Ilan Gluck, Head of Go-to-Market, Noord-Amerika bij Digital Matter – Interviewreeks

Ilan Gluck, Head of Go-to-Market, Noord-Amerika bij Digital Matter, is een ervaren technologie- en commercieel leider met een achtergrond in Internet of Things (IoT), kunstmatige intelligentie, supply chain-technologie, data-analyse en ondernemingsstrategie. Voordat hij bij Digital Matter kwam, werkte hij meer dan vijf jaar bij Cox 2M en GearTrack, waar hij als algemeen directeur en Chief Revenue Officer diende en hielp bij het verbeteren van real-time asset-tracking en supply chain-zichtbaarheidsoplossingen. Eerder was Gluck algemeen directeur bij Wasteless AI, waar hij werkte aan AI-gebaseerde dynamische prijstechnologie om voedseldetailhandelaren te helpen afval te verminderen, en had senior product- en commerciële rollen bij WeissBeerger, een IoT- en data-analysebedrijf dat werd overgenomen door AB InBev. Hij begon zijn carrière bij Deloitte Consulting, waar hij strategie en operaties deed, waardoor hij een combinatie van product-, commercialisatie- en strategische ervaring kreeg in opkomende technologieën.

Digital Matter is een wereldwijd IoT-hardwarebedrijf dat gespecialiseerd is in langdurige asset-tracking, sensorbewaking en telematicaplossingen. Het bedrijf ontwikkelt robuuste, laagvermogende verbonden apparaten die zijn ontworpen voor inzet in gebieden zoals logistiek, vloot- en apparatuurtracking, supply chain-bewaking, landbouw en milieutoepassingen, met miljoenen apparaten die wereldwijd zijn geïmplementeerd. De hardware van het bedrijf ondersteunt een reeks positionerings- en connectiviteitstechnologieën, waaronder Global Navigation Satellite System (GNSS), Wi-Fi-positionering, Bluetooth Low Energy (BLE), cellulair IoT, LoRaWAN en satellietconnectiviteit. Digital Matter biedt ook een cloudgebaseerd Device Manager-platform dat klanten en partners in staat stelt om verbonden apparaten op afstand te configureren, te bewaken, te provisioneren en te beheren op grote schaal.

Voordat u bij Digital Matter kwam, werkte u bij GearTrack, Wasteless AI en WeissBeerger, waar real-time operationele gegevens werden gebruikt om supply chains te verbeteren, afval te verminderen en betere commerciële beslissingen te nemen. Hoe heeft die ervaring uw visie op IoT als basis voor ondernemings-AI gevormd?

Over GearTrack, Wasteless AI en WeissBeerger heen zag ik eerstehands dat de beste technologie alleen zo goed is als de gegevens erachter.

Elk bedrijf loste een ander probleem op, maar de gemeenschappelijke draad was het gebruik van real-time-informatie uit de fysieke wereld om betere beslissingen te nemen. Dat kan betekenen dat men begrijpt waar de voorraad is, afval identificeert voordat het gebeurt, of een bedrijf helpt om sneller te reageren op wat verandert op de grond.

Die ervaringen hebben echt mijn denken over IoT en AI gevormd. Veel waardevolle operationele informatie wordt nog steeds niet vastgelegd in traditionele bedrijfssystemen. Het bestaat over voertuigen, apparatuur, voorraad, faciliteiten en supply chains. IoT is wat die fysieke activiteit omzet in bruikbare gegevens.

Voor mij maakt dat IoT een kritieke basis voor ondernemings-AI. Het geeft AI een veel duidelijker en actueler beeld van hoe een bedrijf daadwerkelijk werkt. In plaats van alleen naar historische rapporten te kijken, kunnen bedrijven patronen identificeren, problemen voorzien en betere beslissingen nemen in real-time.

Veel bedrijven trainen AI-modellen op dezelfde openbare datasets als hun concurrenten. Waarom denkt u dat propriëtaire operationele gegevens een belangrijker bron van AI-differentiatie worden?

