Ilan Gluck, Head of Go-to-Market, Nordamerika på Digital Matter – Intervjuserie

Ilan Gluck, Head of Go-to-Market, Nordamerika på Digital Matter, är en erfaren teknologi- och kommersiell ledare med en bakgrund som spänner över sakernas internet (IoT), artificiell intelligens, supply chain-teknologi, dataanalys och företagsstrategi. Innan han gick med i Digital Matter tillbringade han mer än fem år med Cox 2M och GearTrack, där han tjänstgjorde som general manager och chief revenue officer och hjälpte till att främja realtids-tillgångsspårning och supply chain- synlighetslösningar. Tidigare var Gluck general manager på Wasteless AI, där han arbetade med AI-driven dynamisk pristeknologi som var avsedd att hjälpa livsmedelsåterförsäljare att minska avfall, och han hade seniora produkt- och kommersiella roller på WeissBeerger, ett IoT- och dataanalysföretag som förvärvades av AB InBev. Han började sin karriär inom strategi och verksamhet på Deloitte Consulting, vilket gav honom en kombination av produkt-, kommersialiserings- och strategisk erfarenhet inom nya teknologier.

Digital Matter är ett globalt IoT-hårdvaruföretag som specialiserar sig på långsiktig tillgångsspårning, sensorövervakning och telematiklösningar. Företaget utvecklar robusta, lågeffektsanslutna enheter som är utformade för distributioner över områden som logistik, flott- och utrustningsspårning, supply chain-övervakning, jordbruk och miljöapplikationer, med miljontals enheter distribuerade globalt. Dess hårdvara stöder ett urval av positionerings- och anslutningsteknologier, inklusive Global Navigation Satellite System (GNSS), Wi-Fi-positionering, Bluetooth Low Energy (BLE), cellulärt IoT, LoRaWAN och satellitanslutning. Digital Matter tillhandahåller också en molnbaserad enhetschef-plattform som möjliggör för kunder och partners att fjärrkonfigurera, övervaka, etablera och hantera anslutna enheter i stor skala.

Innan du gick med i Digital Matter arbetade du på GearTrack, Wasteless AI och WeissBeerger, där realtidsoperativa data användes för att förbättra supply chains, minska avfall och skapa bättre kommersiella beslut. Hur har den erfarenheten format din syn på IoT som en grund för företags-AI?

Över GearTrack, Wasteless AI och WeissBeerger såg jag förstahands att den bästa teknologin bara är så bra som de data som ligger bakom den.

Varje företag löste ett annat problem, men den gemensamma tråden var att använda realtidsinformation från den fysiska världen för att fatta bättre beslut. Det kan innebära att förstå var lagret är, identifiera avfall innan det händer eller hjälpa ett företag att svara snabbare på vad som förändras på marken.

De erfarenheterna formade verkligen hur jag tänker om IoT och AI. Mycket värdefull operativ information fångas fortfarande inte upp i traditionella affärssystem. Den existerar över fordon, utrustning, lager, anläggningar och supply chains. IoT är vad som omvandlar den fysiska aktiviteten till användbar data.

För mig gör det IoT till en kritisk grund för företags-AI. Det ger AI en mycket tydligare och mer aktuell bild av hur ett företag faktiskt opererar. Istället för att bara titta bakåt på historiska rapporter kan företag börja identifiera mönster, förutse problem och fatta bättre beslut i realtid.

Många företag tränar AI-modeller på samma offentliga dataset som deras konkurrenter. Varför tror du att proprietär operativ data blir en viktigare källa till AI-differentiering?

Samma data in, samma insikter ut. När tillgången till AI-modeller blir allt mer tillgänglig blir modellerna i sig alltmer en handelsvara, med den verkliga differentieraren vara kvaliteten, unikheten och relevansen för de data som matar dem.

Om alla använder samma verktyg, tränade på samma offentliga, tredjeparts- eller historiska dataset, kommer de alla att nå ungefär samma slutsatser.

Tag två konkurrerande återförsäljare som använder samma AI-plattform, marknadsprognoser och historiska efterfrågedata. Om en av dem har distribuerat IoT-sensorer över sina lager, trailrar, pallar och utrustning, matar den kontinuerligt sin AI med marknadssanning – realtidsinformation om lager-rörelse, vistelse-tider, tillgångs-utnyttjande, flaskhalsar och operativa störningar. Dess AI lär sig inte bara från vad som hände förra kvartalet. Den lär sig kontinuerligt från vad som händer i företaget just nu.

