Ilan Gluck, Digital Matter’ın Kuzey Amerika’ya Gitme Pazarlama Başkanı – Röportaj Serisi

Ilan Gluck, Digital Matter’ın Kuzey Amerika’ya Gitme Pazarlama Başkanı, İnternet Nesneleri (IoT), yapay zeka, tedarik zinciri teknolojisi, veri analitiği ve kurumsal strateji alanlarında deneyimli bir teknoloji ve ticari liderdir. Digital Matter’a katılmadan önce, Cox 2M ve GearTrack’te beş yıldan fazla süre geçirdi ve Genel Müdür ve Baş Gelir Sorumlusu olarak görev yaptı ve gerçek zamanlı varlık izleme ve tedarik zinciri görünürlüğü çözümlerini ilerletmeye yardımcı oldu. Daha önce, Gluck, gıda perakendecilerinin atığı azaltmaya yardımcı olmak için tasarlanan AI destekli dinamik fiyatlandırma teknolojisi üzerinde çalıştığı Wasteless AI’de Genel Müdür olarak görev yaptı ve İnternet Nesneleri (IoT) ve veri analitiği şirketi WeissBeerger’de üst düzey ürün ve ticari rollerde bulundu. Kariyerine Deloitte Consulting’de strateji ve operasyonlarda başladı ve bu da ona ortaya çıkan teknolojiler boyunca ürün, ticarileştirme ve stratejik deneyim kazandırdı.

Digital Matter bir küresel İnternet Nesneleri (IoT) donanım şirketidir ve uzun ömürlü varlık izleme, sensör izleme ve telematik çözümlerine uzmanlaşmıştır. Şirket, lojistik, filo ve ekipman izleme, tedarik zinciri izleme, tarım ve çevresel uygulamalar gibi alanlarda dağıtımlar için tasarlanmış dayanıklı, düşük güçte bağlantılı cihazlar geliştirir. Milyonlarca cihaz küresel olarak dağıtılmıştır. Donanımları, Küresel Navigasyon Uydu Sistemi (GNSS), Wi-Fi konumlandırma, Bluetooth Low Energy (BLE), hücresel IoT, LoRaWAN ve uydu bağlantısı dahil olmak üzere çeşitli konumlandırma ve bağlantılı teknolojiyi destekler. Digital Matter ayrıca, müşterilerin ve ortakların bağlantılı cihazları uzaktan yapılandırmasına, izlemesine, sağlama ve yönetmesine olanak sağlayan bir bulut tabanlı Cihaz Yöneticisi platformu sağlar.

GearTrack, Wasteless AI ve WeissBeerger’de çalışmadan önce, gerçek zamanlı operasyonel verilerin tedarik zincirlerini iyileştirmek, atığı azaltmak ve daha iyi ticari kararlar almak için kullanıldığını gördünüz. Bu deneyim, IoT’nin kurumsal AI için bir temel olarak sizin görüşünüzü nasıl şekillendirdi?

GearTrack, Wasteless AI ve WeissBeerger’de, her şirketin farklı bir sorunu çözdüğünü, ancak ortak bir noktanın gerçek zamanlı fiziksel dünya bilgilerini kullanarak daha iyi kararlar vermesi olduğunu gördüm.

Bu deneyimler, IoT ve AI hakkında düşüncelerimi gerçekten şekillendirdi. Birçok değerli operasyonel bilgi, geleneksel iş sistemlerinde hala yakalanmıyor. Bu, araçlar, ekipman, envanter, tesisler ve tedarik zincirleri boyunca mevcut. IoT, bu fiziksel aktiviteyi kullanılabilir verilere dönüştüren şeydir.

Bana göre, bu, IoT’nin kurumsal AI için kritik bir temel yapıyor. AI’ye, bir işin gerçekten nasıl çalıştığı hakkında daha net ve güncel bir resim veriyor. Tarihi raporlara yalnızca geriye bakmak yerine, şirketler desenleri tanıyabilir, sorunları öngörebilir ve gerçek zamanlı daha iyi kararlar alabilir.

