Ілан Глюк, Голова відділу Go-to-Market, Північна Америка в Digital Matter – Інтерв’ю Серія

Ілан Глюк, Голова відділу Go-to-Market, Північна Америка в Digital Matter, є досвідченим технологічним та комерційним лідером з досвідом у сфері Інтернету речей (IoT), штучного інтелекту, технологій ланцюга постачання, даних аналітики та корпоративної стратегії. До того, як приєднатися до Digital Matter, він понад п’ять років працював у Cox 2M та GearTrack, обіймаючи посади генерального менеджера та головного офіцера з доходів, і допомагав просуванню рішень для відстеження активів та видимості ланцюга постачання в реальному часі. Раніше Глюк був генеральним менеджером у Wasteless AI, де працював над технологією динамічної ціноутворення, що працює на штучному інтелекті, призначеної для допомоги рітейлерам у скороченні відходів, та обіймав старші посади з продукту та комерції у WeissBeerger, компанії IoT та даних аналітики, яку придбала AB InBev. Він розпочав свою кар’єру у сфері стратегії та операцій у Deloitte Consulting, що дало йому комбінацію досвіду у сфері продукту, комерціалізації та стратегії у сфері нових технологій.

Digital Matter є глобальною компанією з виробництва обладнання IoT, що спеціалізується на трекінгу активів з довгим терміном життя, моніторингу датчиків та телекомунікаційних рішеннях. Компанія розробляє стійкі, низьковольтні підключені пристрої, призначені для розгортання у таких галузях, як логістика, трекінг флоту та обладнання, моніторинг ланцюга постачання, сільське господарство та екологічні застосування, з мільйонами пристроїв, розгорнутих по всьому світу. Її апаратне забезпечення підтримує ряд технологій позиціонування та підключення, включаючи глобальну систему навігації супутників (GNSS), позиціонування Wi-Fi, Bluetooth Low Energy (BLE), мобільний IoT, LoRaWAN та супутникове підключення. Digital Matter також надає хмарну платформу Device Manager, яка дозволяє клієнтам та партнерам віддалено конфігурувати, моніторити, розгортати та керувати підключеними пристроями у великих масштабах.

До того, як ви приєдналися до Digital Matter, ви працювали у GearTrack, Wasteless AI та WeissBeerger, де дані операційної діяльності використовувалися для поліпшення ланцюгів постачання, скорочення відходів та прийняття кращих комерційних рішень. Як цей досвід сформував ваше бачення IoT як основи для корпоративного штучного інтелекту?

У GearTrack, Wasteless AI та WeissBeerger я бачив на власні очі, що найкраща технологія є лише такою хорошою, як і дані, що стоять за нею.

Кожна компанія розв’язувала іншу проблему, але спільним моментом було використання даних у реальному часі з фізичного світу для прийняття кращих рішень. Це могло означати розуміння, де знаходиться інвентар, ідентифікацію відходів до того, як вони стаються, або допомогу бізнесу у швидшому реагуванні на те, що змінюється на місцевості.

Ці досвіди суттєво сформували моє бачення IoT та штучного інтелекту. Багато цінної операційної інформації все ще не захоплюється традиційними бізнес-системами. Вона існує по всьому транспорту, обладнанню, інвентарю, об’єктам та ланцюгам постачання. IoT перетворює цю фізичну діяльність у використовувані дані.

Для мене це робить IoT критичною основою для корпоративного штучного інтелекту. Це дає штучному інтелекту значно чіткіше та актуальніше уявлення про те, як насправді працює бізнес. Замість того, щоб лише дивитися назад на історичні звіти, компанії можуть почати ідентифікувати закономірності, передбачати проблеми та приймати кращі рішення в реальному часі.

Багато компаній тренують моделі штучного інтелекту на тих самих публічних наборах даних, що й їхні конкуренти. Чому ви вважаєте, що власні операційні дані стають більш важливим джерелом диференціації штучного інтелекту?

Самі дані – те, що входить, ті ж самі висновки виходять. Коли доступ до моделей штучного інтелекту стає більш широко доступним, самі моделі стають все більш комодитизованими, а справжнім диференціатором стає якість, унікальність та актуальність даних, які їх годують.

Якщо всі використовують одні й ті ж інструменти, треновані на тих самих публічних, третіх або історичних наборах даних, вони всі приходять до приблизно одних самих висновків.

Розгляньте двох конкуруючих рітейлерів, які використовують одну й ту ж платформу штучного інтелекту, прогнози ринку та історичні дані про попит. Якщо один з них розгорнув датчики IoT по всьому складу, трейлерах, палітах та обладнанню, він безперервно годує свій штучний інтелект даними про те, що відбувається зараз – інформацію про рух інвентарю, час простою, використання активів,瓶нем та операційні порушення. Його штучний інтелект не тільки вчиться з того, що відбулося у минулому кварталі. Він безперервно вчиться з того, що відбувається у бізнесі прямо зараз.

