อิลาน กลัค ประธานฝ่าย Go-to-Market ของ Digital Matter ในอเมริกาเหนือ – ซีรีส์สัมภาษณ์

อิลาน กลัค ประธานฝ่าย Go-to-Market ของ Digital Matter ในอเมริกาเหนือ เป็นผู้นำด้านเทคโนโลยีและพาณิชย์ที่มีประสบการณ์ยาวนาน โดยมีพื้นหลังที่ครอบคลุมอินเทอร์เน็ตของสรรพสิ่ง (IoT) ปัญญาประดิษฐ์ เทคโนโลยีห่วงโซ่อุปทาน การวิเคราะห์ข้อมูล และกลยุทธ์องค์กร ก่อนที่จะเข้าร่วม Digital Matter เขาใช้เวลาเกิน 5 ปีกับ Cox 2M และ GearTrack โดยดำรงตำแหน่งผู้จัดการทั่วไปและประธานเจ้าหน้าที่ฝ่ายรายได้ และช่วยให้โซลูชันการ跟踪สินทรัพย์ในเวลาจริงและความสามารถในการมองเห็นห่วงโซ่อุปทานก้าวหน้า ในช่วงก่อนหน้านี้ กลัค曾ดำรงตำแหน่งผู้จัดการทั่วไปที่ Wasteless AI โดยทำงานเกี่ยวกับเทคโนโลยีการกำหนดราคาที่ใช้ AI ที่ช่วยให้ร้านค้าอาหารลดขยะ และดำรงตำแหน่งผู้จัดการผลิตภัณฑ์และพาณิชย์ระดับสูง tại WeissBeerger ซึ่งเป็นบริษัท IoT และการวิเคราะห์ข้อมูลที่ถูก AB InBev เข้าซื้อกิจการ เขาเริ่มอาชีพของเขาในด้านกลยุทธ์และการดำเนินงานที่ Deloitte Consulting ซึ่งทำให้เขาได้รับประสบการณ์ในการพัฒนาผลิตภัณฑ์ การพาณิชย์ และกลยุทธ์ข้ามเทคโนโลยีที่เกิดขึ้นใหม่

Digital Matter เป็นบริษัทฮาร์ดแวร์ IoT ทั่วโลกที่เชี่ยวชาญด้านการ跟踪สินทรัพย์ระยะยาว การติดตามเซ็นเซอร์ และโซลูชันเทเลมาติกส์ บริษัทพัฒนาเครื่องมือเชื่อมต่อที่ทนทานและใช้พลังงานต่ำที่ออกแบบสำหรับการใช้งานในพื้นที่ต่างๆ เช่น การขนส่ง การติดตามยานพาหนะและอุปกรณ์ การติดตามห่วงโซ่อุปทาน เกษตรกรรม และการประยุกต์ใช้ในด้านสิ่งแวดล้อม โดยมีอุปกรณ์หลายล้านชิ้นที่ใช้งานทั่วโลก ฮาร์ดแวร์ของบริษัทสนับสนุนเทคโนโลยีการกำหนดตำแหน่งและเชื่อมต่อหลากหลาย รวมถึงระบบนำทางดาวเทียมโลก (GNSS) การกำหนดตำแหน่ง Wi-Fi Bluetooth Low Energy (BLE) IoT แบบเซลลูลาร์ LoRaWAN และการเชื่อมต่อดาวเทียม Digital Matter ยังให้บริการแพลตฟอร์ม Device Manager แบบคลาวด์ที่ช่วยให้ลูกค้าและพันธมิตรสามารถกำหนดค่า ติดตาม จัดเตรียม และจัดการอุปกรณ์ที่เชื่อมต่อได้จากที่ใดก็ได้

ก่อนที่คุณจะเข้าร่วม Digital Matter คุณ曾ทำงานกับ GearTrack, Wasteless AI และ WeissBeerger โดยใช้ข้อมูลการดำเนินงานในเวลาจริงเพื่อปรับปรุงห่วงโซ่อุปทาน ลดขยะ และตัดสินใจเชิงพาณิชย์ที่ดีขึ้น ประสบการณ์เหล่านั้นได้กำหนดมุมมองของคุณเกี่ยวกับ IoT ในฐานะรากฐานสำหรับ AI องค์กรอย่างไร