Çok sayıda şirket, rakipleriyle aynı kamu veritabanlarını kullanarak AI modellerini eğitiyor. Neden propriyetery operasyonel verilerin, AI farklılaşması için daha önemli bir kaynak haline geldiğini düşünüyorsunuz?

Aynı veri girişi, aynı içgörüler çıkışı. AI modellerinin erişimi daha yaygın hale geldikçe, modeller kendileri giderek daha çok birer mal haline geliyor ve gerçek farklılaştırıcı, besledikleri verilerin kalitesi, benzersizliği ve alakalılığı oluyor.

Eğer herkes aynı araçları, aynı kamu, üçüncü taraf veya tarihi veritabanlarını kullanarak eğitiyorsa, hepsi yaklaşık olarak aynı sonuçlara varıyor.

İki rakip perakendeciyi düşünün, aynı AI platformunu, pazar öngörülerini ve tarihi talep verilerini kullanıyor. Bunlardan biri, depolarında, treylerlerinde, paletlerinde ve ekipmanında IoT sensörleri dağıtmışsa, sürekli olarak AI’ye gerçek zamanlı veri sağlıyor – envanter hareketi, bekleme süreleri, varlık kullanımı, tıkanıklar ve operasyonel kesintiler hakkında gerçek zamanlı bilgi. AI’si yalnızca son çeyrekte neler olduğu hakkında değil, işletme genelinde neler olduğu hakkında sürekli öğreniyor.

Zaman içinde, bu bir gerçek avantaj haline geliyor. AI’si yalnızca tarihi eğilimleri veya üçüncü taraf benchmark’lerini dayanarak değil, şirketin kendi operasyonlarından gerçek zamanlı öğreniyor ve bu, rakiplerinin satın alamayacağı, kazınamayacağı veya çoğaltamayacağı bir zeka kaynağı oluşturuyor.

Filolar, tesisler, ekipman ve tedarik zincirleri boyunca sensörler dağıtıldığında, şirketler normalde kaçırdıkları operasyonel zekayı hangi türlerini yakalayabilir?

Çok sayıda organizasyon, fiziksel operasyonlarındaki neler olduğu hakkında sürekli görünürlüğe sahip olmadan kritik kararlar veriyor. Envantrelerinin ne kadar olduğunu veya bir sevkiyatın ne zaman planlandığını biliyorlar, ancak varlıkların, ekipmanların ve iş akışlarının gerçekten nasıl çalıştığı hakkında thường xuyên olarak fikirleri yok.

Filolar, tesisler, ekipman ve tedarik zincirleri boyunca sensörler dağıtarak, organizasyonlar tıkanıkları tanımlayabilir, varlık kullanımını izleyebilir, envanter hareketini izleyebilir ve gerçek dünya koşullarının performansı nasıl etkilediğini anlayabilir.

IoT tarafından üretilen verilerin, AI sistemlerini eğitmek, ince ayar yapmak veya temellendirmek için geleneksel işletme verilerine nasıl farklılaştığını açıklayabilir misiniz?

Geleneksel işletme verileri genellikle işlemsel ve histórik olup, bereits gerçekleşmiş olayları yakalar, zoals siparişler, faturalar, envanter kayıtları veya tamamlanmış iş süreçleri. Bu bilgi değerli olsa da, esas olarak geçmişin bir anlık görüntüsünü yansıtıyor. Ve pazarlar daha önce hiç olmadığı kadar hızlı ilerliyorken, son mevsimde neler olduğu, bu mevsim hakkında pek bir şey söylemeyebilir.

IoT tarafından üretilen veriler farklı çünkü gerçek zamanlı olarak neler olduğu hakkında bilgi sağlıyor. Fiziksel aktivite hakkında sürekli içgörü sağlıyor, geleneksel işletme sistemlerinde genellikle mevcut olmayan varlık konumu, hareketi, kullanımı, çevresel koşulları ve diğer operasyonel sinyalleri yakalıyor.

AI uygulamaları için bu ayrım önemli. Tarihi veriler neler olduğu hakkında bilgi verirken, IoT verileri neler olduğu hakkında bilgi sağlıyor. Organizasyonlar ikisini birleştirdiğinde, AI sistemlerini güncel operasyonel gerçekliklere dayandırabilir, daha doğru içgörüler oluşturabilir ve daha hızlı, daha bilgili kararlar alabilir.

