Ilan Gluck, Diretor de Go-to-Market, América do Norte, na Digital Matter – Série de Entrevistas

Ilan Gluck, Diretor de Go-to-Market, América do Norte, na Digital Matter, é um líder experiente em tecnologia e comércio, com uma formação que abrange Internet das Coisas (IoT), inteligência artificial, tecnologia de cadeia de suprimentos, análise de dados e estratégia empresarial. Antes de se juntar à Digital Matter, ele passou mais de cinco anos com a Cox 2M e a GearTrack, atuando como Gerente Geral e Diretor de Receita, e ajudando a avançar soluções de rastreamento de ativos em tempo real e visibilidade da cadeia de suprimentos. Anteriormente, Gluck foi Gerente Geral na Wasteless AI, onde trabalhou em tecnologia de precificação dinâmica baseada em IA, projetada para ajudar varejistas de alimentos a reduzir o desperdício, e ocupou cargos seniores de produto e comércio na WeissBeerger, uma empresa de IoT e análise de dados adquirida pela AB InBev. Ele começou sua carreira em estratégia e operações na Deloitte Consulting, o que lhe deu uma combinação de experiência em produto, comercialização e estratégia em tecnologias emergentes.

Digital Matter é uma empresa global de hardware de IoT que se especializa em rastreamento de ativos de longa vida, monitoramento de sensores e soluções de telemática. A empresa desenvolve dispositivos conectados robustos e de baixo consumo de energia, projetados para implantações em áreas como logística, rastreamento de frotas e equipamentos, monitoramento da cadeia de suprimentos, agricultura e aplicações ambientais, com milhões de dispositivos implantados globalmente. Seu hardware suporta uma variedade de tecnologias de posicionamento e conectividade, incluindo Sistema de Navegação por Satélite Global (GNSS), posicionamento Wi-Fi, Bluetooth Low Energy (BLE), IoT celular, LoRaWAN e conectividade por satélite. A Digital Matter também fornece uma plataforma de Gerenciamento de Dispositivos baseada em nuvem que permite que clientes e parceiros configurem, monitorem, provisionem e gerenciem dispositivos conectados em escala.

Antes de se juntar à Digital Matter, você trabalhou em GearTrack, Wasteless AI e WeissBeerger, onde dados operacionais em tempo real foram usados para melhorar as cadeias de suprimentos, reduzir o desperdício e criar melhores decisões comerciais. Como essa experiência moldou sua visão de IoT como base para IA empresarial?

Em GearTrack, Wasteless AI e WeissBeerger, eu vi de perto que a melhor tecnologia é apenas tão boa quanto os dados por trás dela.

Cada empresa estava resolvendo um problema diferente, mas o fio condutor comum era o uso de informações em tempo real do mundo físico para tomar melhores decisões. Isso pode significar entender onde o estoque estava, identificar o desperdício antes que acontecesse ou ajudar uma empresa a responder mais rapidamente ao que estava mudando no terreno.

Essas experiências realmente moldaram como eu penso sobre IoT e IA. Muita informação operacional valiosa ainda não é capturada em sistemas de negócios tradicionais. Ela existe em veículos, equipamentos, estoque, instalações e cadeias de suprimentos. A IoT é o que transforma essa atividade física em dados utilizáveis.

Para mim, isso torna a IoT uma base crítica para IA empresarial. Ela fornece à IA uma visão muito mais clara e atualizada de como uma empresa está operando realmente. Em vez de apenas olhar para trás em relatórios históricos, as empresas podem começar a identificar padrões, antecipar problemas e tomar melhores decisões em tempo real.

Muitas empresas estão treinando modelos de IA com os mesmos conjuntos de dados públicos que seus concorrentes. Por que você acredita que dados operacionais proprietários estão se tornando uma fonte mais importante de diferenciação de IA?

Mesmos dados de entrada, mesmas informações de saída. À medida que o acesso a modelos de IA se torna mais amplamente disponível, os modelos em si estão se tornando commodities, com o verdadeiro diferenciador sendo a qualidade, a singularidade e a relevância dos dados que os alimentam.

Se todos estiverem usando as mesmas ferramentas treinadas com os mesmos conjuntos de dados públicos, históricos ou de terceiros, todos chegarão a conclusões aproximadamente iguais.

Considere dois varejistas concorrentes usando a mesma plataforma de IA, previsões de mercado e dados históricos de demanda. Se um deles tiver implantado sensores IoT em seus armazéns, trailers, paletes e equipamentos, estará continuamente alimentando seu IA com dados de verdade – informações em tempo real sobre o movimento do estoque, tempos de permanência, utilização de ativos, gargalos e interrupções operacionais. Seu IA não está apenas aprendendo com o que aconteceu no último trimestre. Está aprendendo continuamente com o que está acontecendo na empresa agora.