ที่ GearTrack, Wasteless AI และ WeissBeerger ฉันเห็นด้วยตัวเองว่าเทคโนโลยีที่ดีที่สุดมีประสิทธิภาพเท่ากับข้อมูลที่อยู่เบื้องหลังเท่านั้น

ทุกบริษัทแก้ปัญหาแตกต่างกัน แต่เส้นเชื่อมโยงที่เหมือนกันคือการใช้ข้อมูลในเวลาจริงจากโลกแห่งความเป็นจริงเพื่อตัดสินใจที่ดีขึ้น ซึ่งอาจหมายถึงการทำความเข้าใจว่าสินค้าคงคลังอยู่ที่ไหน การระบุขยะก่อนที่จะเกิดขึ้น หรือช่วยให้ธุรกิจตอบสนองต่อการเปลี่ยนแปลงในพื้นที่ได้เร็วขึ้น

ประสบการณ์เหล่านั้นได้กำหนดมุมมองของฉันเกี่ยวกับ IoT และ AI อย่างแท้จริง เทคโนโลยีจำนวนมากยังไม่ได้รับการจับข้อมูลในระบบธุรกิจแบบดั้งเดิม มันอยู่ทั่วทั้งยานพาหนะ อุปกรณ์ สินค้าคงคลัง สิ่งอำนวยความสะดวก และห่วงโซ่อุปทาน IoT คือสิ่งที่เปลี่ยนกิจกรรมทางกายภาพให้เป็นข้อมูลที่ใช้ได้

สำหรับฉัน นั่นทำให้ IoT เป็นพื้นฐานที่สำคัญสำหรับ AI องค์กร มันให้ภาพที่ชัดเจนและทันสมัย hơnเกี่ยวกับวิธีการดำเนินธุรกิจอย่างแท้จริง แทนที่จะมองย้อนกลับไปที่รายงานในอดีตเพียงอย่างเดียว บริษัทสามารถเริ่มระบุรูปแบบ ระบุปัญหา และตัดสินใจที่ดีขึ้นในเวลาจริง

หลายบริษัทกำลังฝึกอบรมโมเดล AI โดยใช้เซตข้อมูลสาธารณะเดียวกันกับคู่แข่ง ทำไมคุณถึงเชื่อว่าข้อมูลการดำเนินงานที่เป็นกรรมสิทธิ์จึงกลายเป็นแหล่งที่มาที่สำคัญยิ่งขึ้นสำหรับการแยกความแตกต่างของ AI

ข้อมูลเดียวกันเข้าไป ผลลัพธ์เดียวกันออกมา เมื่อโมเดล AI มีให้ใช้กันอย่างแพร่หลาย โมเดลเหล่านั้นเองก็กลายเป็นสินค้าโภคภัณฑ์ โดยตัวแยกความแตกต่างที่แท้จริงคือคุณภาพ ความเป็นเอกลักษณ์ และความเกี่ยวข้องของข้อมูลที่ใช้เลี้ยงพวกมัน

หากทุกคนใช้เครื่องมือและเซตข้อมูลเดียวกัน พวกเขาจะได้ข้อสรุปที่คล้ายคลึงกัน

ลองพิจารณาร้านค้าปลีกสองแห่งที่ใช้แพลตฟอร์ม AI เดียวกัน การคาดการณ์ตลาด และข้อมูลความต้องการในอดีต หากหนึ่งในนั้นได้ติดตั้งเซ็นเซอร์ IoT ทั่วทั้งคลังสินค้า รถบรรทุก พาเลท และอุปกรณ์ มันจะให้ข้อมูลที่ถูกต้องจากพื้นที่จริง – ข้อมูลในเวลาจริงเกี่ยวกับการเคลื่อนไหวของสินค้าคงคลัง เวลาที่อยู่ในพื้นที่ การใช้สินทรัพย์ และการหยุดชะงักในการดำเนินงาน AI ของมันไม่ได้เรียนรู้เพียงจากสิ่งที่เกิดขึ้นในไตรมาสที่แล้ว มันเรียนรู้จากสิ่งที่เกิดขึ้นทั่วทั้งธุรกิจในขณะนี้

เมื่อเวลาผ่านไป สิ่งนี้จะสะสมเป็นข้อได้เปรียบจริง AI ของมันไม่พึ่งพาเพียงแนวโน้มในอดีตหรือมาตรฐานของบุคคลที่สาม มันเรียนรู้จากการดำเนินงานของบริษัทในเวลาจริง ซึ่งเป็นแหล่งที่มาของข้อมูลที่คู่แข่งไม่สามารถซื้อ คัดลอก หรือทำซ้ำได้

