Ilan Gluck, Head of Go-to-Market, America de Nord la Digital Matter – Seria de interviuri

Ilan Gluck, Head of Go-to-Market, America de Nord la Digital Matter, este un lider experimentat în tehnologie și comercial, cu o experiență care acoperă Internetul Lucrurilor (IoT), inteligența artificială, tehnologia lanțului de aprovizionare, analiza datelor și strategia întreprinderilor. Înainte de a se alătura Digital Matter, el a petrecut mai mult de cinci ani cu Cox 2M și GearTrack, servind ca Director General și Ofițer de Venituri și ajutând la avansarea soluțiilor de urmărire a activelor în timp real și a vizibilității lanțului de aprovizionare. Mai devreme, Gluck a fost Director General la Wasteless AI, unde a lucrat la tehnologia de stabilire a prețurilor dinamice bazate pe inteligență artificială, destinată să ajute retailerii de alimente să reducă risipa, și a deținut roluri senior de produs și comercial la WeissBeerger, o companie de IoT și analiza datelor, achiziționată de AB InBev. El și-a început cariera în strategie și operațiuni la Deloitte Consulting, ceea ce i-a oferit o combinație de experiență de produs, comercializare și strategică în tehnologii emergente.

Digital Matter este o companie globală de hardware IoT, specializată în urmărirea activelor pe termen lung, monitorizarea senzorilor și soluțiile de telematică. Compania dezvoltă dispozitive conectate robuste și cu consum redus de energie, proiectate pentru implementări în domenii precum logistica, urmărirea flotelor și a echipamentelor, monitorizarea lanțului de aprovizionare, agricultura și aplicațiile de mediu, cu milioane de dispozitive implementate la nivel global. Hardware-ul său suportă o gamă de tehnologii de poziționare și conectivitate, incluzând Sistemul Global de Navigație prin Satelit (GNSS), poziționarea Wi-Fi, Bluetooth Low Energy (BLE), IoT celular, LoRaWAN și conectivitatea prin satelit. Digital Matter oferă, de asemenea, o platformă de gestionare a dispozitivelor bazată pe cloud, care permite clienților și partenerilor să configureze, să monitorizeze, să provisioneze și să gestioneze dispozitivele conectate la scară.

Înainte de a vă alătura Digital Matter, ați lucrat la GearTrack, Wasteless AI și WeissBeerger, unde datele operaționale în timp real au fost utilizate pentru a îmbunătăți lanțurile de aprovizionare, a reduce risipa și a crea decizii comerciale mai bune. Cum v-a influențat această experiență perspectiva asupra IoT ca fundament pentru inteligența artificială a întreprinderilor?

La GearTrack, Wasteless AI și WeissBeerger, am văzut direct că cea mai bună tehnologie nu este decât atât de bună pe cât sunt datele din spatele ei.

Fiecare companie rezolva o problemă diferită, dar firul comun era utilizarea informațiilor în timp real din lumea fizică pentru a lua decizii mai bune. Acest lucru ar putea însemna înțelegerea locației stocurilor, identificarea risipei înainte de a apărea sau ajutarea unei afaceri să răspundă mai repede la ceea ce se schimbă pe teren.

Aceste experiențe au modelat cu adevărat modul în care gândesc despre IoT și inteligență artificială. O cantitate valoroasă de informații operaționale încă nu este capturată în sistemele de afaceri tradiționale. Ea există pe vehicule, echipamente, stocuri, facilități și lanțuri de aprovizionare. IoT este ceea ce transformă această activitate fizică în date utilizabile.

Pentru mine, acest lucru face ca IoT să fie o bază critică pentru inteligența artificială a întreprinderilor. Acesta oferă inteligenței artificiale o imagine mult mai clară și actualizată a modului în care funcționează o afacere. În loc de a se uita doar înapoi la rapoartele istorice, companiile pot începe să identifice modele, să anticipeze probleme și să ia decizii mai bune în timp real.