Digital Matter, uzun ömürlü varlık izleme ve sensör izleme için tasarlanmış düşük güçte, dayanıklı cihazlara odaklanıyor. IoT cihazlarının karmaşık ortamlarda yıllarca güvenilir veri üretmesini sağlamak için en büyük teknik zorluklar nelerdir?

IoT cihazları genellikle öngörülemez ve kontrol edilemeyen ortamlarda dağıtılır. Tek bir cihaz, yıllar boyunca tesisler, araçlar, müşteri siteleri, uzak konumlara ve bağlantılılık tutarlı olmayan alanlar arasında hareket edebilir.

En büyük zorluklardan biri, görünürlüğü güç tüketimiyle dengelemektir. Bir cihaz ne kadar sık veri toplar ve iletirse, o kadar fazla enerji tüketir. Anlamlı olayları akıllıca yakalayabilen, işletme koşullarına uyum sağlayabilen ve multiple yıllarda pil ömrünü en üst düzeye çıkarabilen cihazlar tasarlamak kritiktir.

Dayanıklılık da eşit derecede önemlidir. Cihazlar, titreşim, darbe, sıcaklık değişiklikleri, nem ve yıllarca süren günlük kullanıma rağmen tutarlı bir şekilde performans göstermeli ve neredeyse hiç bakıma ihtiyaç duymadan çalışmalıdır. Küçük bir arızalanma oranı, cihaz dağıtımları binlerce veya on binlerce cihaza ulaştığında önemli bir operasyonel zorluk haline gelebilir.

Şirketler, varlıkların nerede olduğunu izlemekten, arızalanmaları öngörerek, rotaları optimize ederek, atığı azaltarak veya kullanımını iyileştirerek nasıl ilerleyebilir?

Varlığın nerede olduğu bilgisinin önemli olduğunu, ancak konumun yalnızca kısmen hikayeyi anlattığını biliyoruz. Gerçek fırsat, varlıkların nasıl kullanıldığını anlamak ve elle kolayca tespit edilemeyecek kalıpları tanımlamaktan geliyor. Organizasyonlar IoT verilerini AI ile birleştirdiğinde, yalnızca olaylara tepki vermekle kalmaz, onları öngörerek hareket etmeye başlar.

Varlık hareketi, kullanımı, bekleme süresi, çevresel koşullar ve diğer operasyonel verileri analiz ederek, AI, verimsizlikleri tanımlamaya, potansiyel sorunları öngörerek ve iyileşme fırsatlarını ortaya çıkarmaya yardımcı olabilir. Bu, daha iyi varlık kullanımı, daha verimli operasyonlar, azaltılmış atık ve daha hızlı karar almaya yol açabilir. Değer, yalnızca varlığın nerede olduğu değil, ürettiği verilerin gelecekte neler olacağı hakkında daha akıllı kararlar almasına yardımcı olmasıdır.

Lojistik, soğuk zincir, sağlık, inşaat veya ekipman yönetimi gibi sektörlerde, IoT verilerini AI ile birleştirmenin en güçlü kısa vadeli fırsatlarını nerede görüyorsunuz?

En güçlü fırsatlar, büyük miktarlarda dağıtılmış varlıkları karmaşık operasyonlar boyunca yöneten endüstrilerdedir, bu nedenle lojistik, soğuk zincir, sağlık, inşaat ve ekipman yönetimi bu profile uyuyor.

Ve bu teorik değil. Büyük işletmeler, önemli perakendecilerden otomotiv OEM’lerine ve ağır ekipman üreticilerine kadar, bu stratejiyi zaten uygulamaya koyuyor, bu nedenle önemli IoT yatırımları yapıyorlar. Artık yönetim kurulları, AI kullanıp kullanmadıklarını sormuyor, ölçülebilir iş değerinin nereden geldiğini soruyor ve cevaplar operasyonel: iyileştirilmiş verimlilik, daha az kalite olayı, daha iyi zamanında teslimat ve daha iyi müşteri deneyimi.

