Ilan Gluck, Head of Go-to-Market, Nord America presso Digital Matter – Serie di interviste

Ilan Gluck, Head of Go-to-Market, Nord America presso Digital Matter, è un esperto di tecnologia e commercio con una esperienza che copre Internet delle cose (IoT), intelligenza artificiale, tecnologia di gestione della catena di approvvigionamento, analisi dei dati e strategia aziendale. Prima di unirsi a Digital Matter, ha trascorso più di cinque anni con Cox 2M e GearTrack, ricoprendo il ruolo di General Manager e Chief Revenue Officer e aiutando a sviluppare soluzioni di tracciamento degli asset e visibilità della catena di approvvigionamento in tempo reale. In precedenza, Gluck era General Manager presso Wasteless AI, dove ha lavorato su tecnologie di prezzi dinamici basate sull’intelligenza artificiale progettate per aiutare i rivenditori di generi alimentari a ridurre gli sprechi, e ha ricoperto ruoli senior nel settore prodotti e commerciale presso WeissBeerger, un’azienda di IoT e analisi dei dati acquisita da AB InBev. Ha iniziato la sua carriera nella strategia e nelle operazioni presso Deloitte Consulting, acquisendo così una combinazione di esperienze nel settore prodotti, commercializzazione e strategia nelle tecnologie emergenti.

Digital Matter è un’azienda globale di hardware IoT specializzata nel tracciamento degli asset a lunga durata, monitoraggio dei sensori e soluzioni di telematica. L’azienda sviluppa dispositivi connessi robusti e a basso consumo progettati per essere utilizzati in aree come logistica, tracciamento di flotte e attrezzature, monitoraggio della catena di approvvigionamento, agricoltura e applicazioni ambientali, con milioni di dispositivi distribuiti in tutto il mondo. I suoi dispositivi supportano una gamma di tecnologie di posizionamento e connettività, tra cui Sistema di Navigazione Satellitare Globale (GNSS), posizionamento Wi-Fi, Bluetooth Low Energy (BLE), IoT cellulare, LoRaWAN e connettività satellitare. Digital Matter fornisce anche una piattaforma di gestione dei dispositivi basata su cloud che consente ai clienti e ai partner di configurare, monitorare, provisionare e gestire dispositivi connessi su larga scala.

Prima di unirti a Digital Matter, hai lavorato presso GearTrack, Wasteless AI e WeissBeerger, dove i dati operativi in tempo reale sono stati utilizzati per migliorare la catena di approvvigionamento, ridurre gli sprechi e creare decisioni commerciali migliori. Come ha influenzato la tua esperienza la tua visione dell’IoT come fondamento per l’intelligenza artificiale aziendale?

Presso GearTrack, Wasteless AI e WeissBeerger, ho visto di persona che la migliore tecnologia è solo buona quanto i dati che la sostengono.

Ogni azienda stava risolvendo un problema diverso, ma il filo comune era l’utilizzo di informazioni in tempo reale dal mondo fisico per prendere decisioni migliori. Ciò potrebbe significare capire dove si trovava l’inventario, identificare gli sprechi prima che si verificassero o aiutare un’azienda a rispondere più velocemente a ciò che stava cambiando a terra.

Queste esperienze hanno realmente plasmato il mio modo di pensare all’IoT e all’intelligenza artificiale. Molte informazioni operative preziose non vengono ancora catturate nei sistemi aziendali tradizionali. Esistono attraverso veicoli, attrezzature, inventari, strutture e catene di approvvigionamento. L’IoT è ciò che trasforma l’attività fisica in dati utilizzabili.

Per me, ciò rende l’IoT una fondamentale base per l’intelligenza artificiale aziendale. Fornisce all’intelligenza artificiale un’immagine molto più chiara e aggiornata di come funziona effettivamente un’azienda. Invece di guardare solo indietro ai rapporti storici, le aziende possono iniziare a identificare modelli, anticipare problemi e prendere decisioni migliori in tempo reale.