Multi companii antrenează modele de inteligență artificială pe aceleași seturi de date publice ca și concurenții lor. De ce credeți că datele operaționale proprietare devin o sursă tot mai importantă de diferențiere a inteligenței artificiale?

Aceleași date intră, aceleași insight-uri ies. Pe măsură ce accesul la modelele de inteligență artificială devine mai larg răspândit, modelele însele devin din ce în ce mai mult mărfuri, cu adevăratul diferențiator fiind calitatea, unicitatea și relevanța datelor care le hrănesc.

Dacă toată lumea utilizează aceleași unelte antrenate pe aceleași seturi de date publice, ajung la concluzii aproximativ la fel.

Luăm doi retaileri concurenți care utilizează aceeași platformă de inteligență artificială, previziuni de piață și date istorice de cerere. Dacă unul dintre ei a implementat senzori IoT în depozitele sale, remorci, paleți și echipamente, acesta alimentează în mod continuu inteligența sa artificială cu date de bază – informații în timp real despre mișcarea stocurilor, timpul de staționare, utilizarea activelor, blocaje și perturbări operaționale. Inteligența sa artificială nu învață doar din ceea ce s-a întâmplat în ultimul trimestru. Ea învață în mod continuu din ceea ce se întâmplă în întreaga afacere, chiar acum.

În timp, acest lucru se transformă într-un adevărat avantaj. Inteligența sa artificială nu se bazează doar pe tendințe istorice sau benchmark-uri ale terțelor părți. Ea învață din operațiunile proprii ale companiei, în timp real, creând o sursă de informații care nu poate fi cumpărată, extrasă sau replicată de concurenți.

Când senzorii sunt implementați pe flote, facilități, echipamente și lanțuri de aprovizionare, ce tipuri de inteligență operațională pot captura companiile, pe care altfel le-ar fi ratat?

Multi organizații iau decizii critice fără o vizibilitate continuă asupra a ceea ce se întâmplă în operațiunile lor fizice. Ei pot ști cât de mult stoc au sau când o expediere a fost programată să sosească, dar adesea lipsesc insight-uri despre modul în care activele, echipamentele și fluxurile de lucru funcționează cu adevărat de la o zi la alta.

Prin implementarea senzorilor pe flote, facilități, echipamente și lanțuri de aprovizionare, organizațiile pot identifica blocaje, urmări utilizarea activelor, monitoriza mișcarea stocurilor și înțelege cum condițiile din lumea reală afectează performanța.

De exemplu, un retailer poate ști că stocul a sosit la un centru de distribuție și a fost livrat într-un magazin, dar nu realizează că anumite paleți petrec în mod constant câteva zile suplimentare într-o zonă de așteptare înainte de a se deplasa mai departe. Fără date de la senzori, această întârziere rămâne în mare măsură invizibilă. Cu IoT, ea devine măsurabilă și acționabilă – permițând echipelor să identifice cauza de bază, să îmbunătățească fluxul de stocuri și să reducă problemele de disponibilitate a stocului.

Cum diferă datele generate de IoT de datele tradiționale ale întreprinderii atunci când vine vorba de antrenarea, finisarea sau stabilirea sistemelor de inteligență artificială?

Datele tradiționale ale întreprinderii sunt adesea tranzacționale și istorice, capturând evenimente care s-au întâmplat deja, cum ar fi comenzi, facturi, înregistrări de stoc sau procese de afaceri finalizate. Deși aceste informații sunt valoroase, ele reflectă în primul rând o imagine a trecutului. Și, cu piețele mișcându-se mai repede ca niciodată, ceea ce s-a întâmplat în ultimul sezon poate să nu spună mult despre acesta.

Datele generate de IoT sunt diferite pentru că ele captură ceea ce se întâmplă în timp real. Ele oferă o perspectivă continuă asupra locației activelor, mișcării, utilizării, condițiilor de mediu și altor semnale operaționale care nu sunt de obicei disponibile în sistemele tradiționale de întreprindere.

