Ilan Gluck, Dyrektor ds. Marketingu, Ameryka Północna w Digital Matter – Seria wywiadów

Ilan Gluck, Dyrektor ds. Marketingu, Ameryka Północna w Digital Matter, jest doświadczonym liderem technologicznym i komercyjnym z doświadczeniem w zakresie Internetu Rzeczy (IoT), sztucznej inteligencji, technologii łańcucha dostaw, analizy danych i strategii przedsiębiorstw. Przed dołączeniem do Digital Matter spędził ponad pięć lat w Cox 2M i GearTrack, pełniąc funkcję Dyrektora Generalnego i Chief Revenue Officer oraz pomagając w rozwoju rozwiązań do śledzenia aktywów i widoczności łańcucha dostaw w czasie rzeczywistym. Wcześniej Gluck był Dyrektorem Generalnym w Wasteless AI, gdzie pracował nad technologią dynamicznego ustalania cen opartą na sztucznej inteligencji, zaprojektowaną w celu pomocy detalistom w redukowaniu marnowania żywności, oraz pełnił stanowiska kierownicze ds. produktu i komercyjnych w WeissBeerger, firmie IoT i analityki danych, która została przejęta przez AB InBev. Rozpoczął swoją karierę w strategii i operacjach w Deloitte Consulting, co dało mu połączenie doświadczenia w zakresie produktu, komercjalizacji i strategii w dziedzinie technologii wschodzących.

Digital Matter to globalna firma specjalizująca się w urządzeniach do śledzenia aktywów na długie okresy, monitorowaniu czujników i rozwiązaniach telematycznych. Firma rozwija wytrzymałe, niskomocne urządzenia podłączone do sieci, zaprojektowane do wdrożeń w obszarach takich jak logistyka, śledzenie floty i sprzętu, monitorowanie łańcucha dostaw, rolnictwo i aplikacje środowiskowe, z milionami urządzeń wdrożonych na całym świecie. Jej urządzenia wspierają szereg technologii pozycjonowania i łączności, w tym Globalny System Nawigacji Satelitarnej (GNSS), Wi-Fi, Bluetooth Low Energy (BLE), IoT komórkowy, LoRaWAN i łączność satelitarną. Digital Matter oferuje również platformę Device Manager opartą na chmurze, która umożliwia klientom i partnerom zdalne konfigurowanie, monitorowanie, przydzielanie i zarządzanie urządzeniami podłączonymi do sieci w skali.

Przed dołączeniem do Digital Matter pracowałeś w GearTrack, Wasteless AI i WeissBeerger, gdzie dane operacyjne w czasie rzeczywistym były wykorzystywane do poprawy łańcuchów dostaw, redukowania marnowania i podejmowania lepszych decyzji komercyjnych. Jak doświadczenie to ukształtowało Twoje spojrzenie na IoT jako podstawę dla sztucznej inteligencji w przedsiębiorstwie?

W GearTrack, Wasteless AI i WeissBeerger widziałem na własne oczy, że najlepsza technologia jest tylko tak dobra, jak dane, które ją wspierają.

Każda firma rozwiązywała inny problem, ale wspólnym wątkiem było wykorzystywanie informacji w czasie rzeczywistym z świata fizycznego do podejmowania lepszych decyzji. Mogło to oznaczać zrozumienie, gdzie znajduje się zapas, identyfikację marnowania przed jego wystąpieniem lub pomoc firmie w szybszej reakcji na to, co się zmienia na miejscu.

Te doświadczenia naprawdę ukształtowały, jak myślę o IoT i AI. Wiele cennych informacji operacyjnych nadal nie jest przechwytywanych w tradycyjnych systemach biznesowych. Istnieją one w pojazdach, sprzęcie, zapasach, obiektach i łańcuchach dostaw. IoT to to, co przekształca tę aktywność fizyczną w użyteczne dane.

Dla mnie to sprawia, że IoT jest krytyczną podstawą dla sztucznej inteligencji w przedsiębiorstwie. Daje AI znacznie jaśniejszy i bardziej aktualny obraz tego, jak firma naprawdę działa. Zamiast patrzeć tylko wstecz na historyczne raporty, firmy mogą zacząć identyfikować wzorce, przewidywać problemy i podejmować lepsze decyzje w czasie rzeczywistym.

