Ilan Gluck, leder for Go-to-Market, Nord-Amerika hos Digital Matter – Intervju-serie

Ilan Gluck, leder for Go-to-Market, Nord-Amerika hos Digital Matter, er en erfaren teknologi- og kommersiell leder med bakgrunn fra Internett of Things (IoT), kunstig intelligens, supply chain-teknologi, dataanalyse og bedriftsstrategi. Før han ble med i Digital Matter, tilbrakte han over fem år hos Cox 2M og GearTrack, hvor han var generalsekretær og sjef for inntekter og hjalp til å fremme løsninger for sanntids sporings- og supply chain-synlighet. Tidligere var Gluck generalsekretær hos Wasteless AI, hvor han arbeidet med AI-drevet dynamisk prissettingsteknologi designet for å hjelpe mat detaljhandlere å redusere avfall, og hadde seniorprodukt- og kommersielle roller hos WeissBeerger, et IoT- og dataanalyse-selskap som ble kjøpt av AB InBev. Han startet sin karriere i strategi og operasjoner hos Deloitte Consulting, noe som ga ham en kombinasjon av produkt-, kommersialisering- og strategisk erfaring over nye teknologier.

Digital Matter er et globalt IoT-hardware-selskap som spesialiserer seg på langvarig aktivumssporing, sensorovervåking og telematikk-løsninger. Selskapet utvikler robuste, lavkraft-tilkoblede enheter designet for å bli brukt i områder som logistikk, flåte- og utstyrssporing, supply chain-overvåking, jordbruk og miljøapplikasjoner, med millioner av enheter distribuert globalt. Deres hardware støtter en rekke posisjonering- og tilkoblingsteknologier, inkludert Global Navigation Satellite System (GNSS), Wi-Fi-posisjonering, Bluetooth Low Energy (BLE), cellulær IoT, LoRaWAN og satellitt-tilkobling. Digital Matter tilbyr også en sky-basert enhetsadministrator-plattform som gjør det mulig for kunder og partnere å konfigurere, overvåke, forhåndsgodkjenne og håndtere tilkoblede enheter på en skala.

Før du ble med i Digital Matter, arbeidet du i GearTrack, Wasteless AI og WeissBeerger, hvor sanntids operasjonell data ble brukt til å forbedre supply chains, redusere avfall og skape bedre kommersielle beslutninger. Hvordan har denne erfaringen formet din syn på IoT som en basis for bedrifts-AI?

Over GearTrack, Wasteless AI og WeissBeerger, så jeg førstehånds at den beste teknologien bare er like god som dataene bak den.

Hver bedrift løste et annet problem, men det felles tråden var å bruke sanntids informasjon fra den fysiske verden til å ta bedre beslutninger. Det kunne bety å forstå hvor lagerbeholdningen var, å identifisere avfall før det skjedde, eller å hjelpe en bedrift å reagere raskere på hva som skjedde på bakken.

Disse erfaringene har virkelig formet hvordan jeg tenker om IoT og AI. Mye verdifull operasjonell informasjon er fremdeles ikke fanget i tradisjonelle bedriftssystemer. Den eksisterer over kjøretøy, utstyr, lagerbeholdning, fasiliteter og supply chains. IoT er hva gjør denne fysiske aktiviteten til brukbar data.

For meg gjør det at IoT er en kritisk basis for bedrifts-AI. Den gir AI en mye klarere og mer aktuell bilde av hvordan en bedrift faktisk opererer. I stedet for å bare se tilbake på historiske rapporter, kan bedrifter begynne å identifisere mønster, forutse problemer og ta bedre beslutninger i sanntid.

Mange bedrifter trener AI-modeller på samme offentlige datasæt som deres konkurrenter. Hvorfor tror du at proprietær operasjonell data blir en viktigere kilde til AI-differensiering?

Samme data inn, samme innsikt ut. Når tilgangen til AI-modeller blir mer tilgjengelig, blir modellene selv mer og mer varer, med den virkelige differensieringen være kvaliteten, unikheten og relevansen av dataene som mates inn i dem.

Hvis alle bruker samme verktøy, trent på samme offentlige, tredjeparts- eller historiske datasæt, kommer de alle til å nå samme konklusjoner.

La oss ta to konkurrerende detaljhandlere som bruker samme AI-plattform, markedsprognoser og historiske etterspørselsdata. Hvis en av dem har deployert IoT-sensorene over sine lager, trailere, pall og utstyr, mates det kontinuerlig sin AI sanntids data – informasjon om lagerbeholdning, dvale, aktivumutnyttelse, flaskehalser og operasjonelle forstyrrelser. AI-en er ikke bare lærende fra hva som skjedde forrige kvartal. Den lærer kontinuerlig fra hva som skjer over hele bedriften akkurat nå.