Com o tempo, isso se torna uma vantagem real. Seu IA não está se baseando apenas em tendências históricas ou benchmarks de terceiros. Está aprendendo com as operações da empresa em tempo real, criando uma fonte de inteligência que os concorrentes não podem comprar, raspar ou replicar.

Quando sensores são implantados em frotas, instalações, equipamentos e cadeias de suprimentos, quais tipos de inteligência operacional as empresas podem capturar que de outra forma perderiam?

Muitas organizações tomam decisões críticas sem visibilidade contínua sobre o que está acontecendo em suas operações físicas. Elas podem saber quanto estoque têm ou quando uma remessa foi agendada para chegar, mas frequentemente carecem de visão sobre como os ativos, equipamentos e fluxos de trabalho estão realmente se saindo dia a dia.

Ao implantar sensores em frotas, instalações, equipamentos e cadeias de suprimentos, as organizações podem identificar gargalos, rastrear a utilização de ativos, monitorar o movimento do estoque e entender como as condições do mundo real estão afetando o desempenho.

Por exemplo, um varejista pode saber que o estoque chegou a um centro de distribuição e foi eventualmente entregue a uma loja, mas não perceber que certos paletes consistentemente passam vários dias extras em uma área de estadia antes de se moverem para baixo. Sem dados de sensores, esse atraso permanece largamente invisível. Com a IoT, torna-se mensurável e ação – permitindo que as equipes identifiquem a causa raiz, melhorem o fluxo do estoque e reduzam problemas de disponibilidade de estoque.

Como os dados gerados por IoT diferem dos dados empresariais tradicionais quando se trata de treinar, ajustar ou fundamentar sistemas de IA?

Dados empresariais tradicionais são frequentemente transacionais e históricos, capturando eventos que já ocorreram, como pedidos, faturas, registros de estoque ou processos de negócios concluídos. Embora essas informações sejam valiosas, elas refletem principalmente um instantâneo do passado. E, com os mercados se movendo mais rápido do que nunca, o que aconteceu na última temporada pode não dizer muito sobre esta.

Dados gerados por IoT são diferentes porque capturam o que está acontecendo em tempo real. Eles fornecem visão contínua sobre a localização de ativos, movimento, utilização, condições ambientais e outros sinais operacionais que não estão normalmente disponíveis em sistemas empresariais tradicionais.

Para aplicações de IA, essa distinção é importante. Dados históricos ajudam a explicar o que aconteceu, enquanto dados de IoT ajudam a estabelecer o que está acontecendo agora. Quando as organizações combinam os dois, elas podem fundamentar sistemas de IA em realidades operacionais atuais, criando insights mais precisos e permitindo uma tomada de decisão mais rápida e informada.

A Digital Matter enfatiza dispositivos de baixo consumo de energia e duráveis, construídos para rastreamento de ativos de longo prazo e monitoramento de sensores. Quais são os principais desafios técnicos em manter dispositivos de IoT produzindo dados confiavelmente por anos em ambientes complexos?

Dispositivos de IoT são frequentemente implantados em ambientes difíceis de prever e ainda mais difíceis de controlar. Um único dispositivo pode passar anos se movendo entre instalações, veículos, sites de clientes, locais remotos e áreas com conectividade inconsistente.

Um dos principais desafios é equilibrar visibilidade com consumo de energia. Quanto mais frequentemente um dispositivo coleta e transmite dados, mais energia consome. Projetar dispositivos que possam capturar eventos significativos de forma inteligente, adaptar-se a condições operacionais em mudança e maximizar a vida útil da bateria ao longo de vários anos é crítico para fornecer dados confiáveis em escala.

A durabilidade é igualmente importante. Dispositivos devem resistir a vibrações, impactos, flutuações de temperatura, umidade e anos de uso diário, continuando a se sair consistentemente, com pouca ou nenhuma manutenção. Mesmo uma taxa de falha pequena pode se tornar um desafio operacional significativo quando as implantações se escalonam para milhares ou dezenas de milhares de dispositivos.

Como a IA pode ajudar as empresas a ir além do simples rastreamento de onde um ativo está, em direção à previsão de falhas, otimização de rotas, redução de desperdício ou melhoria da utilização?

Saber onde um ativo está é importante, mas a localização sozinha conta apenas parte da história. A verdadeira oportunidade vem de entender como os ativos estão sendo usados ao longo do tempo e identificar padrões que seriam difíceis de detectar manualmente. Quando as organizações combinam dados de IoT com IA, elas vão além de simplesmente reagir a eventos e começam a antecipá-los.