Molte aziende stanno formando modelli di intelligenza artificiale con gli stessi set di dati pubblici dei loro concorrenti. Perché ritieni che i dati operativi proprietari stiano diventando una fonte più importante di differenziazione dell’intelligenza artificiale?

Stessi dati in ingresso, stesse informazioni in uscita. Man mano che l’accesso ai modelli di intelligenza artificiale diventa più ampiamente disponibile, i modelli stessi stanno diventando sempre più una merce, con il vero differenziatore che è la qualità, l’unicità e la rilevanza dei dati che li alimentano.

Se tutti utilizzano gli stessi strumenti formati con gli stessi set di dati pubblici, storici o di terze parti, arrivano tutti più o meno alle stesse conclusioni.

Prendi due rivenditori in competizione che utilizzano la stessa piattaforma di intelligenza artificiale, previsioni di mercato e dati storici della domanda. Se uno di loro ha distribuito sensori IoT attraverso i suoi magazzini, trailer, pallet e attrezzature, sta continuamente alimentando il suo modello di intelligenza artificiale con dati di verità – informazioni in tempo reale su movimento dell’inventario, tempi di sosta, utilizzo degli asset, collo di bottiglia e interruzioni operative. Il suo modello di intelligenza artificiale non sta imparando solo da ciò che è accaduto l’ultimo trimestre. Sta imparando continuamente da ciò che sta accadendo attraverso l’azienda proprio adesso.

Nel tempo, ciò si traduce in un vero vantaggio. Il suo modello di intelligenza artificiale non si affida solo a tendenze storiche o benchmark di terze parti. Sta imparando dalle operazioni dell’azienda in tempo reale, creando una fonte di intelligenza che i concorrenti non possono acquistare, raschiare o replicare.

Quando i sensori vengono distribuiti attraverso flotte, strutture, attrezzature e catene di approvvigionamento, quali tipi di intelligenza operativa possono catturare le aziende che altrimenti mancherebbero?

Molte organizzazioni prendono decisioni critiche senza una visibilità continua su ciò che sta accadendo attraverso le loro operazioni fisiche. Potrebbero sapere quanto inventario hanno o quando una spedizione è stata programmata per arrivare, ma spesso mancano di informazioni su come gli asset, le attrezzature e i flussi di lavoro stanno effettivamente funzionando giorno per giorno.

Facendo distribuire sensori attraverso flotte, strutture, attrezzature e catene di approvvigionamento, le organizzazioni possono identificare collo di bottiglia, monitorare l’utilizzo degli asset, monitorare il movimento dell’inventario e capire come le condizioni del mondo reale stanno influenzando le prestazioni.

Ad esempio, un rivenditore potrebbe sapere che l’inventario è arrivato in un centro di distribuzione e alla fine è stato consegnato in un negozio, ma non rendersi conto che alcuni pallet trascorrono regolarmente alcuni giorni extra in un’area di stoccaggio prima di muoversi a valle. Senza dati dei sensori, quel ritardo rimane in gran parte invisibile. Con l’IoT, diventa misurabile e azionabile – consentendo ai team di identificare la causa radice, migliorare il flusso dell’inventario e ridurre i problemi di disponibilità delle scorte.

Come differisce il dato generato dall’IoT dai dati aziendali tradizionali quando si tratta di formare, affinare o fondare sistemi di intelligenza artificiale?

I dati aziendali tradizionali sono spesso transazionali e storici, catturando eventi che sono già accaduti, come ordini, fatture, registri di inventario o processi aziendali completati. Sebbene quelle informazioni siano preziose, riflettono principalmente uno scatto del passato. E con i mercati che si muovono più velocemente che mai, ciò che è accaduto l’ultima stagione potrebbe non dirti molto su questa.

