Илан Глюк, руководитель направления Go-to-Market, Северная Америка в Digital Matter – Интервью

Илан Глюк, руководитель направления Go-to-Market, Северная Америка в Digital Matter, является опытным технологическим и коммерческим лидером с опытом в области Интернета вещей (IoT), искусственного интеллекта, технологий цепочки поставок, анализа данных и корпоративной стратегии. До прихода в Digital Matter он более пяти лет работал в Cox 2M и GearTrack, занимая должности генерального менеджера и главного офицера по доходам, и помогал продвигать решения для отслеживания активов и видимости цепочки поставок в режиме реального времени. Ранее Глюк был генеральным менеджером в Wasteless AI, где он работал над технологией динамического ценообразования на основе ИИ, предназначенной для помощи розничным продавцам продуктов питания в снижении отходов, и занимал старшие должности по продукту и коммерции в компании WeissBeerger, которая занимается IoT и анализом данных и была приобретена компанией AB InBev. Он начал свою карьеру в стратегии и операциях в Deloitte Consulting, что дало ему комбинацию опыта в области продукта, коммерциализации и стратегии в области новых технологий.

Digital Matter – это глобальная компания по производству аппаратного обеспечения IoT, специализирующаяся на отслеживании активов с долгим сроком службы, мониторинге датчиков и решениях телематики. Компания разрабатывает прочные, низкопотребляющие подключенные устройства, предназначенные для развертывания в таких областях, как логистика, отслеживание флота и оборудования, мониторинг цепочки поставок, сельское хозяйство и экологические применения, с миллионами устройств, развернутых по всему миру. Ее аппаратное обеспечение поддерживает ряд технологий позиционирования и подключения, включая Глобальную систему навигации спутников (GNSS), позиционирование Wi-Fi, Bluetooth Low Energy (BLE), сотовую сеть IoT, LoRaWAN и спутниковую связь. Digital Matter также предоставляет облачную платформу Device Manager, которая позволяет клиентам и партнерам удаленно конфигурировать, мониторить, предоставлять и управлять подключенными устройствами в крупном масштабе.

До прихода в Digital Matter вы работали в GearTrack, Wasteless AI и WeissBeerger, где данные оперативной деятельности использовались для улучшения цепочки поставок, снижения отходов и принятия лучших коммерческих решений. Как этот опыт сформировал ваше представление об IoT как основе для корпоративного ИИ?

В GearTrack, Wasteless AI и WeissBeerger я увидел, что лучшая технология хороша только настолько, насколько хороша за ней стоящая информация.

Каждая компания решала разные проблемы, но общей нитью было использование информации из физического мира в режиме реального времени для принятия лучших решений. Это могло означать понимание, где находится инвентарь, выявление отходов до их возникновения или помощь бизнесу в более быстром реагировании на изменения на местах.

Эти опыт действительно сформировали мое представление об IoT и ИИ. Много ценной оперативной информации все еще не захватывается традиционными бизнес-системами. Она существует на транспортных средствах, оборудовании, запасах, объектах и цепочках поставок. IoT – это то, что превращает эту физическую активность в полезную информацию.

Для меня это делает IoT критической основой для корпоративного ИИ. Это дает ИИ более четкое и актуальное представление о том, как работает бизнес. Вместо того, чтобы смотреть назад на исторические отчеты, компании могут начать выявлять закономерности, предвидеть проблемы и принимать лучшие решения в режиме реального времени.

Многие компании обучают модели ИИ на одних и тех же публичных наборах данных, что и их конкуренты. Почему вы считаете, что проприетарная оперативная информация становится более важным источником дифференциации ИИ?

Одинаковые данные – одинаковые выводы. Поскольку доступ к моделям ИИ становится более широко доступным, сами модели становятся все более коммодитизированными, а настоящий дифференциатор заключается в качестве, уникальности и актуальности информации, которая ими питается.

Если все используют одни и те же инструменты, обученные на одних и тех же публичных, третьих или исторических наборах данных, они все приходят к примерно одинаковым выводам.

Возьмем двух конкурирующих ритейлеров, использующих одну и ту же платформу ИИ, прогнозы рынка и исторические данные о спросе. Если один из них развернул датчики IoT на своих складах, прицепах, поддонах и оборудовании, он непрерывно подпитывает свою ИИ информацией из реального мира – информацией о движении запасов, времени простоя, использовании активов,瓶목 и оперативных нарушениях. Его ИИ не учится только на том, что произошло в прошлом квартале. Он непрерывно учится на том, что происходит в бизнесе прямо сейчас.