Wiele firm szkoli modele AI na tych samych publicznych zbiorach danych, co ich konkurenci. Dlaczego uważasz, że własne dane operacyjne stają się coraz ważniejszym źródłem różnicowania AI?

Same dane wejściowe, same wnioski. Ponieważ dostęp do modeli AI staje się coraz bardziej powszechny, same modele stają się coraz bardziej towarami, a prawdziwym różnicowaniem jest jakość, unikalność i istotność danych, które je karmią.

Jeśli wszyscy używają tych samych narzędzi, szkolonych na tych samych publicznych, zewnętrznych lub historycznych zbiorach danych, wszyscy dochodzą do mniej więcej tych samych wniosków.

Weźmy dwóch konkurencyjnych detalistów, którzy używają tego samego platformy AI, prognoz rynkowych i historycznych danych popytu. Jeśli jeden z nich wdrożył czujniki IoT w swoich magazynach, ciągle karmi swoją AI danymi z pierwszej ręki – informacjami w czasie rzeczywistym o ruchu zapasów, czasach postoju, wykorzystaniu aktywów, wąskich gardzieli i zakłóceniach operacyjnych. Jego AI nie tylko uczy się tego, co się wydarzyło w zeszłym kwartale. Ciągle uczy się tego, co dzieje się w firmie tu i teraz.

W czasie to się kumuluje w prawdziwą przewagę. Jego AI nie polega wyłącznie na historycznych trendach lub zewnętrznych benchmarkach. Uczy się od własnych operacji w czasie rzeczywistym, tworząc źródło wywiadu, którego konkurenci nie mogą kupić, zebrać ani odtworzyć.

Gdy czujniki są wdrożone w flotach, obiektach, sprzęcie i łańcuchach dostaw, jakie rodzaje informacji operacyjnych mogą firmy przechwytywać, których w przeciwnym razie by nie zauważyły?

Wiele organizacji podejmuje kluczowe decyzje bez ciągłej widoczności tego, co dzieje się w ich operacjach fizycznych. Mogą wiedzieć, ile mają zapasów lub kiedy przewidziano przyjazd dostawy, ale często brakuje im wglądu w to, jak aktywa, sprzęt i przepływy pracy naprawdę działają od dnia do dnia.

Wdrażając czujniki w flotach, obiektach, sprzęcie i łańcuchach dostaw, organizacje mogą identyfikować wąskie gardziele, śledzić wykorzystanie aktywów, monitorować ruch zapasów i rozumieć, jak warunki świata rzeczywistego wpływają na wydajność.

Na przykład detalista może wiedzieć, że zapasy przybyły do centrum dystrybucyjnego i ostatecznie zostały dostarczone do sklepu, ale nie zdaje sobie sprawy, że pewne palety spędzają konsekwentnie kilka dodatkowych dni w obszarze przedsionkowym, zanim będą przeniesione do przodu. Bez danych z czujników ten opóźnienie pozostaje w dużej mierze niewidoczne. Z IoT staje się ono mieralne i możliwe do podjęcia działań – pozwalając zespołom na identyfikację przyczyny, poprawę przepływu zapasów i redukcję problemów z dostępnością zapasów.

Jak dane wygenerowane przez IoT różnią się od tradycyjnych danych przedsiębiorstwa, jeśli chodzi o szkolenie, doskonalenie lub ugruntowanie systemów AI?

Tradycyjne dane przedsiębiorstwa są często transakcyjne i historyczne, przechwytujące zdarzenia, które już się wydarzyły, takie jak zamówienia, faktury, rekordy zapasów lub zakończone procesy biznesowe. Chociaż ta informacja jest cenna, głównie odzwierciedla migawkę przeszłości. A z rynkami poruszającymi się szybciej niż kiedykolwiek wcześniej, to, co się wydarzyło w zeszłym sezonie, może nie powiedzieć wiele o tym, co się dzieje teraz.

Dane wygenerowane przez IoT są inne, ponieważ przechwytują to, co dzieje się w czasie rzeczywistym. Zapewniają ciągły wgląd w lokalizację aktywów, ruch, wykorzystanie, warunki środowiskowe i inne sygnały operacyjne, które nie są zwykle dostępne w tradycyjnych systemach przedsiębiorstwa.