Över tiden ackumuleras det till en verklig fördel. Dess AI förlitar sig inte enbart på historiska trender eller tredjeparts-benchmark. Den lär sig från företagets egna operationer i realtid, vilket skapar en källa till intelligens som konkurrenter inte kan köpa, skrapa eller replikera.

När sensorer distribueras över flottor, anläggningar, utrustning och supply chains, vilken typ av operativ intelligens kan företag fånga som de annars skulle missa?

Många organisationer fattar kritiska beslut utan kontinuerlig insikt i vad som händer över deras fysiska operationer. De kan veta hur mycket lager de har eller när en leverans var planerad att anlända, men de saknar ofta insikt i hur tillgångar, utrustning och arbetsflöden faktiskt fungerar från dag till dag.

Genom att distribuera sensorer över flottor, anläggningar, utrustning och supply chains kan organisationer identifiera flaskhalsar, spåra tillgångs-utnyttjande, övervaka lager-rörelse och förstå hur realvärldsförhållanden påverkar prestanda.

Exempelvis kan en återförsäljare veta att lager anlände till ett distributionscenter och så småningom levererades till en butik, men inte inse att vissa pallar konsekvent tillbringar flera extra dagar i en väntande zon innan de flyttas nedströms. Utan sensor-data förblir den förseningen i stort sett osynlig. Med IoT blir det mätbart och åtgärdbart – vilket möjliggör för team att identifiera roten, förbättra lager-flödet och minska lager-tillgänglighetsproblem.

Hur skiljer sig IoT-genererad data från traditionell företagsdata när det gäller att träna, finjustera eller basera AI-system?

Traditionell företagsdata är ofta transaktionsbaserad och historisk, och fångar upp händelser som redan har inträffat, såsom beställningar, fakturor, lagerposter eller slutförda affärsprocesser. Medan den informationen är värdefull, reflekterar den främst en ögonblicksbild av det förflutna. Och med marknader som rör sig snabbare än någonsin tidigare, kan det som hände förra säsongen inte säga mycket om den här säsongen.

IoT-genererad data är annorlunda eftersom den fångar upp vad som händer i realtid. Den ger kontinuerlig insikt i tillgångs-placering, rörelse, utnyttjande, miljöförhållanden och andra operativa signaler som inte vanligtvis är tillgängliga i traditionella företagssystem.

För AI-tillämpningar är den distinktionen viktig. Historisk data hjälper till att förklara vad som hände, medan IoT-data hjälper till att etablera vad som händer nu. När organisationer kombinerar de två kan de basera AI-system i nuvarande operativa verkligheter, vilket skapar mer exakta insikter och möjliggör snabbare, mer informerade beslut.

Digital Matter betonar lågeffekts-, hållbara enheter byggda för långsiktig tillgångsspårning och sensorövervakning. Vilka är de största tekniska utmaningarna i att hålla IoT-enheter pålitligt producerande data under år i komplexa miljöer?

IoT-enheter distribueras ofta i miljöer som är svåra att förutsäga och ännu svårare att kontrollera. En enda enhet kan tillbringa år med att flytta mellan anläggningar, fordon, kundplatser, avlägsna platser och områden med inkonsekvent anslutning.

En av de största utmaningarna är att balansera synlighet med effektförbrukning. Ju oftare en enhet samlar in och sänder data, desto mer energi förbrukar den. Att utforma enheter som kan intelligent fånga meningsfulla händelser, anpassa sig till förändrade driftsförhållanden och maximera batteriliv under flera år är avgörande för att leverera pålitlig data i stor skala.

Hållbarhet är lika viktigt. Enheter måste tåla vibration, påverkan, temperaturfluktuationer, fukt och år av daglig användning samtidigt som de fortsätter att fungera konsekvent, med liten eller ingen underhåll. Även en liten felrate kan bli en betydande operativ utmaning när distributioner skalar till tusentals eller tiotusentals enheter.

Hur kan AI hjälpa företag att gå utöver att bara spåra var en tillgång är, mot att förutsäga fel, optimera rutter, minska avfall eller förbättra utnyttjande?

Att veta var en tillgång är viktigt, men platsen berättar bara en del av historien. Den verkliga möjligheten kommer från att förstå hur tillgångar används över tid och identifiera mönster som skulle vara svåra att upptäcka manuellt. När organisationer kombinerar IoT-data med AI, flyttar de bortom att bara reagera på händelser och börjar förutsäga dem.