Со временем это превращается в реальное преимущество. Его ИИ не полагается исключительно на исторические тенденции или третьи показатели. Он учится на собственных операциях компании в режиме реального времени, создавая источник информации, который конкуренты не могут купить, собрать или воспроизвести.

Когда датчики развертываются на флотах, объектах, оборудовании и цепочках поставок, какие виды оперативной информации могут компании захватить, которых они бы иначе пропустили?

Многие организации принимают критические решения без непрерывной видимости того, что происходит на их физических операциях. Они могут знать, сколько у них запасов или когда груз должен был прибыть, но они часто не имеют представления о том, как активы, оборудование и рабочие процессы фактически работают день за днем.

Развертывая датчики на флотах, объектах, оборудовании и цепочках поставок, организации могут выявить瓶ки, отслеживать использование активов, мониторить движение запасов и понимать, как реальные условия влияют на производительность.

Например, ритейлер может знать, что запасы прибыли на распределительный центр и в конечном итоге доставляются в магазин, но не осознавать, что определенные поддоны постоянно проводят несколько дополнительных дней в зоне ожидания, прежде чем переместиться вниз по потоку. Без данных с датчиков эта задержка остается в значительной степени невидимой. С IoT она становится измеримой и действенной – позволяя командам выявить коренную причину, улучшить поток запасов и снизить проблемы с доступностью запасов.

Как информация, сгенерированная IoT, отличается от традиционной корпоративной информации при обучении, уточнении или обосновании систем ИИ?

Традиционная корпоративная информация часто является транзакционной и исторической, отражая события, которые уже произошли, такие как заказы, счета, записи о запасах или завершенные бизнес-процессы. Хотя эта информация ценна, она в основном отражает снимок прошлого. И с учетом того, что рынки движутся быстрее, чем когда-либо прежде, то, что произошло в прошлом сезоне, может не сказать много о текущем.

Информация, сгенерированная IoT, отличается, поскольку она захватывает то, что происходит в режиме реального времени. Она обеспечивает непрерывный взгляд на местонахождение активов, движение, использование, условия окружающей среды и другие оперативные сигналы, которые обычно не доступны в традиционных корпоративных системах.

Для приложений ИИ это различие важно. Исторические данные помогают объяснить, что произошло, в то время как данные IoT помогают установить, что происходит сейчас. Когда организации объединяют эти два типа информации, они могут обосновать системы ИИ в текущей оперативной реальности, создавая более точные выводы и позволяя принимать более быстрые и обоснованные решения.

Digital Matter подчеркивает низкопотребляющие, прочные устройства, построенные для долгосрочного отслеживания активов и мониторинга датчиков. Каковы самые большие технические проблемы в поддержании надежной работы IoT-устройств в течение многих лет в сложных средах?

Устройства IoT часто развертываются в средах, которые трудно предсказать и еще труднее контролировать. Одно устройство может провести годы, перемещаясь между объектами, транспортными средствами, клиентскими сайтами, удаленными местами и зонами с неравномерным подключением.

Одной из самых больших проблем является баланс между видимостью и потреблением энергии. Чем чаще устройство собирает и передает данные, тем больше энергии оно потребляет. Проектирование устройств, которые могут интеллектуально захватывать значимые события, адаптироваться к меняющимся условиям эксплуатации и максимизировать срок службы батареи в течение нескольких лет, имеет решающее значение для обеспечения надежной передачи данных в крупном масштабе.

Прочность также очень важна. Устройства должны выдерживать вибрации, удары, колебания температуры, влагу и годы ежедневного использования, продолжая работать последовательно, с минимальным или отсутствием технического обслуживания. Даже небольший уровень неисправностей может стать значительной оперативной проблемой, когда развертывания масштабируются до тысяч или десятков тысяч устройств.

Как ИИ может помочь компаниям перейти от простого отслеживания местонахождения актива к предсказанию неисправностей, оптимизации маршрутов, снижению отходов или улучшению использования?

Знание местонахождения актива важно, но местонахождение само по себе рассказывает только часть истории. Реальная возможность заключается в понимании того, как активы используются со временем, и выявлении закономерностей, которые были бы трудно обнаружить вручную. Когда организации объединяют данные IoT с ИИ, они переходят от простого реагирования на события к их предвидению.