Hetzelfde gegevens erin, dezelfde inzichten eruit. Naarmate de toegang tot AI-modellen breder beschikbaar komt, worden de modellen zelf steeds meer een commodity, waarbij de echte differentiator de kwaliteit, uniekheid en relevantie van de gegevens is die ze voeden.

Als iedereen dezelfde tools gebruikt, getraind op dezelfde openbare, derdepartij- of historische datasets, komen ze allemaal tot ongeveer dezelfde conclusies.

Neem twee concurrerende retailers die dezelfde AI-platform, marktprognoses en historische vraaggegevens gebruiken. Als een van hen IoT-sensoren heeft geïmplementeerd in zijn magazijnen, trailers, pallets en apparatuur, voedt hij zijn AI continu met grondwaarheidsgegevens – real-time-informatie over voorraadbeweging, verblijfstijden, apparatuurgebruik, knelpunten en operationele verstoringen. Zijn AI leert niet alleen van wat er de afgelopen kwartaal is gebeurd. Het leert continu van wat er nu in het bedrijf gebeurt.

Na verloop van tijd levert dat een echt voordeel op. Zijn AI is niet alleen afhankelijk van historische trends of derdepartijbenchmarks. Het leert van het bedrijf zelf in real-time, waardoor een bron van inzicht ontstaat die concurrenten niet kunnen kopen, scannen of repliceren.

Wanneer sensoren worden geïmplementeerd in vloten, faciliteiten, apparatuur en supply chains, welke soorten operationele intelligentie kunnen bedrijven vastleggen die ze anders zouden missen?

Veel organisaties nemen cruciale beslissingen zonder continue zicht op wat er gebeurt in hun fysieke operaties. Ze weten misschien hoeveel voorraad ze hebben of wanneer een zending gepland was om aan te komen, maar ze missen vaak inzicht in hoe assets, apparatuur en workflows daadwerkelijk presteren van dag tot dag.

Door sensoren te implementeren in vloten, faciliteiten, apparatuur en supply chains, kunnen organisaties knelpunten identificeren, apparatuurgebruik volgen, voorraadbeweging monitoren en begrijpen hoe real-time omstandigheden de prestaties beïnvloeden.

Als voorbeeld kan een retailer weten dat de voorraad is aangekomen bij een distributiecentrum en uiteindelijk is geleverd aan een winkel, maar niet beseffen dat bepaalde pallets consistent enkele extra dagen in een tussenopslagruimte doorbrengen voordat ze verder gaan. Zonder sensorgegevens blijft die vertraging grotendeels onzichtbaar. Met IoT wordt het meetbaar en actiegericht – waardoor teams de oorzaak kunnen identificeren, de voorraadstroom kunnen verbeteren en voorraadbeschikbaarheidsproblemen kunnen verminderen.

Hoe verschilt IoT-gegenereerde gegevens van traditionele ondernemingsgegevens als het gaat om het trainen, fijnafstemmen of gronden van AI-systemen?

Traditionele ondernemingsgegevens zijn vaak transactie- en historisch, waarbij gebeurtenissen worden vastgelegd die al hebben plaatsgevonden, zoals bestellingen, facturen, voorraadrecords of voltooide bedrijfsprocessen. Hoewel die informatie waardevol is, reflecteert het voornamelijk een momentopname uit het verleden. En met markten die sneller bewegen dan ooit tevoren, vertelt wat er het afgelopen seizoen is gebeurd, misschien niet veel over dit seizoen.

IoT-gegenereerde gegevens zijn anders omdat ze vastleggen wat er op dit moment gebeurt. Het biedt continue inzicht in assetlocatie, -beweging, -gebruik, omgevingscondities en andere operationele signalen die niet typisch beschikbaar zijn in traditionele ondernemingssystemen.