Over tid kompenserer det til en virkelig fordel. AI-en er ikke bare avhengig av historiske trender eller tredjeparts-benchmark. Den lærer fra bedriftens egne operasjoner i sanntid, og skaper en kilde til intelligens som konkurrenter ikke kan kjøpe, skrape eller replikere.

Når sensorer deployeres over flåter, fasiliteter, utstyr og supply chains, hva slags operasjonell intelligens kan bedrifter fange som de ellers ville ha gått glipp av?

Mange organisasjoner tar kritiske beslutninger uten kontinuerlig synlighet inn i hva som skjer over sine fysiske operasjoner. De kan vite hvor mye lagerbeholdning de har eller når en sending var planlagt å ankomme, men de mangler ofte innsikt i hvordan aktivum, utstyr og arbeidsflyter faktisk utføres fra dag til dag.

Ved å deployere sensorer over flåter, fasiliteter, utstyr og supply chains, kan organisasjoner identifisere flaskehalser, spore aktivumutnyttelse, overvåke lagerbeholdning og forstå hvordan sanntids forhold påvirker ytelse.

For eksempel kan en detaljhandler vite at lagerbeholdning ankom en distribusjonsentral og til slutt ble levert til en butikk, men ikke innse at visse pall jevnt over tilbringer flere ekstra dager i en ventningsområde før de flyttes nedstrøms. Uten sensor-data forblir denne forsinkelsen stort sett usynlig. Med IoT blir den målbart og håndterbar – og lar teamene identifisere årsaken, forbedre lagerflyten og redusere lagerbeholdningsproblemer.

Hvordan skiller IoT-generert data seg fra tradisjonell bedriftsdata når det kommer til å trene, finjustere eller grunnlegge AI-systemer?

Tradisjonell bedriftsdata er ofte transaksjonell og historisk, og fanger hendelser som allerede har skjedd, som bestillinger, fakturaer, lagerbeholdningsposter eller fullførte forretningsprosesser. Mens den informasjonen er verdifull, reflekterer den primært et bilde av fortiden. Og med markedene som beveger seg raskere enn noensinne, kan det som skjedde forrige sesong ikke si mye om denne sesongen.

IoT-generert data er annerledes fordi den fanger hva som skjer i sanntid. Den gir kontinuerlig innsikt i aktivum-plassering, bevegelse, utnyttelse, miljøforhold og andre operasjonelle signaler som vanligvis ikke er tilgjengelige i tradisjonelle bedriftssystemer.

For AI-applikasjoner er den forskjellen viktig. Historisk data hjelper med å forklare hva som skjedde, mens IoT-data hjelper med å etablere hva som skjer nå. Når organisasjoner kombinerer de to, kan de grunnlegge AI-systemer i nåværende operasjonelle realiteter, og skape mer nøyaktige innsikter og muliggjøre raskere, mer informerte beslutninger.

Digital Matter legger vekt på lavkraft-, robuste enheter bygget for langvarig aktivumssporing og sensorovervåking. Hva er de største tekniske utfordringene i å holde IoT-enhetene pålitelig produksjon av data i år i komplekse miljøer?

IoT-enhetene er ofte deployert i miljøer som er vanskelige å forutsi og enda vanskeligere å kontrollere. En enkelt enhet kan tilbringe år med å flytte mellom fasiliteter, kjøretøy, kundesider, fjerntliggende lokasjoner og områder med inkonsistent tilkobling.

En av de største utfordringene er å balansere synlighet med kraftforbruk. Jo oftere en enhet samler inn og overfører data, jo mer energi forbrukes. Å designe enheter som kan inteligent fange meningsfulle hendelser, tilpasse seg endrede driftsforhold og maksimere batterilevetid over flere år er kritisk for å levere pålitelig data i skala.

Robusthet er like viktig. Enhetene må tåle vibrasjon, påvirkning, temperaturfluktuasjoner, fuktighet og år med dag-til-dag-bruk mens de fortsatt utfører konsistent, med liten eller ingen vedlikehold. Selv en liten feilrate kan bli en betydelig operasjonell utfordring når deployeringer skalerer til tusenvis eller titusenvis av enheter.

Hvordan kan AI hjelpe bedrifter å gå ut over å bare spore hvor et aktivum er, mot å forutsi feil, optimalisere ruter, redusere avfall og forbedre utnyttelse?

Å vite hvor et aktivum er, er viktig, men plassering alene forteller bare en del av historien. Den virkelige muligheten kommer fra å forstå hvordan aktivumene brukes over tid og å identifisere mønster som ville være vanskelige å spore manuelt. Når organisasjoner kombinerer IoT-data med AI, går de ut over å bare reagere på hendelser og begynner å forutsi dem.