Dla aplikacji AI ta różnica jest ważna. Dane historyczne pomagają wyjaśnić, co się wydarzyło, podczas gdy dane IoT pomagają ustalić, co się dzieje teraz. Kiedy organizacje łączą obie, mogą ugruntować systemy AI w bieżących realiach operacyjnych, tworząc bardziej dokładne wnioski i umożliwiając szybsze, bardziej poinformowane podejmowanie decyzji.

Digital Matter kładzie nacisk na urządzenia niskomocne i wytrzymałe, zaprojektowane do długoterminowego śledzenia aktywów i monitorowania czujników. Jakie są największe wyzwania techniczne w utrzymaniu urządzeń IoT w sposób niezawodny produkujących dane przez lata w złożonych środowiskach?

Urządzenia IoT są często wdrażane w środowiskach, które są trudne do przewidzenia i jeszcze trudniejsze do kontrolowania. Jedno urządzenie może spędzić lata, poruszając się między obiektami, pojazdami, miejscami klientów, lokalizacjami zdalnymi i obszarami o nieciągłej łączności.

Jednym z największych wyzwań jest balansowanie widoczności z zużyciem energii. Im częściej urządzenie zbiera i przekazuje dane, tym więcej energii zużywa. Projektowanie urządzeń, które mogą inteligentnie przechwytywać znaczące zdarzenia, adaptować się do zmieniających się warunków operacyjnych i maksymalizować żywotność baterii przez wiele lat, jest kluczowe dla dostarczania niezawodnych danych w skali.

Wytrzymałość jest równie ważna. Urządzenia muszą wytrzymać wibracje, uderzenia, wahania temperatury, wilgoć i lata codziennego użytkowania, nadal działając w sposób ciągły, z minimalnym lub żadnym utrzymaniem. Nawet niewielki wskaźnik awarii może stać się znaczącym wyzwaniem operacyjnym, gdy wdrożenia osiągają skalę tysięcy lub dziesiątków tysięcy urządzeń.

Jak AI może pomóc firmom w przejściu od prostego śledzenia, gdzie znajduje się aktywo, do przewidywania awarii, optymalizacji tras, redukowania marnowania lub poprawy wykorzystania?

Wiedzieć, gdzie jest aktywo, jest ważne, ale lokalizacja sama w sobie opowiada tylko część historii. Prawdziwa okazja pojawia się, gdy rozumie się, jak aktywa są wykorzystywane w czasie, i identyfikuje się wzorce, które byłyby trudne do zauważenia ręcznie. Kiedy organizacje łączą dane IoT z AI, przechodzą od reagowania na zdarzenia do ich przewidywania.

Analizując trendy w ruchu, wykorzystaniu, czasie postoju, warunkach środowiskowych i innych danych operacyjnych, AI może pomóc w identyfikowaniu nieefektywności, przewidywaniu potencjalnych problemów i ujawnianiu okazji do poprawy. To może prowadzić do lepszego wykorzystania aktywów, bardziej efektywnych operacji, redukowania marnowania i szybszego podejmowania decyzji. Wartość nie leży tylko w tym, aby wiedzieć, gdzie jest aktywo dzisiaj, ale w tym, aby wykorzystać dane, które generuje, do podejmowania mądrzejszych decyzji o tym, co się dzieje dalej.

W branżach takich jak logistyka, łańcuch chłodniczy, opieka zdrowotna, budownictwo lub zarządzanie sprzętem, gdzie widzisz najmocniejsze możliwości w krótkim terminie dla połączenia danych IoT z AI?

Najmocniejsze możliwości tkwią w branżach, które zarządzają ogromnymi ilościami rozproszonych aktywów w złożonych operacjach, dlatego logistyka, łańcuch chłodniczy, opieka zdrowotna, budownictwo i zarządzanie sprzętem wszystkie pasują do tego profilu.

I to nie jest teoretyczne. Duże przedsiębiorstwa, od dużych detalistów po producentów OEM i ciężkiego sprzętu, już realizują tę strategię, dlatego właśnie inwestują w IoT. Coraz częściej ich zarządy nie pytają już, czy używają AI, ale pytają, skąd pochodzi wymierna wartość biznesowa. Odpowiedzi są operacyjne: poprawiona wydajność, mniej incydentów jakościowych, lepsza dostawa na czas i lepsze doświadczenie klienta.

