondisi dunia nyata mempengaruhi kinerja.

Sebagai contoh, sebuah pengecer mungkin tahu bahwa inventori tiba di pusat distribusi dan akhirnya dikirim ke toko, tetapi tidak menyadari bahwa beberapa palet konsisten menghabiskan beberapa hari ekstra di area penyimpanan sebelum bergerak ke hilir. Tanpa data sensor, penundaan itu sebagian besar tidak terlihat. Dengan IoT, itu menjadi terukur dan dapat diambil tindakan – memungkinkan tim untuk mengidentifikasi penyebab akar, meningkatkan aliran inventori, dan mengurangi masalah ketersediaan stok.

Bagaimana data yang dihasilkan IoT berbeda dari data perusahaan tradisional ketika datang ke pelatihan, penyetelan, atau pendirian sistem kecerdasan buatan?

Data perusahaan tradisional sering transaksional dan historis, menangkap peristiwa yang telah terjadi, seperti pesanan, faktur, catatan inventori, atau proses bisnis yang selesai. Sementara informasi itu berharga, itu terutama mencerminkan snapshot dari masa lalu. Dan dengan pasar yang bergerak lebih cepat dari sebelumnya, apa yang terjadi pada musim lalu mungkin tidak mengatakan banyak tentang musim ini.

Data yang dihasilkan IoT berbeda karena itu menangkap apa yang terjadi dalam waktu nyata. Itu memberikan wawasan terus-menerus ke dalam lokasi aset, pergerakan, utilitas, kondisi lingkungan, dan sinyal operasional lainnya yang tidak biasanya tersedia dalam sistem perusahaan tradisional.

Untuk aplikasi kecerdasan buatan, perbedaan itu penting. Data historis membantu menjelaskan apa yang terjadi, sementara data IoT membantu menetapkan apa yang terjadi sekarang. Ketika organisasi menggabungkan keduanya, mereka dapat mendirikan sistem kecerdasan buatan dalam kenyataan operasional saat ini, menciptakan wawasan yang lebih akurat dan memungkinkan pengambilan keputusan yang lebih cepat dan lebih terinformasi.

Digital Matter menekankan perangkat yang rendah daya dan tahan lama yang dibangun untuk pelacakan aset jangka panjang dan pemantauan sensor. Apa tantangan teknis terbesar dalam menjaga perangkat IoT secara andal menghasilkan data selama bertahun-tahun di lingkungan yang kompleks?

Perangkat IoT sering diterapkan di lingkungan yang sulit diprediksi dan bahkan lebih sulit dikendalikan. Sebuah perangkat tunggal mungkin menghabiskan bertahun-tahun berpindah antara fasilitas, kendaraan, situs pelanggan, lokasi remote, dan area dengan koneksi yang tidak konsisten.

Salah satu tantangan terbesar adalah menyeimbangkan visibilitas dengan konsumsi daya. Semakin sering sebuah perangkat mengumpulkan dan mengirimkan data, semakin banyak energi yang dikonsumsi. Merancang perangkat yang dapat mengumpulkan peristiwa yang berarti, beradaptasi dengan kondisi operasional yang berubah, dan memaksimalkan umur baterai selama beberapa tahun sangat kritis untuk mengirimkan data yang dapat diandalkan dengan skala besar.

Keawetan sama pentingnya. Perangkat harus tahan getaran, dampak, fluktuasi suhu, kelembaban, dan bertahun-tahun penggunaan sehari-hari sambil terus berperforma konsisten, dengan sedikit atau tanpa pemeliharaan. Bahkan tingkat kegagalan kecil dapat menjadi tantangan operasional yang signifikan ketika penerapan mencapai ribuan atau puluhan ribuan perangkat.

Bagaimana kecerdasan buatan dapat membantu perusahaan bergerak melampaui sekadar melacak di mana sebuah aset berada, menuju memprediksi kegagalan, mengoptimalkan rute, mengurangi limbah, atau meningkatkan utilitas?

Mengetahui di mana sebuah aset berada penting, tetapi lokasi saja hanya mengatakan sebagian dari cerita. Kesempatan nyata datang dari memahami bagaimana aset digunakan selama waktu dan mengidentifikasi pola yang akan sulit ditemukan secara manual. Ketika organisasi menggabungkan data IoT dengan kecerdasan buatan, mereka bergerak melampaui sekadar bereaksi terhadap peristiwa dan mulai mengantisipasi mereka.

Dengan menganalisis tren dalam pergerakan, utilitas, waktu tunggu, kondisi lingkungan, dan data operasional lainnya, kecerdasan buatan dapat membantu mengidentifikasi ketidakefisienan, memprediksi masalah potensial, dan mengungkapkan kesempatan untuk perbaikan. Itu dapat mengarah pada utilitas aset yang lebih baik, operasi yang lebih efisien, limbah yang berkurang, dan pengambilan keputusan yang lebih cepat. Nilainya tidak hanya mengetahui di mana sebuah aset berada hari ini, tetapi menggunakan data yang dihasilkannya untuk membuat keputusan yang lebih cerdas tentang apa yang terjadi selanjutnya.