เมื่อเซ็นเซอร์ถูกติดตั้งบนฝูงยานพาหนะ สิ่งอำนวยความสะดวก อุปกรณ์ และห่วงโซ่อุปทาน องค์กรสามารถจับข้อมูลเชิงปฏิบัติการใดที่พวกเขาจะพลาดไปโดยไม่มีมัน

หลายองค์กรตัดสินใจสำคัญโดยไม่มีการมองเห็นอย่างต่อเนื่องในสิ่งที่เกิดขึ้นทั่วการดำเนินงานทางกายภาพ พวกเขาอาจทราบว่ามีสินค้าคงคลังอยู่เท่าใดหรือเมื่อการจัดส่งถูกกำหนดให้มาถึง แต่พวกเขามักขาดความเข้าใจเกี่ยวกับว่าสินทรัพย์ อุปกรณ์ และกระบวนการทำงานอย่างแท้จริงวันแล้ววันเล่า

ด้วยการติดตั้งเซ็นเซอร์ทั่วฝูงยานพาหนะ สิ่งอำนวยความสะดวก อุปกรณ์ และห่วงโซ่อุปทาน องค์กรสามารถระบุจุดอุดตัน ติดตามการใช้สินทรัพย์ ติดตามการเคลื่อนไหวของสินค้าคงคลัง และเข้าใจว่าสภาพแวดล้อมในโลกแห่งความเป็นจริงส่งผลต่อประสิทธิภาพอย่างไร

ตัวอย่างเช่น ร้านค้าปลีกอาจทราบว่าสินค้าคงคลังมาถึงศูนย์กระจายสินค้าและจัดส่งไปยังร้านค้า แต่อาจไม่ทราบว่าพาเลทบางชิ้นใช้เวลาออกไปหลายวันในพื้นที่เตรียมการก่อนที่จะเคลื่อนตัวลงสู่กระบวนการลำดับถัดไป โดยไม่มีข้อมูลจากเซ็นเซอร์ การหน่วงนี้จะยังคงไม่มองเห็นได้ แต่ด้วย IoT มันจะกลายเป็นตัววัดและดำเนินการได้ – ทำให้ทีมสามารถระบุสาเหตุของปัญหา ปรับปรุงการไหลเวียนของสินค้าคงคลัง และลดปัญหาการมีสินค้าคงคลัง

ข้อมูลที่สร้างขึ้นจาก IoT แตกต่างจากข้อมูลองค์กรแบบดั้งเดิมอย่างไรเมื่อพูดถึงการฝึกอบรม การปรับแต่ง หรือการให้พื้นฐานแก่ระบบ AI

ข้อมูลองค์กรแบบดั้งเดิมมักเป็นข้อมูลธุรกรรมและข้อมูลในอดีต ซึ่งบันทึกเหตุการณ์ที่เกิดขึ้นแล้ว เช่น ออเดอร์ ใบแจ้งหนี้ บันทึกสินค้าคงคลัง หรือกระบวนการทางธุรกิจที่เสร็จสมบูรณ์ แม้ว่าข้อมูลนั้นจะมีคุณค่า แต่มันสะท้อนถึงภาพในอดีตเป็นส่วนใหญ่ และด้วยตลาดที่เคลื่อนไหวเร็ว hơn bao giờ hết สิ่งที่เกิดขึ้นในฤดูกาลที่แล้วอาจไม่บอกเรามากเกี่ยวกับฤดูกาลนี้

ข้อมูลที่สร้างขึ้นจาก IoT แตกต่างเพราะมันจับข้อมูลในเวลาจริง มันให้ข้อมูลที่ต่อเนื่องเกี่ยวกับตำแหน่งสินทรัพย์ การเคลื่อนไหว การใช้งาน สภาพแวดล้อม และสัญญาณการดำเนินงานอื่นๆ ที่ไม่ค่อยมีอยู่ในระบบองค์กรแบบดั้งเดิม