W krótkim terminie największa wartość przyjdzie z pomocy organizacjom w podejmowaniu lepszych decyzji operacyjnych przy użyciu aktywności, którą już generują każdego dnia, ale nie potrafią w pełni przechwytywać ani wykorzystywać.

Gdy firmy wdrażają więcej czujników i urządzeń podłączonych do sieci, jak powinny myśleć o jakości danych, niezawodności sygnału, bezpieczeństwie i zarządzaniu, gdy traktują dane IoT jako strategiczne aktywo AI?

Modele AI są tylko tak dobre, jak dane, które je wspierają. Organizacje skłonne są koncentrować się na zbieraniu więcej danych, ale jeśli te dane są niepełne, niespójne lub niezawodne, wnioski AI również będą nimi. To jest klasyczny problem “śmieci w, śmieci wy”, a w skali przedsiębiorstwa staje się to drogi błąd.

Dlatego jakość danych musi być priorytetem od samego początku. Organizacje muszą mieć pewność, że dane są zbierane w sposób ciągły, przekazywane bezpiecznie i dokładnie odzwierciedlają to, co dzieje się w świecie fizycznym, wraz z jasnym zarządzaniem dotyczącym pochodzenia danych, ich zarządzania i interpretacji.

Ostatecznie wartość nie leży w generowaniu więcej danych. Leży w generowaniu danych zaufanych, wysokiej jakości, które mogą służyć jako niezawodna podstawa do podejmowania decyzji.

Dla firm, które już mają wdrożone rozwiązania IoT, jakie kroki powinny one podjąć, aby uczynić te dane bardziej użytecznymi dla aplikacji AI?

Pierwszym krokiem jest rozpoczęcie od problemu biznesowego, a nie od AI. Gdy cel jest jasny, niezależnie od tego, czy jest to redukowanie czasu postoju, poprawa wykorzystania czy ograniczanie strat, staje się znacznie łatwiejsze zidentyfikowanie danych, przepływów pracy i możliwości AI, które są potrzebne do jego wspierania. Wiele organizacji już zbiera ogromne ilości danych operacyjnych, ale spoczywają one w rozłącznych systemach i nigdy nie stają się częścią decyzji.

Drugim krokiem jest to, co większość firm niedocenia, a mianowicie zarządzanie zmianą. Wdrożenia w skali rzadko kończą się niepowodzeniem z powodu technologi. Kończą się niepowodzeniem, gdy ludzie nie działają na podstawie tego, co dane im mówią. Alarm, że obszar przedsionkowy jest niedostatecznie zaopatrzony, tworzy wartość tylko wtedy, gdy ktoś faktycznie przenosi zapasy, więc budowanie procesów i nawyków, które łączą wnioski z działaniem, jest najtrudniejszą i najważniejszą częścią pracy.

Ostatecznie firmy, które odnoszą największe sukcesy, są tymi, które łączą dane operacyjne z wymiernymi wynikami biznesowymi i dbają o to, aby ich ludzie z nich korzystali.

Spójrzając w przyszłość, uważasz, że własna inteligencja operacyjna stanie się jedną z największych barier dzielących liderów AI od firm, które używają tych samych narzędzi, co wszyscy inni?

Tak. Gdy AI staje się coraz bardziej powszechne, sama technologia staje się mniej różnicująca.

Organizacje, które się wyróżniają, będą tymi, które generują unikalną inteligencję operacyjną ze swoich własnych środowisk i używają jej do podejmowania lepszych decyzji. W wielu branżach część z najcenniejszych informacji nadal istnieje w świecie fizycznym, w aktywach, sprzęcie, zapasach i łańcuchach dostaw – i nie można ich kupić, zebrać ani odtworzyć przez konkurenta.

Firmy, które mogą stale przechwytywać, rozumieć i działać na podstawie tych informacji, będą w znacznie silniejszej pozycji niż te, które polegają wyłącznie na tych samych narzędziach i zbiorach danych, co wszyscy inni.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Digital Matter.