디지털 매터의 Ilan Gluck, 북미 시장 담당자 – 인터뷰 시리즈

일란 글럭(Ilan Gluck), 디지털 매터(Digital Matter) 북미 시장 담당자로서, IoT, 인공지능, 공급망 기술, 데이터 분석, 기업 전략 등 다양한 분야에서 경험을 쌓은 전문가입니다. 디지털 매터에 합류하기 전, 그는 5년 이상 동안 Cox 2M과 GearTrack에서 근무하며, 실시간 자산 추적과 공급망 가시성 솔루션을 개발하였습니다. 이전에는, 그는 Wasteless AI에서 AI 기반 동적 가격 결정 기술을 개발하였으며, WeissBeerger에서 제품 및 상업 담당자로 일했습니다. 그는 델로이트 컨설팅에서 경영 전략 및 운영 분야에서 경력을 시작하였습니다.

디지털 매터는 장기 자산 추적, 센서 모니터링, 텔레매틱스 솔루션을 전문으로 하는 글로벌 IoT 하드웨어 회사입니다. 이 회사는 물류, 차량 및 장비 추적, 공급망 모니터링, 농업, 환경 적용 분야에서 사용되는 강력하고 저전력 연결 장치를 개발하였습니다. 디지털 매터의 하드웨어는 GNSS, Wi-Fi 위치 지정, 블루투스 저전력, 셀룰러 IoT, LoRaWAN, 위성 연결 등 다양한 위치 지정 및 연결 기술을 지원합니다. 또한, 디지털 매터는 클라우드 기반의 디바이스 관리자 플랫폼을 제공하여 고객과 파트너가 원격으로 연결된 장치를 구성, 모니터링, 프로비저닝, 관리할 수 있도록 합니다.

디지털 매터에 합류하기 전, GearTrack, Wasteless AI, WeissBeerger에서 근무하며, 실시간 운영 데이터를 사용하여 공급망을 개선하고,浪費를 줄이고, 더好的 상업적 의사결정을 내렸습니다. 이러한 경험은 IoT를 기업용 AI의 기초로 생각하는您的 관점을 어떻게 형성하였나요?

GearTrack, Wasteless AI, WeissBeerger에서 근무하며, 가장 좋은 기술은 데이터만큼 좋은 것이라는 것을 깨달았습니다.

각 회사는 다른 문제를 해결하였지만, 공통점은 물리적인 세계에서 실시간 정보를 사용하여 더好的 결정을 내리는 것이었습니다. 이는 재고의 위치를 이해하는 것,浪費를 예방하는 것, 또는 비즈니스에 대한 반응을 빠르게 하는 것과 관련이 있습니다.

이러한 경험은 IoT와 AI에 대한私の 생각을 형성하였습니다. 많은 운영 정보는 여전히 전통적인 비즈니스 시스템에 캡처되지 않았습니다. 이는 차량, 장비, 재고, 시설, 공급망 등에 걸쳐 있습니다. IoT는 이러한 물리적인 활동을 사용 가능한 데이터로 변환합니다.

AI 애플리케이션의 경우, 이는 중요합니다. 역사적인 데이터는 무엇이 발생했는지 설명하지만, IoT 데이터는 무엇이 현재 발생하고 있는지 설명합니다. 조직이 두 가지를 결합하면, AI 시스템을 현재의 운영 현실에 기반으로 할 수 있습니다. 이는 더 정확한 통찰력과 더 빠른 의사결정을 가능하게 합니다.

많은 회사들이 동일한 공공 데이터셋을 사용하여 AI 모델을 훈련시킵니다. 왜 귀하는 독점적인 운영 데이터가 AI 차별화의 더 중요한 출처가 되는지 믿는지 설명해 주시겠습니까?

同じ 데이터를 입력하면, 동일한 통찰력을 얻을 수 있습니다. AI 모델에 대한 접근성이 더 넓어지면서, 모델 자체는 점점 더 商品화되고, 실제 차별화는 데이터의 품질, 고유성, 관련성에 있습니다.

동일한 도구와 데이터를 사용하는 두 개의 경쟁하는 소매업체를 생각해 보십시오. 하나의 회사가 창고, 트레일러, 팔레트, 장비에 IoT 센서를 배포하였다면, 이는 지속적으로 실제 운영 데이터를 제공합니다. 이는 재고 이동,滞留 시간, 자산 활용, 병목 현상, 운영 중단과 관련된 정보입니다. 이러한 회사의 AI는 역사적인 추세나 제3자 벤치마크만을 학습하는 것이 아닙니다. 이는 실제 운영에서 지속적으로 학습합니다.

이러한 차이는 시간이 지남에 따라 실제적인 이점으로 이어집니다. 이는 역사적인 추세나 제3자 벤치마크만을頼赖하는 것이 아닙니다. 이는 실제 운영에서 지속적으로 학습합니다. 이는 경쟁자가 구입하거나 복제할 수 없는 지식의 출처입니다.