Voor AI-toepassingen is dat onderscheid belangrijk. Historische gegevens helpen bij het begrijpen van wat er is gebeurd, terwijl IoT-gegevens helpen bij het vaststellen van wat er nu gebeurt. Wanneer organisaties beide combineren, kunnen ze AI-systemen gronden in actuele operationele realiteiten, waardoor meer accurate inzichten en snellere, meer geïnformeerde besluitvorming mogelijk worden.

Digital Matter benadrukt laagvermogende, duurzame apparaten die zijn ontworpen voor langdurige asset-tracking en sensorbewaking. Wat zijn de grootste technische uitdagingen om IoT-apparaten betrouwbaar gegevens te laten produceren voor jaren in complexe omgevingen?

IoT-apparaten worden vaak geïmplementeerd in omgevingen die moeilijk te voorspellen en nog moeilijker te controleren zijn. Een enkel apparaat kan jarenlang tussen faciliteiten, voertuigen, klantsites, afgelegen locaties en gebieden met onstabiele connectiviteit doorbrengen.

Een van de grootste uitdagingen is het vinden van een balans tussen zichtbaarheid en energieverbruik. Hoe vaker een apparaat gegevens verzamelt en verzendt, hoe meer energie het verbruikt. Het ontwerpen van apparaten die belangrijke gebeurtenissen intelligent kunnen vastleggen, zich kunnen aanpassen aan veranderende operationele omstandigheden en maximale batterijlevensduur over meerdere jaren kunnen garanderen, is cruciaal om betrouwbare gegevens op grote schaal te leveren.

Duurzaamheid is even belangrijk. Apparaten moeten trillingen, impact, temperatuurfluctuaties, vochtigheid en jarenlang dagelijks gebruik kunnen weerstaan en consistent presteren met weinig tot geen onderhoud. Zelfs een kleine foutenratio kan een aanzienlijke operationele uitdaging worden wanneer implementaties opschalen tot duizenden of tienduizenden apparaten.

Hoe kan AI bedrijven helpen om verder te gaan dan het simpelweg volgen van de locatie van een asset, naar het voorspellen van fouten, het optimaliseren van routes, het verminderen van afval of het verbeteren van het gebruik?

Weten waar een asset is, is belangrijk, maar locatie alleen vertelt maar een deel van het verhaal. De echte kans ligt in het begrijpen van hoe assets worden gebruikt over tijd en het identificeren van patronen die moeilijk handmatig te herkennen zouden zijn. Wanneer organisaties IoT-gegevens combineren met AI, gaan ze verder dan alleen reageren op gebeurtenissen en beginnen ze ze te anticiperen.

Door trends in beweging, gebruik, verblijfstijd, omgevingscondities en andere operationele gegevens te analyseren, kan AI helpen bij het identificeren van inefficiënties, het voorspellen van potentiële problemen en het naar voren brengen van kansen voor verbetering. Dat kan leiden tot beter assetgebruik, efficiëntere operaties, minder afval en snellere besluitvorming. De waarde ligt niet alleen in het weten waar een asset vandaag is, maar in het gebruik van de gegevens die het genereert om slimmere beslissingen te nemen over wat er daarna gebeurt.

In branches zoals logistiek, koude keten, gezondheidszorg, bouw of apparatuurbeheer, waar ziet u de sterkste korte-termijnkansen voor het combineren van IoT-gegevens met AI?

De sterkste kansen liggen in branches die enorme volumes van gedistribueerde assets beheren over complexe operaties, waardoor logistiek, koude keten, gezondheidszorg, bouw en apparatuurbeheer allemaal in het profiel passen.

En dit is geen theorie. Grote ondernemingen, van grote retailers tot automotive OEM’s en zware apparatuurfabrikanten, voeren deze strategie al uit, en dat is precies waarom ze aanzienlijke IoT-investeringen doen. Steeds vaker vragen hun raden niet langer of ze AI gebruiken, maar waar de meetbare businesswaarde vandaan komt, en de antwoorden zijn operationeel: verbeterde doorvoer, minder kwaliteitsincidenten, betere levering op tijd en betere klantbeleving.