Kısa vadeli en büyük değer, organizasyonların günlük olarak ürettiği faaliyeti kullanarak daha iyi operasyonel kararlar almasına yardımcı olmakla gelecek.

Şirketler daha fazla sensör ve bağlantılı cihaz dağıttıkça, IoT verilerini stratejik AI varlığı olarak ele alırken, veri kalitesi, sinyal güvenilirliği, güvenlik ve yönetim hakkında nasıl düşünmelidir?

AI modelleri, altındaki veriler kadar iyidir. Organizasyonlar daha fazla veri toplamakla uğraşırken, bu veriler eksik, tutarsız veya güvensiz ise, AI’nın içgörülerinin de öyle olacağını unutmamalılar. Bu, klasik bir “çöp girişi, çöp çıkışı” sorunudur ve işletme ölçeğinde pahalı bir hata haline gelir.

Veri kalitesi, baştan itibaren bir öncelik olmalıdır. Organizasyonların, verilerin tutarlı bir şekilde toplanmakta, güvenli bir şekilde iletilmekte ve fiziksel dünyada neler olduğu hakkında doğru bir şekilde yansıtıldığından emin olmaları gerekir, ayrıca verilerin nereden geldiği, nasıl yönetildiği ve nasıl yorumlanacağı konusunda net bir yönetim olmalıdır.

Asıl değer, daha fazla veri üretmekten değil, güvenilir, yüksek kaliteli veri üretmekten gelir. Bu, karar alma için güvenilir bir temel oluşturur.

Halihazırda IoT dağıtımları olan şirketler, bu verileri AI uygulamaları için daha kullanılabilir hale getirmek için hangi adımları atmalıdır?

İlk adım, iş sorununa odaklanmaktır, AI’ye değil. Hedef netleştirildiğinde, ister bekleme süresini azaltmak, ister kullanımını iyileştirmek, ister kayıpları azaltmak olsun, hangi verilerin, iş akışlarının ve AI yeteneklerinin gerekli olduğunu belirlemek çok daha kolay hale gelir. Çok sayıda organizasyon, operasyonel veri toplar, ancak bu veriler bağlantısız sistemlerde kalır ve bir karara dahil edilmez.

İkinci adım, çoğu şirketin küçümsediği adımdır, yani değişim yönetimi. Büyük ölçekli dağıtımlar, teknoloji nedeniyle değil, insanların verilerin söylediklerine göre hareket etmemeleri nedeniyle başarısız olur. Bir staging alanının stokta olduğu konusunda bir uyarı, yalnızca jemand envanteri gerçekten hareket ettirirse değer yaratır, bu nedenle, içgörülerle eylemi bağlayan süreçleri ve alışkanlıkları oluşturmak, işin en zor ve en önemli kısmıdır.

Asıl başarıyı gören şirketler, operasyonel verileri ölçülebilir iş sonuçlarına bağlıyor ve insanların bu verileri kullanarak hareket ettiğinden emin oluyor.

İleriye bakıldığında, propriyetery operasyonel zekanın, AI liderlerini, herkesin aynı araçları kullandığı şirketlerden ayıran en büyük engellerden biri haline geleceğine inanüyor musunuz?

Evet. AI daha yaygın hale geldikçe, teknoloji itself bir farklılaştırıcı olmaktan çıkıyor.

Ayırıcı olan organizasyonlar, kendi ortamlarından benzersiz operasyonel zeka üreten ve daha iyi kararlar almak için kullananlar olacaktır. Birçok endüstride, en değerli bilgiler hala fiziksel dünyada, varlıklar, ekipman, envanter ve tedarik zincirleri boyunca mevcut ve bunlar satın alınamaz, kazınamaz veya çoğaltılamaz.

Bu bilgileri sürekli olarak yakalayan, anlayan ve eyleme geçiren şirketler, yalnızca herkesin aynı araçları ve veritabanlarını kullandığı şirketlere göre çok daha güçlü bir konumda olacaklar.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Digital Matter sitesini ziyaret edebilir.