차량, 시설, 장비, 공급망에 센서를 배포하면, 회사들이 일반적으로 놓치는 운영 지식을 무엇을 캡처할 수 있나요?

많은 조직은 물리적인 운영에 대한 지속적인 가시성을 갖지 못합니다. 이는 재고의 위치나 배송 일정과 관련이 있습니다. 그러나, 자산, 장비, 워크플로우의 실제 수행과 관련된 통찰력은 종종 缺如합니다.

차량, 시설, 장비, 공급망에 센서를 배포하면, 조직은 병목 현상을 식별하고, 자산 활용도를 추적하며, 재고 이동을 모니터링하고, 실제 조건이 수행에 미치는 영향을 이해할 수 있습니다.

예를 들어, 소매업체는 재고가 배달センター에 도착하여 이후에 매장에 도착했다는 것을 알 수 있습니다. 그러나, 특정 팔레트가 일관되게 더 많은 시간을 스테이징 영역에서 보낸다는 것을 인식하지 못할 수 있습니다. 센서 데이터 없이, 이러한 지연은 대부분 보이지 않습니다. IoT를 사용하면, 이는 측정 가능하고 조치할 수 있습니다. 이는 팀이 근본 원인을 식별하고, 재고 흐름을 개선하며, 재고 가용성 문제를 줄일 수 있도록 합니다.

IoT에서 생성된 데이터는 전통적인 기업 데이터와 어떻게 다른가요? AI 시스템을 훈련시키거나, 세부적으로 조정하거나, 기반으로 하는 경우에?

전통적인 기업 데이터는 종종 거래적이고 역사적인 것으로, 이미 발생한 이벤트를 캡처합니다. 이는 주문, 송장, 재고 기록, 또는 완료된 비즈니스 프로세스와 관련이 있습니다. 이러한 정보는 귀중하지만, 이는 주로 과거의 스냅샷을 반영합니다. 시장은 이전보다 더 빠르게 움직이고 있습니다. 이전 시즌에 발생한 것은 이번 시즌에 대해 많이 말해주지 않을 수 있습니다.

IoT에서 생성된 데이터는 실제로 발생하는 것을 캡처합니다. 이는 자산 위치, 이동, 활용, 환경 조건, 운영 신호 등과 관련된 지속적인 통찰력을 제공합니다. 이는 전통적인 기업 시스템에서 일반적으로 사용할 수 없는 정보입니다.

AI 애플리케이션의 경우, 이러한 차이는 중요합니다. 역사적인 데이터는 무엇이 발생했는지 설명하지만, IoT 데이터는 무엇이 현재 발생하고 있는지 설명합니다. 조직이 두 가지를 결합하면, AI 시스템을 현재의 운영 현실에 기반으로 할 수 있습니다. 이는 더 정확한 통찰력과 더 빠른 의사결정을 가능하게 합니다.

디지털 매터는 저전력, 내구성 있는 장치를 강조하며, 장기 자산 추적과 센서 모니터링을 위한 솔루션을 제공합니다. IoT 장치가 복잡한 환경에서 수년 동안 신뢰할 수 있는 데이터를 생성하는 데 기술적인 도전은 무엇인가요?

IoT 장치는 종종 예측하기 어려운 환경에 배포되며, 이는 더욱 어렵게 제어됩니다. 단일 장치는 여러 시설, 차량, 고객 사이트, 원격 위치, 연결성이 일관되지 않은 영역을 오가며 수년을 보냅니다.

가장 큰 도전은 가시성과 전력 소비를 균형잡는 것입니다. 장치가 더 자주 데이터를 수집하고 전송할수록, 더 많은 에너지를 소비합니다. 의미 있는 이벤트를 지능적으로 캡처하고, 운영 조건을 적응하며, 배터리 수명을 최대화하는 장치를 설계하는 것이 중요합니다.

내구성도 중요합니다. 장치들은 진동, 충격, 온도 변동, 습기, 수년의 일상적인 사용으로 인해 계속해서 일관된 성능을 발휘해야 합니다. 작은故障 率도 배포가 수천 또는 수만 개의 장치로 확대되면 상당한 운영 도전이 됩니다.

AI는 회사들이 자산의 위치를 추적하는 것에서 벗어나, 고장을 예측하고, 경로를 최적화하고,浪費를 줄이고, 활용도를 개선하는 데 어떻게 도움이 될 수 있나요?

자산의 위치를 아는 것은 중요하지만, 위치만으로는 전체 이야기를 설명하지 못합니다. 실제 기회는 자산이 시간의 경과에 따라 어떻게 사용되는지 이해하고, 수동으로 식별하기 어려운 패턴을 식별하는 데 있습니다. 조직이 IoT 데이터와 AI를 결합하면, 이벤트에 반응하는 것에서 벗어나 예측하기 시작합니다.