I dati generati dall’IoT sono diversi perché catturano ciò che sta accadendo in tempo reale. Forniscono una visibilità continua su posizione, movimento, utilizzo, condizioni ambientali e altri segnali operativi che non sono tipicamente disponibili nei sistemi aziendali tradizionali.

Per le applicazioni di intelligenza artificiale, quella distinzione è importante. I dati storici aiutano a spiegare cosa è accaduto, mentre i dati dell’IoT aiutano a stabilire cosa sta accadendo adesso. Quando le organizzazioni combinano i due, possono fondare i sistemi di intelligenza artificiale nelle realtà operative attuali, creando informazioni più precise e abilitando una presa di decisioni più rapida e più informata.

Digital Matter enfatizza dispositivi a basso consumo e robusti progettati per il tracciamento degli asset a lunga durata e il monitoraggio dei sensori. Quali sono le più grandi sfide tecniche nel mantenere i dispositivi IoT in modo affidabile per produrre dati per anni in ambienti complessi?

I dispositivi IoT sono spesso distribuiti in ambienti che sono difficili da prevedere e ancora più difficili da controllare. Un singolo dispositivo potrebbe trascorrere anni spostandosi tra strutture, veicoli, siti dei clienti, località remote e aree con connettività inconsistente.

Una delle più grandi sfide è bilanciare visibilità e consumo di energia. Più frequentemente un dispositivo raccoglie e trasmette dati, più energia consuma. Progettare dispositivi che possano catturare in modo intelligente eventi significativi, adattarsi a condizioni operative che cambiano e massimizzare la durata della batteria su più anni è critico per fornire dati affidabili su larga scala.

La durata è altrettanto importante. I dispositivi devono resistere a vibrazioni, impatti, fluttuazioni di temperatura, umidità e anni di utilizzo quotidiano, continuando a funzionare in modo coerente, con poco o nessun mantenimento. Anche un piccolo tasso di guasto può diventare una sfida operativa significativa quando i dispositivi vengono distribuiti su migliaia o decine di migliaia.

Come può l’intelligenza artificiale aiutare le aziende a spostarsi oltre il semplice tracciamento di dove si trova un asset, verso la previsione di guasti, l’ottimizzazione delle rotte, la riduzione degli sprechi o il miglioramento dell’utilizzo?

Sapere dove si trova un asset è importante, ma la posizione da sola racconta solo una parte della storia. La vera opportunità deriva dal comprendere come gli asset vengono utilizzati nel tempo e dall’identificazione di modelli che sarebbero difficili da rilevare manualmente. Quando le organizzazioni combinano i dati dell’IoT con l’intelligenza artificiale, si spostano oltre la semplice reazione agli eventi e iniziano ad anticiparli.

Analizzando tendenze nel movimento, utilizzo, tempo di sosta, condizioni ambientali e altri dati operativi, l’intelligenza artificiale può aiutare a identificare inefficienze, prevedere potenziali problemi e individuare opportunità di miglioramento. Ciò può portare a un miglior utilizzo degli asset, operazioni più efficienti, riduzione degli sprechi e presa di decisioni più rapida. Il valore non è solo sapere dove si trova un asset oggi, ma utilizzare i dati che genera per prendere decisioni più intelligenti su cosa accadrà dopo.

In settori come logistica, catena del freddo, sanità, costruzioni o gestione delle attrezzature, dove vedi le più forti opportunità a breve termine per combinare i dati dell’IoT con l’intelligenza artificiale?

Le più forti opportunità si trovano in settori che gestiscono enormi volumi di asset distribuiti attraverso operazioni complesse, ed è per questo che logistica, catena del freddo, sanità, costruzioni e gestione delle attrezzature rientrano tutti nel profilo.