Als bedrijven meer sensoren en verbonden apparaten implementeren, hoe moeten ze denken over gegevenskwaliteit, signaalbetrouwbaarheid, beveiliging en governance als ze IoT-gegevens behandelen als een strategisch AI-middel?

AI-modellen zijn alleen zo goed als de gegevens eronder. Organisaties hebben de neiging om meer gegevens te verzamelen, maar als die gegevens onvolledig, inconsistent of onbetrouwbaar zijn, zullen de inzichten van de AI ook onbetrouwbaar zijn. Het is het klassieke “garbage in, garbage out”-probleem, en op ondernemingsniveau wordt het een dure fout.

Daarom moet gegevenskwaliteit vanaf dag één een prioriteit zijn. Organisaties moeten vertrouwen hebben dat gegevens consistent worden verzameld, beveiligd worden verzonden en nauwkeurig weerspiegelen wat er in de fysieke wereld gebeurt, samen met duidelijke governance over waar gegevens vandaan komen, hoe ze worden beheerd en hoe ze moeten worden geïnterpreteerd.

Uiteindelijk ligt de waarde niet in het genereren van meer gegevens. Het ligt in het genereren van betrouwbare, hoogwaardige gegevens die kunnen dienen als een betrouwbare basis voor besluitvorming.

Wat zijn de stappen die bedrijven moeten nemen om de gegevens van bestaande IoT-implementaties meer bruikbaar te maken voor AI-toepassingen?

De eerste stap is om te beginnen met het bedrijfsprobleem, niet met de AI. Zodra het doel duidelijk is, of het nu gaat om het verminderen van verblijfstijd, het verbeteren van het gebruik, het verminderen van verliezen of het optimaliseren van routes, wordt het veel gemakkelijker om de gegevens, workflows en AI-mogelijkheden te identificeren die nodig zijn om het te ondersteunen. Veel organisaties verzamelen al enorme hoeveelheden operationele gegevens, maar die zitten in niet-geconnecteerde systemen en komen nooit in een beslissing terecht.

De tweede stap is die waarin de meeste bedrijven onderschatten, en dat is change management. Grote implementaties falen zelden vanwege de technologie. Ze falen wanneer mensen niet handelen naar wat de gegevens vertellen. Een melding dat een tussenopslagruimte onder voorraad is, creëert alleen waarde als iemand de voorraad daadwerkelijk verplaatst, dus het opbouwen van processen en gewoonten die inzichten verbinden met actie is het moeilijkste en belangrijkste deel van het werk.

Uiteindelijk zijn de bedrijven die het meeste succes zien, degene die operationele gegevens verbinden met meetbare bedrijfsresultaten en ervoor zorgen dat hun mensen het gebruiken.

Kijkt u vooruit, denkt u dat propriëtaire operationele intelligentie een van de grootste barrières zal worden die AI-leiders scheiden van bedrijven die alleen dezelfde tools gebruiken als iedereen? 

Ja. Naarmate AI breder beschikbaar komt, wordt technologie alleen minder een differentiator.

De organisaties die uitblinken, zullen degene zijn die unieke operationele intelligentie genereren uit hun eigen omgevingen en die gebruiken om betere beslissingen te nemen. In veel branches is enige van de meest waardevolle informatie nog steeds fysiek aanwezig, over assets, apparatuur, voorraad en supply chains – en die kan niet worden gekocht, gescand of gerepliceerd door een concurrent.

De bedrijven die consistent operationele informatie kunnen vastleggen, begrijpen en gebruiken, zullen in een veel sterker positie verkeren dan die die alleen afhankelijk zijn van dezelfde tools en datasets als iedereen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen een bezoek brengen aan Digital Matter.