Ao analisar tendências de movimento, utilização, tempo de permanência, condições ambientais e outros dados operacionais, a IA pode ajudar a identificar ineficiências, prever problemas potenciais e apresentar oportunidades de melhoria. Isso pode levar a uma melhor utilização de ativos, operações mais eficientes, redução de desperdício e tomada de decisão mais rápida. O valor não está apenas em saber onde um ativo está hoje, mas em usar os dados que ele gera para tomar decisões mais inteligentes sobre o que acontece em seguida.

Em indústrias como logística, cadeia de frio, saúde, construção ou gestão de equipamentos, onde você vê as oportunidades mais fortes de curto prazo para combinar dados de IoT com IA?

As oportunidades mais fortes estão em indústrias que gerenciam grandes volumes de ativos distribuídos em operações complexas, o que é por que logística, cadeia de frio, saúde, construção e gestão de equipamentos todos se encaixam nesse perfil.

E isso não é teórico. Grandes empresas, desde grandes varejistas até fabricantes de automóveis e equipamentos pesados, já estão executando essa estratégia, o que é exatamente por que elas estão fazendo investimentos significativos em IoT. Cada vez mais, seus conselhos de administração não estão mais perguntando se elas estão usando IA. Eles estão perguntando de onde vem o valor empresarial mensurável, e as respostas são operacionais: melhoramento do fluxo, menos incidentes de qualidade, melhor entrega no prazo e melhor experiência do cliente.

No curto prazo, o maior valor virá de ajudar as organizações a tomar melhores decisões operacionais usando a atividade que elas já geram todos os dias, mas nunca conseguiram capturar ou aproveitar completamente.

À medida que as empresas implantam mais sensores e dispositivos conectados, como elas devem pensar sobre a qualidade dos dados, confiabilidade do sinal, segurança e governança ao tratar dados de IoT como um ativo estratégico de IA?

Modelos de IA são apenas tão bons quanto os dados por trás deles. As organizações tendem a se concentrar em coletar mais dados, mas se esses dados forem incompletos, inconsistentes ou não confiáveis, as informações da IA também serão. É o clássico problema de lixo para lixo, e em escala empresarial se torna um erro caro.

É por isso que a qualidade dos dados deve ser uma prioridade desde o início. As organizações precisam ter confiança de que os dados estão sendo coletados consistentemente, transmitidos de forma segura e refletindo com precisão o que está acontecendo no mundo físico, junto com uma governança clara sobre de onde os dados vêm, como são gerenciados e como devem ser interpretados.

Em última análise, o valor não está em gerar mais dados. Está em gerar dados de alta qualidade e confiáveis que possam servir como uma base confiável para a tomada de decisão.

Para as empresas que já têm implantações de IoT em andamento, quais passos elas devem dar para tornar esses dados mais utilizáveis para aplicações de IA?

O primeiro passo é começar com o problema de negócios, não com a IA. Uma vez que o objetivo esteja claro, seja reduzir o tempo de permanência, melhorar a utilização ou cortar perdas, torna-se muito mais fácil identificar os dados, fluxos de trabalho e capacidades de IA necessários para apoiá-lo. Muitas organizações já coletam enormes quantidades de dados operacionais, mas esses dados ficam em sistemas desconectados e nunca chegam a uma decisão.

O segundo passo é aquele que a maioria das empresas subestima, e é a gestão de mudanças. Implantações em escala raramente falham devido à tecnologia. Elas falham quando as pessoas não agem com base no que os dados estão dizendo. Um alerta de que uma área de estadia está com estoque baixo só cria valor se alguém realmente move o estoque, então construir os processos e hábitos que conectam insights à ação é a parte mais difícil e importante do trabalho.

Em última análise, as empresas que estão vendo o maior sucesso são aquelas que conectam dados operacionais a resultados de negócios mensuráveis e garantem que as pessoas usem esses dados.

Olhando para o futuro, você acredita que inteligência operacional proprietária se tornará uma das principais barreiras que separam os líderes de IA das empresas que estão apenas usando as mesmas ferramentas que todos os outros? 

Sim. À medida que a IA se torna mais amplamente disponível, a tecnologia em si se torna menos um diferenciador.

As organizações que se destacarão serão aquelas que geram inteligência operacional única de seus próprios ambientes e a usam para tomar melhores decisões. Em muitas indústrias, algumas das informações mais valiosas ainda existem no mundo físico, em ativos, equipamentos, estoque e cadeias de suprimentos – e não podem ser compradas, raspadas ou replicadas por um concorrente. As empresas que podem capturar, entender e agir consistentemente sobre essas informações estarão em uma posição muito mais forte do que aquelas que dependem apenas das mesmas ferramentas e conjuntos de dados que todos os outros.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Digital Matter.