สำหรับการใช้งาน AI สิ่งนี้มีความสำคัญ ข้อมูลในอดีตช่วยอธิบายสิ่งที่เกิดขึ้น ในขณะที่ข้อมูล IoT ช่วยให้พื้นฐานของการดำเนินงานที่เกิดขึ้นในขณะนี้ เมื่อองค์กรรวมทั้งสองสิ่งนี้เข้าด้วยกัน พวกเขาสามารถให้พื้นฐานที่มั่นคงแก่ระบบ AI ซึ่งนำไปสู่ข้อมูลเชิงลึกที่แม่นยำยิ่งขึ้นและช่วยให้ตัดสินใจได้เร็วขึ้น

Digital Matter เน้นไปที่อุปกรณ์ที่ใช้พลังงานต่ำและทนทานซึ่งออกแบบสำหรับการติดตามสินทรัพย์ระยะยาวและการติดตามเซ็นเซอร์ อุปสรรคทางเทคนิคที่ใหญ่ที่สุดในการรักษาอุปกรณ์ IoT ให้ผลิตข้อมูลได้อย่างน่าเชื่อถือเป็นเวลาหลายปีในสภาพแวดล้อมที่ซับซ้อนคืออะไร

อุปกรณ์ IoT มักถูกใช้ในสภาพแวดล้อมที่ยากต่อการคาดเดาและยากต่อการควบคุม อุปกรณ์เดียวอาจใช้เวลาหลายปีในการย้ายระหว่างสิ่งอำนวยความสะดวก ยานพาหนะ สถานที่ลูกค้า ที่ตั้งห่างไกล และพื้นที่ที่มีการเชื่อมต่อที่ไม่สม่ำเสมอ

หนึ่งในอุปสรรคที่ใหญ่ที่สุดคือการสร้างสมดุลระหว่างความสามารถในการมองเห็นกับการบริโภคพลังงาน การรวบรวมและถ่ายโอนข้อมูลบ่อยครั้งจะทำให้อุปกรณ์ใช้พลังงานมากขึ้น การออกแบบอุปกรณ์ที่สามารถจับเหตุการณ์ที่มีความหมายได้อย่างชาญฉลาด ปรับตัวให้เข้ากับสภาพการทำงานที่เปลี่ยนแปลง และเพิ่มชีวิตแบตเตอรี่เป็นเวลาหลายปีเป็นสิ่งสำคัญในการส่งมอบข้อมูลที่เชื่อถือได้ในระดับใหญ่

ความทนทานมีความสำคัญไม่แพ้กัน อุปกรณ์ต้องทนต่อการสั่นสะเทือน การกระแทก การเปลี่ยนแปลงของอุณหภูมิ ความชื้น และการใช้งานประจำวันเป็นเวลาหลายปีโดยไม่สูญเสียประสิทธิภาพ แม้แต่อัตราการล้มเหลวที่น้อยก็สามารถกลายเป็นความท้าทายในการดำเนินงานที่สำคัญเมื่อการวางระบบขยายใหญ่ขึ้นเป็นหลายพันหรือหลายหมื่นอุปกรณ์

AI สามารถช่วยให้บริษัทต่างๆ เคลื่อนไหวจากการติดตามตำแหน่งของสินทรัพย์ไปสู่การทำนายความล้มเหลว การเพิ่มประสิทธิภาพเส้นทาง การลดขยะ หรือการปรับปรุงการใช้สินทรัพย์อย่างไร

การทราบตำแหน่งของสินทรัพย์มีความสำคัญ แต่ตำแหน่งเพียงอย่างเดียวบอกได้เพียงบางส่วนของเรื่องราว โอกาสที่แท้จริงมาจากการทำความเข้าใจว่าสินทรัพย์ถูกใช้อย่างไรตลอดเวลา และการระบุรูปแบบที่ยากต่อการระบุโดยตรง เมื่อองค์กรรวมข้อมูล IoT เข้ากับ AI พวกเขาจะเคลื่อนไหวจากการตอบสนองต่อเหตุการณ์ไปสู่การคาดการณ์เหตุการณ์