Pentru aplicațiile de inteligență artificială, această distincție este importantă. Datele istorice ajută la explicarea a ceea ce s-a întâmplat, în timp ce datele de la IoT ajută la stabilirea a ceea ce se întâmplă acum. Când organizațiile combină cele două, ele pot stabili sisteme de inteligență artificială în realitățile operaționale actuale, creând insight-uri mai precise și permițând o luare mai rapidă și mai informată a deciziilor.

Digital Matter subliniază dispozitive cu consum redus de energie și durabile, construite pentru urmărirea activelor pe termen lung și monitorizarea senzorilor. Care sunt cele mai mari provocări tehnice în menținerea dispozitivelor IoT producând date fiabile timp de ani în medii complexe?

Dispozitivele IoT sunt adesea implementate în medii care sunt greu de prezis și și mai greu de controlat. Un singur dispozitiv poate petrece ani de zile mutându-se între facilități, vehicule, site-uri ale clienților, locații îndepărtate și zone cu conectivitate inconsistentă.

Una dintre cele mai mari provocări este echilibrarea vizibilității cu consumul de energie. Cu cât un dispozitiv colectează și transmite mai multe date, cu atât consumă mai multă energie. Proiectarea dispozitivelor care pot captura evenimente semnificative în mod inteligent, se pot adapta la condiții de operare în schimbare și pot maximiza durata de viață a bateriei pe parcursul mai multor ani este critică pentru a furniza date fiabile la scară.

Durabilitatea este la fel de importantă. Dispozitivele trebuie să reziste vibrațiilor, impactului, fluctuațiilor de temperatură, umidității și ani de utilizare zilnică, continuând să funcționeze consistent, cu minimă sau deloc întreținere. Chiar și o rată de eșec mică poate deveni o provocare operațională semnificativă atunci când implementările se extind la mii sau zeci de mii de dispozitive.

Cum poate inteligența artificială ajuta companiile să treacă de la urmărirea simple a locației unui activ, spre a prezice eșecuri, a optimiza rute, a reduce risipa sau a îmbunătăți utilizarea?

Știind unde se află un activ este important, dar locația singură spune doar o parte a poveștii. Oportunitatea reală vine din înțelegerea modului în care activele sunt utilizate de-a lungul timpului și identificarea modelelor care ar fi greu de detectat manual. Când organizațiile combină datele de la IoT cu inteligența artificială, ele trec de la simpla reacție la evenimente și încep să le anticipeze.

Prin analizarea tendințelor de mișcare, utilizare, timp de staționare, condiții de mediu și alte date operaționale, inteligența artificială poate ajuta la identificarea ineficiențelor, la prezicerea problemelor potențiale și la evidențierea oportunităților de îmbunătățire. Acest lucru poate duce la o utilizare mai bună a activelor, operațiuni mai eficiente, reducerea risipei și o luare mai rapidă a deciziilor. Valoarea nu constă doar în a ști unde se află un activ astăzi, ci în utilizarea datelor pe care le generează pentru a lua decizii mai inteligente despre ceea ce urmează.

În industrii precum logistica, lanțul de frig, sănătatea, construcțiile sau gestionarea echipamentelor, unde vedeți cele mai puternice oportunități pe termen scurt pentru combinarea datelor de la IoT cu inteligența artificială?

Oportunitățile cele mai puternice sunt în industrii care gestionează volume uriașe de active distribuite pe operațiuni complexe, ceea ce face ca logistica, lanțul de frig, sănătatea, construcțiile și gestionarea echipamentelor să se potrivească profilului.

Și acest lucru nu este teoretic. Întreprinderi mari, de la retaileri importanți la producători de automobile și fabricanți de echipamente grele, implementează deja această strategie, ceea ce este exact motivul pentru care fac investiții semnificative în IoT. În mod din ce în ce mai mare, consiliile lor de administrație nu mai întreabă dacă utilizează inteligență artificială. Ei întreabă unde vine valoarea măsurabilă a afacerii, și răspunsurile sunt operaționale: flux îmbunătățit, incidente de calitate reduse, livrări la timp îmbunătățite și experiență mai bună a clienților.