З часом це стає реальною перевагою. Його штучний інтелект не залежить лише від історичних тенденцій чи третіх показників. Він вчиться з власної діяльності компанії у реальному часі, створюючи джерело інтелекту, яке конкуренти не можуть купити, зібрати або відтворити.

Коли датчики розгорнуті по флоту, об’єктах, обладнанні та ланцюгах постачання, які типи операційної розвідки компанії можуть захопити, яких вони інакше пропустять?

Багато організацій приймають критичні рішення без безперервної видимості того, що відбувається по всьому фізичному простору. Вони можуть знати, скільки інвентарю у них є, або коли відправлення мало прибути, але вони часто не мають уявлення про те, як активи, обладнання та робочі процеси насправді працюють з дня на день.

Розгортуючи датчики по флоту, об’єктах, обладнанні та ланцюгах постачання, організації можуть ідентифікувати瓶нем, відстежувати використання активів, моніторити рух інвентарю та зрозуміти, як реальні умови впливають на продуктивність.

Наприклад, рітейлер може знати, що інвентар прибув на розподільчий центр і згодом був доставлений до магазину, але не усвідомлювати, що певні паліти безперервно проводять кілька додаткових днів у зоні очікування, перш ніж рухатися вниз по ланцюгу. Без даних датчиків ця затримка залишається в основному невидимою. З IoT вона стає вимірюваною та дієвою – дозволяючи командам ідентифікувати кореневу причину, поліпшити потік інвентарю та скоротити проблеми з наявністю запасів.

Як дані, згенеровані IoT, відрізняються від традиційних корпоративних даних при тренуванні, налаштуванні або засновуванні систем штучного інтелекту?

Традиційні корпоративні дані часто транзакційні та історичні, захоплюючи події, які вже відбулися, такі як замовлення, рахунки, записи інвентарю або завершені бізнес-процеси. Хоча ця інформація цінна, вона в основному відображає знімок минулого. І з ринками, які рухаються швидше, ніж будь-коли раніше, те, що відбулося у минулому сезоні, може не сказати вам багато про цей.

Дані, згенеровані IoT, відрізняються тим, що вони захоплюють те, що відбувається у реальному часі. Вони забезпечують безперервний огляд того, що відбувається з активами, обладнанням, інвентарем, об’єктами та ланцюгами постачання – інформації, яка зазвичай недоступна у традиційних корпоративних системах.

Для застосунків штучного інтелекту це розрізнення важливе. Історичні дані допомагають пояснити, що відбулося, тоді як дані IoT допомагають встановити, що відбувається зараз. Коли організації поєднують обидва, вони можуть засновувати системи штучного інтелекту на поточній операційній реальності, створюючи більш точні висновки та дозволяючи швидше та інформованіше прийняття рішень.

Digital Matter підкреслює низьковольтні, стійкі пристрої, побудовані для трекінгу активів та моніторингу датчиків на довгий термін. Які найбільші технічні виклики у збереженні IoT-пристроїв, які надійно генерують дані протягом років у складних середовищах?

Пристрої IoT часто розгортаються у середовищах, які важко передбачити та ще важче контролювати. Один пристрій може провести роки, рухаючись між об’єктами, транспортними засобами, клієнтськими сайтами, віддаленими місцями та зонами з нестабільним підключенням.

Одним з найбільших викликів є баланс видимості з споживанням енергії. Частіше пристрій збирає та передає дані, тим більше енергії він споживає. Проєктування пристроїв, які можуть розумно захоплювати значущі події, адаптуватися до змінних умов експлуатації та максимізувати термін служби батареї протягом декількох років, є критичним для доставки надійних даних у великих масштабах.

Стійкість є рівноцінно важливою. Пристрої повинні витримувати вібрацію, удар, коливання температури, вологу та роки щоденної експлуатації, продовжуючи працювати послідовно з мінімальною чи жодною технічною підтримкою. Навіть малий рівень відмов може стати суттєвим операційним викликом, коли розгортання пристроїв зростає до тисяч чи десятків тисяч.

Як штучний інтелект може допомогти компаніям рухатися далі простого трекінгу того, де знаходиться актив, до передбачення відмов, оптимізації маршрутів, скорочення відходів чи поліпшення використання?

Знати, де знаходиться актив, важливо, але місцезнаходження само по собі розповідає лише частину історії. Реальна можливість полягає у розумінні того, як активи використовуються з плином часу, та ідентифікації закономірностей, які були б важко виявити вручну. Коли організації поєднують дані IoT зі штучним інтелектом, вони рухаються далі простого реагування на події та починають їх передбачати.