이동, 활용,滞留 시간, 환경 조건 등과 관련된 추세를 분석하여, AI는 비효율성을 식별하고, 잠재적인 문제를 예측하며, 개선의 기회를 표면화할 수 있습니다. 이는 더好的 자산 활용, 더 효율적인 운영,浪費의 감소, 더 빠른 의사결정으로 이어질 수 있습니다. 가치는 자산의 위치를 아는 것뿐만 아니라, 생성하는 데이터를 사용하여 더智能的な 결정을 내리는 것입니다.

물류, 냉장链, 의료, 건설, 장비 관리와 같은 산업에서, IoT 데이터와 AI를 결합하는 데 가장 강력한 근시안적 기회는 어디에 있나요?

가장 강력한 기회는 분산된 자산을 관리하는 복잡한 운영을 가진 산업에서 있습니다. 이는 물류, 냉장链, 의료, 건설, 장비 관리와 같은 산업을 포함합니다.

이것은 이론적인 것이 아닙니다. 대규모 기업은 이미 이 전략을 실행하고 있으며, 이는 왜 그들이 상당한 IoT 투자를 하고 있는지에 대한 이유입니다. 점점 더 많은 이사회는 더 이상 AI를 사용하고 있는지 묻지 않고, 어디에서 측정 가능한 비즈니스 가치가 나오는지 묻고 있습니다. 답은 운영적입니다. 처리량의 향상, 품질 사고의 감소, 더好的 배송, 더好的 고객 경험과 관련이 있습니다.

회사들이 더 많은 센서와 연결된 장치를 배포할 때, 데이터 품질, 신호 신뢰성, 보안, 거버넌스와 관련하여 IoT 데이터를 전략적 AI 자산으로 다루는 데 어떻게 생각해야 합니까?

AI 모델은 데이터만큼 좋은 것입니다. 조직은 더 많은 데이터를 수집하는 것에 집중하지만, 데이터가 불완전하거나, 일관성이 없거나, 신뢰할 수 없으면, AI의 통찰력도 그렇게 됩니다. 이것은 클래식한 쓰레기 입력, 쓰레기 출력 문제입니다. 기업 규모에서 이는 비싼 실수입니다.

데이터 품질은 처음부터 우선순위가 되어야 합니다. 조직은 데이터가 일관되게 수집되고, 안전하게 전송되고, 물리적인 세계를 정확하게 반영하는지에 대한 확신이 있어야 합니다. 또한, 데이터의 출처, 관리, 해석과 관련된 명확한 거버넌스가 있어야 합니다.

궁극적으로, 가치는 더 많은 데이터를 생성하는 것이 아닙니다. 신뢰할 수 있는, 고품질의 데이터를 생성하는 것입니다. 이는 의사결정의 신뢰할 수 있는 기초가 될 수 있습니다.

이미 IoT 배포를 갖고 있는 회사들은 IoT 데이터를 AI 애플리케이션에서 더 사용하기 쉽게 만들기 위해 어떤 단계를 취해야 합니까?

첫 번째 단계는 비즈니스 문제에서 시작하는 것입니다. 목표가 명확해지면, 이는 필요한 데이터, 워크플로우, AI 기능을 식별하는 데 도움이 됩니다. 많은 조직은 이미 엄청난 양의 운영 데이터를 수집하지만, 이는 분리된 시스템에 있으며, 결정을 내리기에는 결코 도달하지 못합니다.

두 번째 단계는 대부분의 회사들이 과소평가하는 것입니다. 즉, 변화 관리입니다. 대규모 배포는 기술로 인해 실패하지 않습니다. 데이터가 무엇을 말하는지 사람們이 행동하지 않을 때 실패합니다. 재고가 부족하다는 경고는 누군가 실제로 재고를 이동할 때만 가치가 있습니다. 따라서 데이터에서 통찰력을 연결하는 프로세스와 습관을 구축하는 것이 가장 어려운 작업입니다.

궁극적으로, 가장 성공적인 회사들은 운영 데이터를 측정 가능한 비즈니스 결과와 연결하고, 사람들이 이를 사용하도록 하는 회사입니다.

향후, 귀하는 독점적인 운영 지능이 AI 리더와 다른 회사之间의 가장 큰 장벽 중 하나가 될 것이라고 믿습니까?

네. AI가 더 널리 사용되면서, 기술 자체는 차별화자가 되지 않습니다.

우세한 조직은 자신의 환경에서 고유한 운영 지능을 생성하고, 이를 사용하여 더好的 결정을 내리는 것입니다. 많은 산업에서 가장 귀중한 정보는 여전히 물리적인 세계에 존재하며, 이는 자산, 장비, 재고, 공급망 등에 걸쳐 있습니다. 이는 구입하거나 복제할 수 없습니다.

이러한 정보를 일관되게 캡처하고, 이해하고, 행동할 수 있는 회사들은, 동일한 도구와 데이터셋을 사용하는 회사들보다 훨씬 더 강한 위치에 있을 것입니다.

감사합니다. 더 많은 정보를 원하는 독자는 디지털 매터를 방문하시기 바랍니다.