E questo non è teorico. Grandi aziende, dalle principali aziende di vendita al dettaglio ai produttori di veicoli e attrezzature pesanti, stanno già eseguendo questa strategia, ed è esattamente il motivo per cui stanno facendo investimenti significativi nell’IoT. Sempre più, i loro consigli di amministrazione non chiedono più se stanno utilizzando l’intelligenza artificiale. Chiedono dove sta arrivando il valore aziendale misurabile, e le risposte sono operative: migliorato throughput, meno incidenti di qualità, migliori consegne in orario e migliore esperienza del cliente.

Quando le aziende distribuiscono più sensori e dispositivi connessi, come dovrebbero pensare alla qualità dei dati, all’affidabilità del segnale, alla sicurezza e alla governance quando trattano i dati dell’IoT come un asset strategico di intelligenza artificiale?

I modelli di intelligenza artificiale sono solo buoni quanto i dati che li sostengono. Le organizzazioni tendono a concentrarsi sulla raccolta di più dati, ma se quei dati sono incompleti, inconsistenti o non affidabili, le informazioni dell’intelligenza artificiale saranno anche loro. È il classico problema di “spazzatura dentro, spazzatura fuori”, e a scala aziendale diventa un errore costoso.

Per questo, la qualità dei dati deve essere una priorità fin dal primo giorno. Le organizzazioni devono avere fiducia che i dati vengono raccolti in modo coerente, trasmessi in modo sicuro e riflettono accuratamente ciò che sta accadendo nel mondo fisico, insieme a una chiara governance su dove vengono dai dati, come vengono gestiti e come dovrebbero essere interpretati.

Infine, il valore non sta nel generare più dati. Sta nel generare dati di alta qualità e affidabili che possano servire come base affidabile per la presa di decisioni.

Per le aziende che già hanno distribuito dispositivi IoT, quali passi dovrebbero intraprendere per rendere quei dati più utilizzabili per le applicazioni di intelligenza artificiale?

Il primo passo è iniziare con il problema aziendale, non con l’intelligenza artificiale. Una volta che l’obiettivo è chiaro, che sia ridurre i tempi di sosta, migliorare l’utilizzo o tagliare le perdite, diventa molto più facile identificare i dati, i flussi di lavoro e le capacità di intelligenza artificiale necessarie per supportarlo. Molte organizzazioni già raccolgono enormi quantità di dati operativi, ma si trovano in sistemi disconnessi e non entrano mai in una decisione.

Il secondo passo è quello che la maggior parte delle aziende sottovaluta, e cioè la gestione del cambiamento. Le distribuzioni su larga scala raramente falliscono a causa della tecnologia. Falliscono quando le persone non agiscono su ciò che i dati stanno dicendo loro. Un allarme che un’area di stoccaggio è sottostocata crea valore solo se qualcuno sposta effettivamente l’inventario, quindi costruire i processi e le abitudini che collegano le informazioni all’azione è la parte più difficile e importante del lavoro.

Infine, le aziende che vedono il maggior successo sono quelle che collegano i dati operativi ai risultati aziendali misurabili e assicurano che le loro persone li utilizzino.

Guardando avanti, ritieni che l’intelligenza operativa proprietaria diventerà una delle più grandi barriere che separeranno i leader dell’intelligenza artificiale dalle aziende che stanno utilizzando gli stessi strumenti di tutti gli altri? 

Sì. Man mano che l’intelligenza artificiale diventa più ampiamente disponibile, la tecnologia da sola diventa meno differenziante.

Le organizzazioni che si distinguono saranno quelle che generano intelligenza operativa unica dai loro ambienti e la utilizzano per prendere decisioni migliori. In molti settori, alcune delle informazioni più preziose esistono ancora nel mondo fisico, attraverso asset, attrezzature, inventari e catene di approvvigionamento – e non possono essere acquistate, raschiate o replicate da un concorrente.

Le aziende che possono catturare, comprendere e agire su quelle informazioni in modo coerente saranno in una posizione molto più forte di quelle che si affidano solo agli stessi strumenti e set di dati di tutti gli altri.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Digital Matter.