Аналізуючи тенденції руху, використання, часу простою, умов навколишнього середовища та інших операційних даних, штучний інтелект може допомогти ідентифікувати неефективність, передбачити потенційні проблеми та виявити можливості для покращення. Це може привести до кращого використання активів, більш ефективних операцій, скорочення відходів та швидшого прийняття рішень. Цінність не лише у тому, щоб знати, де знаходиться актив сьогодні, а у використанні даних, які він генерує, для прийняття розумніших рішень про те, що відбувається далі.

У галузях, таких як логістика, холодний ланцюг, охорона здоров’я, будівництво чи управління обладнанням, де ви бачите найсильніші короткострокові можливості для поєднання даних IoT зі штучним інтелектом?

Найсильніші можливості існують у галузях, які керують величезними обсягами розподілених активів по складних операціях, що пояснює, чому логістика, холодний ланцюг, охорона здоров’я, будівництво та управління обладнанням усі відповідають цьому профілю.

І це не теоретично. Великі підприємства, від великих рітейлерів до виробників автомобілів та важкого обладнання, вже реалізують цю стратегію, що саме пояснює, чому вони роблять суттєві інвестиції в IoT. Все частіше їхні ради директорів вже не запитують, чи вони використовують штучний інтелект. Вони запитують, звідки походять вимірювані бізнес-результати, і відповіді операційні: покращений випуск, менше випадків порушення якості, краще доставлення вчасно, краще клієнтське досвід.

У короткостроковій перспективі найбільша цінність прийде від допомоги організаціям у прийнятті кращих операційних рішень, використовуючи діяльність, яку вони вже генерують щодня, але ніколи не могли повністю захопити чи використати.

Когда компанії розгортають більше датчиків та підключених пристроїв, як вони повинні думати про якість даних, надійність сигналу, безпеку та управління, коли розглядають дані IoT як стратегічний актив штучного інтелекту?

Моделі штучного інтелекту є лише такими хорошими, як і дані, які під ними лежать. Організації схильні зосереджуватися на зборі більше даних, але якщо ці дані是不 повні, несумісні чи ненадійні, висновки штучного інтелекту також будуть такими. Це класична проблема “сміття у, сміттяออก”, і у масштабах підприємства це стає дорогою помилкою.

Тому якість даних повинна бути пріоритетом з дня першого. Організації повинні мати впевненість, що дані збираються послідовно, передаются безпечно та точно відображають те, що відбувається у фізичному світі, разом з чітким управлінням джерелом даних, їх управлінням та тлумаченням.

У кінцевому підсумку цінність не полягає у генерації більше даних. Вона полягає у генерації довірчих, високоякісних даних, які можуть служити надійною основою для прийняття рішень.

Для компаній, які вже мають розгорнуті рішення IoT, які кроки вони повинні зробити, щоб зробити ці дані більш придатними для застосунків штучного інтелекту?

Перший крок – почати з бізнес-проблеми, а не зі штучним інтелектом. Як тільки мета буде ясна, чи то скорочення часу простою, покращення використання чи скорочення втрат, буде значно легше ідентифікувати дані, робочі процеси та можливості штучного інтелекту, необхідні для підтримки цього. Багато організацій вже збирають величезні обсяги операційних даних, але вони сидять у відокремлених системах і ніколи не стають рішенням.

Другий крок – той, якого більшість компаній недооцінюють, і це зміна управління. Масштабовані розгортання рідко виходять з ладу через технологію. Вони виходять з ладу, коли люди не діють згідно з тим, що дані їм кажуть. Сповіщення про те, що зона очікування знаходиться нижче запасів, тільки створює цінність, якщо хтось фактично перемістить інвентар, тому будівництво процесів та звичок, які зв’язують висновки з дією, є найбільш важливою частиною роботи.

У кінцевому підсумку компанії, які бачать найбільший успіх, є ті, які зв’язують операційні дані з вимірюваними бізнес-результатами та забезпечують, щоб їхні люди використовували ці дані.

Оглядаючи вперед, ви вважаєте, що власна операційна розвідка стане однією з найбільших бар’єрів, які відокремлюють лідерів штучного інтелекту від компаній, які просто використовують одні й ті ж інструменти, як і всі інші? 

Так. Коли штучний інтелект стає все більш доступним, технологія сама по собі стає меншим диференціатором.

Організації, які виділяються, будуть тими, які генерують унікальну операційну розвідку зі свого середовища та використовують її для прийняття кращих рішень. У багатьох галузях деяка з найбільш цінної інформації все ще існує у фізичному світі, по активах, обладнанню, інвентарю та ланцюгах постачання – і її не можна купити, зібрати чи відтворити конкурентом.

Компанії, які можуть постійно захоплювати, розуміти та діяти згідно з цією інформацією, будуть у значно сильнішій позиції, ніж ті, хто покладається лише на ті ж самі інструменти та набори даних, що й усі інші.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Digital Matter.