Pe termen scurt, cea mai mare valoare va veni din ajutarea organizațiilor să ia decizii operaționale mai bune, utilizând activitatea pe care o generează deja în fiecare zi, dar pe care nu au putut-o capta sau valorifica pe deplin.

Când companiile implementează mai multe senzori și dispozitive conectate, cum ar trebui să gândească despre calitatea datelor, fiabilitatea semnalului, securitatea și guvernanța atunci când tratează datele de la IoT ca pe un activ strategic de inteligență artificială?

Modelele de inteligență artificială sunt la fel de bune pe cât sunt datele de sub ele. Organizațiile tind să se concentreze asupra colectării mai multor date, dar dacă aceste date sunt incomplete, inconsistente sau nefiabile, insight-urile inteligenței artificiale vor fi, de asemenea. Este clasicul problemă “gunoi în, gunoi afară”, și la scară de întreprindere devine o greșeală scumpă.

Acesta este motivul pentru care calitatea datelor trebuie să fie o prioritate de la început. Organizațiile au nevoie de încredere că datele sunt colectate în mod consecvent, transmise în siguranță și reflectă cu acuratețe ceea ce se întâmplă în lumea fizică, împreună cu o guvernanță clară despre de unde provin datele, cum sunt gestionate și cum ar trebui interpretate.

În cele din urmă, valoarea nu constă în generarea mai multor date. Ea constă în generarea de date de încredere, de calitate, care pot servi ca o bază fiabilă pentru luarea deciziilor.

Pentru companiile care au deja implementări de IoT în loc, ce pași ar trebui să ia pentru a face aceste date mai utilizabile pentru aplicațiile de inteligență artificială?

Primul pas este să începeți cu problema de afaceri, nu cu inteligența artificială. Odată ce obiectivul este clar, indiferent dacă este vorba despre reducerea timpului de staționare, îmbunătățirea utilizării sau reducerea pierderilor, devine mult mai ușor să identificați datele, fluxurile de lucru și capacitățile de inteligență artificială necesare pentru a sprijini acest lucru. Multi organizații colectează deja cantități uriașe de date operaționale, dar acestea stau în sisteme desconectate și nu ajung niciodată într-o decizie.

Al doilea pas este acela pe care multe companii îl subestimează, și anume managementul schimbării. Implementările la scară rar eșuează din cauza tehnologiei. Ele eșuează atunci când oamenii nu acționează în conformitate cu ceea ce le spun datele. O alertă care indică faptul că o zonă de așteptare este sub-stocată creează valoare doar dacă cineva mută într-adevăr stocul, așa că construirea proceselor și obișnuințelor care leagă insight-urile de acțiune este partea cea mai grea și mai importantă a muncii.

În cele din urmă, companiile care văd cel mai mult succes sunt cele care leagă datele operaționale de rezultatele măsurabile ale afacerii și se asigură că oamenii lor le utilizează.

Privind spre viitor, credeți că inteligența operațională proprietară va deveni una dintre cele mai mari bariere care separă liderii de inteligență artificială de companiile care utilizează aceleași unelte ca toată lumea? 

Da. Pe măsură ce inteligența artificială devine mai larg disponibilă, tehnologia în sine devine mai puțin diferențiator.

Organizațiile care se vor remarca vor fi cele care generează inteligență operațională unică din propriile medii și o utilizează pentru a lua decizii mai bune. În multe industrii, unele dintre cele mai valoroase informații încă există în lumea fizică, pe active, echipamente, stocuri și lanțuri de aprovizionare – și nu pot fi cumpărate, extrase sau replicate de un concurent.

Companiile care pot captura, înțelege și acționa în mod consecvent asupra acestor informații vor fi într-o poziție mult mai puternică decât cele care se bazează doar pe aceleași unelte și seturi de date ca toată lumea.

Mulțumim pentru acest interviu excelent, cititorii care doresc să afle mai multe pot vizita Digital Matter.