ด้วยการวิเคราะห์แนวโน้มในการเคลื่อนไหว การใช้งาน เวลาที่อยู่ในพื้นที่ สภาพแวดล้อม และข้อมูลการดำเนินงานอื่นๆ AI สามารถช่วยระบุความไร้ประสิทธิภาพ คาดการณ์ปัญหาที่อาจเกิดขึ้น และเปิดโอกาสให้ปรับปรุงได้ ซึ่งสามารถนำไปสู่การใช้สินทรัพย์ที่ดีขึ้น การดำเนินงานที่มีประสิทธิภาพมากขึ้น การลดขยะ และการตัดสินใจที่รวดเร็วยิ่งขึ้น คุณค่าไม่เพียงแต่ทราบตำแหน่งของสินทรัพย์ในปัจจุบัน แต่ยังใช้ข้อมูลที่มันสร้างขึ้นเพื่อตัดสินใจที่ฉลาดกว่าว่าจะเกิดอะไรขึ้นต่อไป

ในอุตสาหกรรมอย่างการขนส่ง ห่วงโซ่อุปทาน การดูแลสุขภาพ การก่อสร้าง หรือการจัดการอุปกรณ์ คุณเห็นโอกาสที่แข็งแกร่งที่สุดในระยะเวลาอันใกล้สำหรับการรวมข้อมูล IoT เข้ากับ AI ที่ไหน

โอกาสที่แข็งแกร่งที่สุดอยู่ในอุตสาหกรรมที่จัดการสินทรัพย์ที่กระจายอยู่ทั่วการดำเนินงานที่ซับซ้อน ซึ่งเป็นสาเหตุว่าทำไมการขนส่ง ห่วงโซ่อุปทาน การดูแลสุขภาพ การก่อสร้าง และการจัดการอุปกรณ์จึงเข้าใกล้โปรไฟล์นี้

และนี่ไม่ใช่เรื่องสมมติ องค์กรขนาดใหญ่ ตั้งแต่ผู้ค้าปลีกรายใหญ่ไปจนถึงผู้ผลิตยานยนต์และผู้ผลิตอุปกรณ์หนัก ได้เริ่มดำเนินการตามกลยุทธ์นี้แล้ว ซึ่งเป็นเหตุผลที่พวกเขากำลังลงทุน IoT อย่างมีนัยสำคัญ มากขึ้นเรื่อยๆ ที่คณะกรรมการของพวกเขาไม่ได้ถามว่าพวกเขากำลังใช้ AI หรือไม่ แต่ถามว่าคุณค่าทางธุรกิจที่วัดได้มาจากไหน และคำตอบนั้นเป็นเรื่องการดำเนินงาน: การผลิตที่ดีขึ้น เหตุการณ์คุณภาพที่น้อยลง การส่งมอบที่ตรงเวลา และประสบการณ์ลูกค้าที่ดีขึ้น

ในระยะเวลาอันใกล้ คุณค่าที่ใหญ่ที่สุดจะมาจากการช่วยให้องค์กรตัดสินใจเชิงปฏิบัติการที่ดีขึ้นโดยใช้กิจกรรมที่พวกเขาผลิตทุกวัน แต่ยังไม่สามารถจับหรือใช้ประโยชน์ได้เต็มที่

เมื่อบริษัทต่างๆ ติดตั้งเซ็นเซอร์และอุปกรณ์ที่เชื่อมต่อมากขึ้น พวกเขาควรคิดอย่างไรเกี่ยวกับคุณภาพของข้อมูล ความน่าเชื่อถือของสัญญาณ ความปลอดภัย และการกำกับดูแลเมื่อรักษาข้อมูล IoT เป็นทรัพย์สิน AI ที่มีกลยุทธ์

โมเดล AI ดีเท่ากับข้อมูลที่อยู่ด้านล่าง องค์กรมักมุ่งเน้นไปที่การรวบรวมข้อมูลมากขึ้น แต่ถ้าข้อมูลนั้นไม่สมบูรณ์ ไม่สอดคล้องกัน หรือไม่น่าเชื่อถือ ข้อมูลเชิงลึกของ AI ก็จะไม่น่าเชื่อถือเช่นกัน นี่คือปัญหาของข้อมูลที่ถูกทิ้งไป (garbage in, garbage out) และในระดับองค์กร จะกลายเป็นข้อผิดพลาดที่มีค่าใช้จ่ายสูง

ดังนั้น คุณภาพของข้อมูลจึงต้องเป็นลำดับความสำคัญตั้งแต่วันแรก องค์กรต้องมั่นใจว่าข้อมูลถูกเก็บข้อมูลอย่างต่อเนื่อง ถ่ายโอนอย่างปลอดภัย และสะท้อนถึงสิ่งที่เกิดขึ้นในโลกแห่งความเป็นจริงอย่างถูกต้อง พร้อมด้วยการกำกับดูแลที่ชัดเจนเกี่ยวกับแหล่งที่มาของข้อมูล การจัดการ และวิธีการตีความ