Genom att analysera trender i rörelse, utnyttjande, vistelse-tid, miljöförhållanden och annan operativ data kan AI hjälpa till att identifiera ineffektiviteter, förutsäga potentiella problem och presentera möjligheter för förbättring. Det kan leda till bättre tillgångs-utnyttjande, mer effektiva operationer, minskat avfall och snabbare beslutsfattande. Värdet ligger inte bara i att veta var en tillgång är idag, utan i att använda de data den genererar för att fatta smartare beslut om vad som händer härnäst.

I branscher som logistik, kallkedja, hälsovård, byggnation eller utrustningshantering, var ser du de starkaste närmast-liggande möjligheterna för att kombinera IoT-data med AI?

De starkaste möjligheterna finns i branscher som hanterar stora volymer distribuerade tillgångar över komplexa operationer, vilket är varför logistik, kallkedja, hälsovård, byggnation och utrustningshantering alla passar profilen.

Och detta är inte teoretiskt. Stora företag, från stora återförsäljare till biltillverkare och tunga maskintillverkare, genomför redan denna strategi, vilket är exakt varför de investerar kraftigt i IoT. Alltmer är deras styrelser inte längre frågar om de använder AI. De frågar var den mätbara affärsnyttan kommer ifrån, och svaren är operativa: förbättrad genomströmning, färre kvalitetsincidenter, bättre leverans i tid och bättre kundupplevelse.

När företag distribuerar fler sensorer och anslutna enheter, hur bör de tänka på datakvalitet, signalsäkerhet, säkerhet och styrning när de behandlar IoT-data som en strategisk AI-tillgång?

AI-modeller är bara så bra som de data som ligger under dem. Organisationer tenderar att fokusera på att samla in mer data, men om den datan är ofullständig, inkonsekvent eller opålitlig, kommer AI-insikterna att vara det också. Det är det klassiska problemet med “skräp in, skräp ut”, och i företags-skala blir det en dyrbar misstag.

Därför måste datakvalitet vara en prioritet från dag ett. Organisationer behöver förtroende för att data samlas in konsekvent, överförs säkert och återger vad som händer i den fysiska världen korrekt, tillsammans med tydlig styrning kring var data kommer ifrån, hur den hanteras och hur den bör tolkas.

Till slut är det inte värdet i att generera mer data. Det är att generera pålitlig, högkvalitativ data som kan fungera som en tillförlitlig grund för beslutsfattande.

För företag som redan har IoT-distributioner på plats, vilka steg bör de ta för att göra den datan mer användbar för AI-tillämpningar?

Det första steget är att börja med affärsproblemet, inte AI. När målet är tydligt, oavsett om det är att minska vistelse-tid, förbättra utnyttjande eller minska förluster, blir det mycket enklare att identifiera de data, arbetsflöden och AI-förmågor som behövs för att stödja det. Många organisationer samlar redan in enorma mängder operativ data, men den sitter i frånkopplade system och kommer aldrig in i ett beslut.

Det andra steget är det som de flesta företag underskattar, och det är förändringshantering. Storskaliga distributioner misslyckas sällan på grund av teknologin. De misslyckas när människor inte agerar på vad datan berättar för dem. En varning om att en väntande zon är underlagrad skapar bara värde om någon faktiskt flyttar lagret, så att bygga processer och vanor som kopplar insikter till handling är det svåraste och viktigaste arbetet.

Till slut är det företagen som ser mest framgång som är de som kopplar operativ data till mätbara affärsresultat och ser till att deras personal använder den.

Om man ser framåt, tror du att proprietär operativ intelligens kommer att bli en av de största barriärerna som skiljer AI-ledare från företag som bara använder samma verktyg som alla andra?

Ja. När AI blir alltmer tillgängligt blir teknologin i sig mindre differentierande.

De organisationer som sticker ut kommer att vara de som genererar unik operativ intelligens från sina egna miljöer och använder den för att fatta bättre beslut. I många branscher är några av de mest värdefulla uppgifterna fortfarande osynliga i den fysiska världen, över tillgångar, utrustning, lager och supply chains – och den kan inte köpas, skrapas eller replicerad av en konkurrent.

De företag som kan fånga, förstå och agera på den informationen på ett konsekvent sätt kommer att vara i en mycket starkare position än de som förlitar sig enbart på samma verktyg och dataset som alla andra.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Digital Matter.