Анализируя тенденции движения, использования, времени простоя, условий окружающей среды и других оперативных данных, ИИ может помочь выявить неэффективности, предсказать потенциальные проблемы и выявить возможности для улучшения. Это может привести к лучшему использованию активов, более эффективным операциям, снижению отходов и более быстрому принятию решений. Ценность не только в том, чтобы знать, где находится актив сегодня, но и в использовании данных, которые он генерирует, для принятия более умных решений о том, что произойдет дальше.

В отраслях, таких как логистика, холодная цепочка, здравоохранение, строительство или управление оборудованием, где вы видите самые сильные краткосрочные возможности для объединения данных IoT с ИИ?

Самые сильные возможности находятся в отраслях, которые управляют огромными объемами распределенных активов через сложные операции, что является причиной, по которой логистика, холодная цепочка, здравоохранение, строительство и управление оборудованием все подходят под этот профиль.

И это не теоретически. Крупные предприятия, от крупных ритейлеров до автопроизводителей и производителей тяжелого оборудования, уже реализуют эту стратегию, что является причиной, по которой они делают значительные инвестиции в IoT. Все чаще их советы директоров не спрашивают, используют ли они ИИ. Они спрашивают, откуда исходит измеримая бизнес-ценность, и ответы оперативны: улучшенная производительность, меньше инцидентов с качеством, лучше доставка в срок и лучший опыт клиента.

В краткосрочной перспективе самая большая ценность будет получена от помощи организациям в принятии лучших оперативных решений с помощью деятельности, которую они уже генерируют каждый день, но еще не смогли полностью захватить или использовать.

Когда компании развертывают больше датчиков и подключенных устройств, как они должны думать о качестве данных, надежности сигнала, безопасности и управлении, когда рассматривают данные IoT как стратегический актив ИИ?

Модели ИИ хороши только настолько, насколько хороша информация, лежащая в их основе. Организации склонны сосредотачиваться на сборе большего количества данных, но если эти данные неполны, не последовательны или ненадежны, выводы ИИ также будут ненадежными. Это классическая проблема “мусор на входе, мусор на выходе”, и на корпоративном уровне это становится дорогой ошибкой.

Это почему качество данных должно быть приоритетом с первого дня. Организациям необходимо иметь уверенность, что данные собираются последовательно, передаются безопасно и точно отражают то, что происходит в физическом мире, а также иметь четкое управление источниками данных, их управлением и интерпретацией.

В конечном итоге ценность не в генерации большего количества данных. Это в генерации доверенной, высококачественной информации, которая может служить надежной основой для принятия решений.

Для компаний, которые уже имеют развернутые решения IoT, какие шаги они должны предпринять, чтобы сделать эти данные более полезными для приложений ИИ?

Первым шагом является начало с бизнес-проблемы, а не с ИИ. Как только цель ясна, будь то снижение времени простоя, улучшение использования или снижение потерь, становится намного проще определить необходимые данные, рабочие процессы и возможности ИИ для поддержки ее. Многие организации уже собирают огромные объемы оперативных данных, но они сидят в несвязанных системах и никогда не доходят до решения.

Вторым шагом является тот, который большинство компаний недооценивают, и это изменение управления. Масштабные развертывания редко терпят неудачу из-за технологии. Они терпят неудачу, когда люди не действуют на основе того, что им говорит информация. Предупреждение о том, что зона ожидания недоукомплектована, создает ценность только в том случае, если кто-то фактически перемещает запасы, поэтому построение процессов и привычек, которые соединяют выводы с действием, является самой сложной и важной частью работы.

В конечном итоге компании, которые видят наибольший успех, являются теми, которые соединяют оперативные данные с измеримыми бизнес-результатами и обеспечивают, чтобы их люди использовали их.

Взглянув вперед, считаете ли вы, что проприетарная оперативная информация станет одним из самых больших барьеров, разделяющих лидеров ИИ и компании, которые просто используют одни и те же инструменты, что и все остальные? 

Да. Поскольку ИИ становится более широко доступным, технология сама по себе становится менее дифференцирующей.

Организации, которые выделяются, будут теми, которые генерируют уникальную оперативную информацию из своих собственных сред и используют ее для принятия лучших решений. Во многих отраслях некоторые из наиболее ценной информации все еще существует в физическом мире, на активах, оборудовании, запасах и цепочках поставок – и ее нельзя купить, собрать или воспроизвести конкурентом.

Компании, которые могут последовательно захватить, понять и действовать на основе этой информации, будут в гораздо более сильной позиции, чем те, которые полагаются исключительно на одни и те же инструменты и наборы данных, что и все остальные.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Digital Matter.