Di industri seperti logistik, rantai dingin, kesehatan, konstruksi, atau manajemen peralatan, di mana Anda melihat kesempatan terkuat untuk menggabungkan data IoT dengan kecerdasan buatan dalam jangka dekat?

Kesempatan terkuat ada di industri yang mengelola volume besar aset yang terdistribusi di seluruh operasi yang kompleks, yang menjelaskan mengapa logistik, rantai dingin, kesehatan, konstruksi, dan manajemen peralatan semua sesuai dengan profil.

Dan ini tidak teoritis. Perusahaan besar, dari pengecer besar hingga produsen otomotif dan manufaktur peralatan berat, sudah melaksanakan strategi ini, yang tepat mengapa mereka melakukan investasi IoT yang signifikan. Semakin banyak, dewan mereka tidak lagi bertanya apakah mereka menggunakan kecerdasan buatan. Mereka bertanya dari mana nilai bisnis yang terukur berasal, dan jawabannya adalah operasional: throughput yang ditingkatkan, insiden kualitas yang lebih sedikit, pengiriman yang lebih tepat waktu, dan pengalaman pelanggan yang lebih baik.

Bagaimana perusahaan harus memikirkan kualitas data, keandalan sinyal, keamanan, dan tata kelola ketika mengobati data IoT sebagai aset kecerdasan buatan strategis?

Model kecerdasan buatan hanya sebaik data yang ada di bawahnya. Organisasi cenderung fokus pada mengumpulkan lebih banyak data, tetapi jika data itu tidak lengkap, tidak konsisten, atau tidak dapat diandalkan, wawasan kecerdasan buatan juga akan tidak akurat. Itu adalah masalah klasik “sampah masuk, sampah keluar”, dan pada skala perusahaan, itu menjadi kesalahan mahal.

Itulah mengapa kualitas data harus menjadi prioritas dari hari pertama. Organisasi perlu yakin bahwa data dikumpulkan secara konsisten, dikirimkan secara aman, dan secara akurat mencerminkan apa yang terjadi di dunia fisik, bersama dengan tata kelola yang jelas tentang dari mana data berasal, bagaimana data dikelola, dan bagaimana data harus diinterpretasikan.

Akhirnya, nilainya tidak terletak pada menghasilkan lebih banyak data. Itu terletak pada menghasilkan data yang dipercaya, berkualitas tinggi yang dapat berfungsi sebagai fondasi yang dapat diandalkan untuk pengambilan keputusan.

Untuk perusahaan yang sudah memiliki penerapan IoT, apa langkah-langkah yang harus mereka ambil untuk membuat data tersebut lebih dapat digunakan untuk aplikasi kecerdasan buatan?

Langkah pertama adalah memulai dengan masalah bisnis, bukan kecerdasan buatan. Begitu tujuan jelas, apakah itu mengurangi waktu tunggu, meningkatkan utilitas, atau mengurangi kerugian, itu menjadi jauh lebih mudah untuk mengidentifikasi data, alur kerja, dan kemampuan kecerdasan buatan yang diperlukan untuk mendukungnya. Banyak organisasi sudah mengumpulkan jumlah besar data operasional, tetapi itu berada di sistem yang tidak terhubung dan tidak pernah membuat keputusan.

Langkah kedua adalah yang paling banyak perusahaan remehkan, dan itu adalah manajemen perubahan. Penerapan skala besar jarang gagal karena teknologi. Mereka gagal ketika orang tidak bertindak berdasarkan apa yang data katakan. Sebuah peringatan bahwa area penyimpanan kekurangan stok hanya menciptakan nilai jika seseorang benar-benar memindahkan inventori, sehingga membangun proses dan kebiasaan yang menghubungkan wawasan ke tindakan adalah bagian paling sulit dan paling penting dari pekerjaan.

Akhirnya, perusahaan yang melihat kesuksesan terbesar adalah mereka yang menghubungkan data operasional ke hasil bisnis yang terukur dan memastikan bahwa orang-orang mereka menggunakan data tersebut.

Menghadap ke depan, apakah Anda percaya bahwa intelijen operasional proprietary akan menjadi salah satu penghalang terbesar yang memisahkan pemimpin kecerdasan buatan dari perusahaan yang hanya menggunakan alat yang sama seperti semua orang lain?

Ya. Ketika kecerdasan buatan menjadi lebih luas, teknologi saja menjadi kurang diferensiator.

Organisasi yang akan menonjol adalah mereka yang menghasilkan intelijen operasional unik dari lingkungan mereka sendiri dan menggunakan itu untuk membuat keputusan yang lebih baik. Di banyak industri, beberapa informasi paling berharga masih ada di dunia fisik, di seluruh aset, peralatan, inventori, dan rantai pasok – dan itu tidak bisa dibeli, diikis, atau replicated oleh pesaing.

Perusahaan yang dapat secara konsisten menangkap, memahami, dan bertindak berdasarkan informasi itu akan berada dalam posisi yang jauh lebih kuat daripada mereka yang hanya mengandalkan alat dan dataset yang sama seperti semua orang lain.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Digital Matter.