สุดท้าย คุณค่าไม่ได้อยู่ที่การสร้างข้อมูลมากขึ้น แต่อยู่ที่การสร้างข้อมูลที่เชื่อถือได้และมีคุณภาพสูง ซึ่งสามารถเป็นพื้นฐานที่เชื่อถือได้สำหรับการตัดสินใจ

สำหรับบริษัทที่มีการใช้งาน IoT อยู่แล้ว ควรทำอะไรเพื่อให้ข้อมูลนั้นใช้ได้กับแอปพลิเคชัน AI

ขั้นตอนแรกคือการเริ่มต้นด้วยปัญหาทางธุรกิจ ไม่ใช่ AI เมื่อเป้าหมายชัดเจนแล้ว ไม่ว่าจะเป็นการลดเวลาที่อยู่ในพื้นที่ การปรับปรุงการใช้สินทรัพย์ หรือการลดขยะ ก็จะง่ายขึ้นที่จะระบุข้อมูล กระบวนการทำงาน และความสามารถของ AI ที่ต้องการเพื่อสนับสนุน องค์กรจำนวนมากรวบรวมข้อมูลการดำเนินงานจำนวนมาก แต่มันอยู่ในระบบที่ไม่เชื่อมต่อและไม่เคยเข้าสู่กระบวนการตัดสินใจ

ขั้นตอนที่สองคือสิ่งที่บริษัทส่วนใหญ่ประเมินต่ำเกินไป และนั่นคือการเปลี่ยนแปลงกระบวนการ (change management) การใช้งานในระดับใหญ่ไม่ล้มเหลวเพราะเทคโนโลยี แต่ล้มเหลวเมื่อคนไม่ดำเนินการตามสิ่งที่ข้อมูลบอกพวกเขา การแจ้งเตือนว่าพื้นที่เตรียมการขาดสินค้าจะสร้างคุณค่าเฉพาะเมื่อมีคนย้ายสินค้าจริงๆ ดังนั้นการสร้างกระบวนการและนิสัยที่เชื่อมโยงความเข้าใจกับการดำเนินการคือส่วนงานที่ยากที่สุดและสำคัญที่สุด

สุดท้าย บริษัทที่ประสบความสำเร็จมากที่สุดคือบริษัทที่เชื่อมโยงข้อมูลการดำเนินงานกับผลลัพธ์ทางธุรกิจที่วัดได้ และทำให้คนของตนใช้ข้อมูลนั้น

เมื่อมองไปข้างหน้า คุณเชื่อว่าข้อมูลเชิงปฏิบัติการที่เป็นกรรมสิทธิ์จะกลายเป็นหนึ่งในอุปสรรคที่ใหญ่ที่สุดที่แยกความแตกต่างระหว่างผู้นำ AI และบริษัทที่ใช้เครื่องมือเดียวกันกับทุกคน

ใช่ เมื่อ AI กลายเป็นที่แพร่หลายมากขึ้น เทคโนโลยีเพียงอย่างเดียวจะกลายเป็นตัวแยกความแตกต่างที่น้อยลง

องค์กรที่โดดเด่นจะเป็นองค์กรที่สร้างข้อมูลเชิงปฏิบัติการที่เป็นเอกลักษณ์จากสภาพแวดล้อมของตนเองและใช้มันในการตัดสินใจที่ดีขึ้น ในหลายอุตสาหกรรม ข้อมูลที่มีค่าที่สุดยังคงอยู่ในโลกแห่งความเป็นจริงทั่วทั้งสินทรัพย์ อุปกรณ์ สินค้าคงคลัง และห่วงโซ่อุปทาน – และไม่สามารถซื้อ คัดลอก หรือทำซ้ำได้โดยคู่แข่ง

บริษัทที่สามารถจับ ข้อมูลเชิงปฏิบัติการนี้ เข้าใจ และดำเนินการตามข้อมูลนี้ได้อย่างต่อเนื่องจะอยู่ในตำแหน่งที่แข็งแกร่งกว่าผู้ที่พึ่งพาเครื่องมือและเซตข้อมูลเดียวกันกับทุกคน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Digital Matter