Ved å analysere trender i bevegelse, utnyttelse, dvale, miljøforhold og andre operasjonelle data, kan AI hjelpe med å identifisere ineffisienser, forutsi potensielle problemer og fremheve muligheter for forbedring. Dette kan føre til bedre aktivumutnyttelse, mer effektive operasjoner, redusert avfall og raskere beslutninger. Verdien er ikke bare å vite hvor et aktivum er i dag, men å bruke dataene det genererer til å ta smartere beslutninger om hva som skjer neste.

I bransjer som logistikk, kjølekedje, helse, bygging eller utstyrshåndtering, hvor ser du de sterkeste nærmeste mulighetene for å kombinere IoT-data med AI?

De sterkeste mulighetene er i bransjer som håndterer enorme volumer distribuerte aktivum over komplekse operasjoner, og det er derfor logistikk, kjølekedje, helse, bygging og utstyrshåndtering alle passer profilen.

Og dette er ikke teoretisk. Store bedrifter, fra store detaljhandlere til bil-OEM-er og tungt utstyr-produsenter, har allerede iverksatt denne strategien, og det er nettopp derfor de investerer tungt i IoT. Økende, spør deres styre ikke lenger om de bruker AI, men om hvor den målbare forretningsverdien kommer fra, og svarene er operasjonelle: forbedret gjennomstrømming, færre kvalitets hendelser, bedre påtid, og bedre kundeopplevelse.

Hvordan bør bedrifter tenke om datakvalitet, signal-pålitelighet, sikkerhet og styring når de behandler IoT-data som en strategisk AI-ressurs?

AI-modeller er bare like gode som dataene under dem. Organisasjoner tenderer til å fokusere på å samle inn mer data, men hvis den dataen er ufullstendig, inkonsistent eller upålitelig, vil AI-ens innsikter også være det. Det er det klassiske “skrald inn, skrald ut”-problemet, og på bedriftsnivå blir det en dyrekjøpt feil.

Derfor må datakvalitet være en prioritet fra dag én. Organisasjoner må ha tillit til at dataene samles inn konsistent, overføres trygt og reflekterer nøyaktig hva som skjer i den fysiske verden, samt ha klare retningslinjer for hvor dataene kommer fra, hvordan de håndteres og hvordan de skal tolkes.

Til slutt er verdien ikke i å generere mer data, men i å generere tillit, høykvalitets data som kan tjene som en pålitelig basis for beslutninger.

Hva skal bedrifter gjøre for å gjøre IoT-data mer brukbar for AI-applikasjoner hvis de allerede har IoT-deployeringer på plass?

Det første skrittet er å starte med forretningsproblemet, ikke AI-en. Når målet er klart, enten det er å redusere dvale, forbedre utnyttelse eller kutte tap, blir det mye enklere å identifisere dataene, arbeidsflytene og AI-kapasiteten som trengs for å støtte det. Mange organisasjoner samler allerede inn enorme mengder operasjonell data, men den ligger i frakoblete systemer og kommer aldri inn i en beslutning.

Det andre skrittet er det som de fleste bedrifter underskattar, og det er endringsledelse. Skalerte deployeringer feiler sjelden på grunn av teknologien. De feiler når folk ikke handler på hva dataene forteller dem. En varsling om at et ventningsområde er underbestykket skaper bare verdi hvis noen faktisk flytter lagerbeholdningen, så å bygge prosesser og vaner som kobler innsikter til handling er det hardeste og viktigste delen av arbeidet.

Til slutt er det bedriftene som ser mest suksess som kobler operasjonell data til målbare forretningsresultater og sørger for at folkene deres bruker den.

Ser du fremover, tror du at proprietær operasjonell intelligens vil bli en av de største barrierene som skiller AI-ledere fra bedrifter som bare bruker samme verktøy som alle andre?

Ja. Når AI blir mer tilgjengelig, blir teknologien selv mindre av en differensierer.

Organisasjonene som skiller seg ut, vil være de som genererer unik operasjonell intelligens fra sine egne miljøer og bruker den til å ta bedre beslutninger. I mange bransjer er noen av de mest verdifulle informasjonene fremdeles i den fysiske verden, over aktivum, utstyr, lagerbeholdning og supply chains – og den kan ikke kjøpes, skrapes eller replikeres av en konkurrent.

Bedriftene som kan fange, forstå og handle på den informasjonen på en konsekvent måte, vil være i en mye sterkere posisjon enn de som bare bruker samme verktøy og datasæt som alle andre.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Digital Matter.