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.

Digital Matter에 합류하기 전 GearTrack, Wasteless AI, WeissBeerger에서 실시간 운영 데이터로 공급망을 개선하고 낭비를 줄이며 더 나은 사업 결정을 내리는 일을 하셨습니다. 이런 경험은 IoT가 기업용 AI의 기반이라는 관점에 어떤 영향을 주었나요?

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

각 회사가 해결하는 문제는 달랐지만, 물리적 세계에서 얻는 실시간 정보로 더 나은 결정을 내린다는 공통점이 있었습니다. 재고 위치를 파악하거나, 낭비가 발생하기 전에 징후를 포착하거나, 현장 변화에 기업이 더 빠르게 대응하도록 돕는 일이었습니다.

이런 경험은 IoT와 AI에 대한 제 생각에 큰 영향을 주었습니다. 가치 있는 운영 정보 상당 부분은 여전히 기존 업무 시스템에 포착되지 않습니다. 차량, 장비, 재고, 시설, 공급망 전반에 존재하는 정보입니다. IoT는 이런 물리적 활동을 활용 가능한 데이터로 바꿔 줍니다.

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?

같은 데이터를 넣으면 같은 통찰이 나옵니다. AI 모델에 대한 접근이 널리 열리면서 모델 자체는 점점 범용 상품이 되고 있습니다. 실제 차별화 요소는 모델에 넣는 데이터의 품질, 고유성, 관련성입니다.

같은 AI 플랫폼, 시장 전망, 과거 수요 데이터를 사용하는 경쟁 소매업체 두 곳을 생각해 보세요. 한 곳이 창고, 트레일러, 팔레트, 장비에 IoT 센서를 설치했다면 재고 이동, 체류 시간, 자산 활용, 병목, 운영 차질에 관한 실제 현장 데이터를 AI에 지속적으로 공급합니다. 이 AI는 지난 분기에 무슨 일이 있었는지만 학습하는 것이 아니라 지금 사업 전반에서 일어나는 일을 계속 학습합니다.

시간이 지나면 이런 차이는 누적돼 실질적인 우위가 됩니다. AI가 과거 추세나 외부 벤치마크에만 의존하지 않고 자사 운영을 실시간으로 학습하기 때문입니다. 경쟁사가 사거나 웹에서 수집하거나 복제할 수 없는 지식의 원천이 생깁니다.

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

많은 조직은 물리적 운영 현장을 계속 들여다보지 못한 채 중요한 결정을 내립니다. 재고량이나 배송 예정일은 알더라도 자산, 장비, 업무 흐름이 일상적으로 실제 어떻게 작동하는지는 충분히 파악하지 못하는 경우가 많습니다.

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 물류센터에 도착한 뒤 매장으로 배송됐다는 사실은 알아도, 특정 팔레트가 다음 단계로 이동하기 전 대기 구역에서 매번 며칠씩 더 머문다는 점은 모를 수 있습니다. 센서 데이터가 없으면 이런 지연은 대부분 보이지 않습니다. IoT를 쓰면 측정하고 조치할 수 있어 원인을 찾고 재고 흐름을 개선하며 상품 공급 문제를 줄일 수 있습니다.

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 똑같이 중요합니다. 장치는 진동, 충격, 온도 변화, 습기, 수년간의 일상 사용을 견디면서 유지보수를 거의 또는 전혀 하지 않고도 일관되게 작동해야 합니다. 수천 대에서 수만 대로 설치 규모가 커지면 작은 고장률도 큰 운영 문제가 될 수 있습니다.

AI는 기업이 자산 위치를 추적하는 데서 나아가 고장을 예측하고 경로를 최적화하며 낭비를 줄이고 활용도를 높이는 데 어떻게 도움이 되나요?

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.

AI는 이동, 활용도, 체류 시간, 환경 조건 등 운영 데이터의 추세를 분석해 비효율을 찾고 잠재적 문제를 예측하며 개선 기회를 드러낼 수 있습니다. 그 결과 자산 활용도와 운영 효율을 높이고 낭비를 줄이며 더 빠르게 결정할 수 있습니다. 가치는 오늘 자산이 어디 있는지 아는 데 그치지 않습니다. 자산이 생성한 데이터로 다음 상황에 더 현명하게 대응하는 데 있습니다.

물류, 콜드체인, 의료, 건설, 장비 관리 같은 산업에서 IoT 데이터와 AI를 결합할 단기 기회가 가장 큰 곳은 어디라고 보시나요?

복잡한 운영 환경에 흩어진 막대한 양의 자산을 관리하는 산업에서 기회가 가장 큽니다. 물류, 콜드체인, 의료, 건설, 장비 관리가 모두 여기에 해당합니다.

이것은 이론에 그치지 않습니다. 대형 소매업체부터 자동차 완성차 업체와 중장비 제조업체에 이르기까지 대기업들은 이미 이 전략을 실행하고 있으며, 바로 그래서 IoT에 상당한 투자를 하고 있습니다. 이사회도 점점 AI를 쓰는지보다 측정 가능한 사업 가치가 어디서 나오는지를 묻고 있습니다. 답은 처리량 증가, 품질 사고 감소, 정시 배송 개선, 고객 경험 향상 같은 운영 성과에 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 기업이 과소평가하는 변화 관리입니다. 대규모 도입이 기술 때문에 실패하는 경우는 드뭅니다. 데이터가 알려 주는 내용에 사람들이 행동으로 대응하지 않을 때 실패합니다. 대기 구역의 재고가 부족하다는 알림도 누군가 실제로 재고를 옮겨야 가치가 있습니다. 따라서 통찰을 행동에 연결하는 절차와 습관을 만드는 일이 가장 어렵고 중요합니다.

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

앞으로 자체 운영에서 얻는 고유한 지식과 통찰이 AI 선도 기업과 남들과 같은 도구만 사용하는 기업을 가르는 가장 큰 장벽 중 하나가 될 것이라고 보시나요?

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

두각을 나타낼 조직은 자체 환경에서 고유한 운영 지식을 만들고 더 나은 결정에 활용하는 곳입니다. 많은 산업에서 가장 가치 있는 정보 일부는 자산, 장비, 재고, 공급망 등 물리적 세계에 여전히 존재합니다. 경쟁사가 사거나 웹에서 수집하거나 복제할 수 없는 정보입니다.

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.