伊兰·格鲁克，数字物质北美市场总监 – 采访系列

伊兰·格鲁克，数字物质北美市场总监，是一位经验丰富的技术和商业领导者，拥有跨越物联网（IoT）、人工智能、供应链技术、数据分析和企业战略等多个领域的背景。在加入数字物质之前，他在Cox 2M和GearTrack公司工作了五年多，担任总经理和首席收入官，帮助推进实时资产跟踪和供应链可视性解决方案。早先，格鲁克曾在Wasteless AI公司担任总经理，负责开发人工智能动态定价技术，以帮助食品零售商减少浪费，并在WeissBeerger公司担任高级产品和商业职位，WeissBeerger是一家物联网和数据分析公司，后被AB InBev收购。他在德勤咨询公司的战略和运营部门开始了他的职业生涯，这使他在新兴技术领域拥有产品、商业化和战略经验的结合。

数字物质是一家全球物联网硬件公司，专门从事长期资产跟踪、传感器监测和远程信息处理解决方案。该公司开发了坚固、低功耗的连接设备，适用于物流、车队和设备跟踪、供应链监测、农业和环境应用等领域，全球已部署数百万台设备。其硬件支持多种定位和连接技术，包括全球导航卫星系统（GNSS）、Wi-Fi定位、蓝牙低功耗（BLE）、蜂窝物联网、LoRaWAN和卫星连接。数字物质还提供了一款基于云的设备管理平台，允许客户和合作伙伴远程配置、监测、分配和管理连接设备。

在加入数字物质之前，您曾在GearTrack、Wasteless AI和WeissBeerger等公司工作过，利用实时运营数据来改善供应链、减少浪费和做出更好的商业决策。这种经验如何塑造您对物联网作为企业人工智能基础的看法？

在GearTrack、Wasteless AI和WeissBeerger等公司，我亲眼看到最好的技术只有在有良好的数据支持下才会有效。

每家公司都在解决不同的问题，但共同点是使用来自物理世界的实时信息来做出更好的决策。这可能意味着了解库存的位置、识别浪费的潜在可能性或帮助企业更快地响应实际情况的变化。

这些经历真正地塑造了我对物联网和人工智能的看法。许多有价值的运营信息仍然没有被传统的商业系统捕获。它们存在于车辆、设备、库存、设施和供应链中。物联网正是将这些物理活动转化为可用的数据。

对于我来说，这使得物联网成为企业人工智能的关键基础。它为人工智能提供了对业务实际运营的更清晰和更及时的图景。与其仅仅回顾历史报告，公司可以开始识别模式、预测问题并实时做出更好的决策。

许多公司都在训练人工智能模型使用相同的公共数据集，就像他们的竞争对手一样。为什么您认为专有运营数据正在成为人工智能差异化的更重要来源？

相同的数据输入，相同的见解输出。随着人工智能模型变得更加普遍，模型本身变得越来越像商品，真正的区别在于输入模型的数据的质量、独特性和相关性。

如果每个人都使用相同的工具、相同的公共数据、历史数据或第三方数据，他们都会得出大致相同的结论。

考虑两家竞争对手零售商使用相同的人工智能平台、市场预测和历史需求数据。如果其中一家零售商在其仓库、拖车、托盘和设备上部署了物联网传感器，它将持续向其人工智能提供实时数据——关于库存移动、停留时间、资产利用率、瓶颈和运营中断的实时信息。其人工智能不仅仅是学习过去一个季度发生了什么。它正在不断地学习业务当前正在发生的事情。

随着时间的推移，这将带来真正的优势。其人工智能不仅仅依赖历史趋势或第三方基准。它正在学习公司自己的运营实时数据，创造出竞争对手无法购买、无法复制的知识来源。

当传感器部署在车队、设施、设备和供应链中，公司可以捕获到哪些类型的运营智能，否则他们会错过这些信息？

许多组织在没有连续可见性的情况下做出关键决策，无法了解其物理运营的实际情况。他们可能知道库存数量或何时安排了发货，但往往缺乏对资产、设备和工作流程实际表现的洞察。

通过在车队、设施、设备和供应链中部署传感器，组织可以识别瓶颈、跟踪资产利用率、监测库存移动，并了解实际情况如何影响表现。

例如，一家零售商可能知道库存已经到达了配送中心，并最终被送到了商店，但不知道某些托盘在进入下游之前在暂存区停留了几天。没有传感器数据，这种延迟基本上是不可见的。有了物联网，它变得可测量和可行——允许团队识别根本原因、改善库存流动并减少库存可用性问题。

物联网生成的数据与传统企业数据相比，在训练、细化或使人工智能系统更接地气方面有何不同？

传统的企业数据通常是事务性的和历史性的，捕捉已经发生的事件，例如订单、发票、库存记录或完成的业务流程。虽然这些信息很有价值，但它主要反映了过去的情况。而市场变化的速度比以往任何时候都快，过去一季度发生的事情可能无法告诉你很多关于当前的情况。

物联网生成的数据不同，因为它捕捉了正在发生的事情。它提供了对资产位置、移动、利用率、环境条件和其他运营信号的实时洞察，这些信号通常不在传统的企业系统中可用。

对于人工智能应用程序，这个区别很重要。历史数据有助于解释发生了什么，而物联网数据有助于建立正在发生的事情。组织可以将这两者结合起来，使人工智能系统更接地气，创造更准确的洞察力，并实现更快、更明智的决策。

数字物质强调低功耗、耐用的设备，适用于长期资产跟踪和传感器监测。保持物联网设备在复杂环境中可靠地产生数据多年来的最大技术挑战是什么？

物联网设备通常部署在难以预测且难以控制的环境中。单个设备可能会在多年内在多个设施、车辆、客户现场、偏远位置和连接性不一致的区域之间移动。

最大的挑战之一是平衡可见性与功耗。设备收集和传输数据的频率越高，消耗的能量就越多。设计能够智能地捕获有意义的事件、适应不断变化的操作条件并在多年内最大限度地延长电池寿命的设备至关重要，以便在规模上提供可靠的数据。

耐用性同样重要。设备必须能够承受振动、冲击、温度波动、湿度和多年的日常使用，同时保持一致的性能，几乎没有维护。即使是小的故障率也会在设备规模扩大到数千或数万台时成为一个重大的运营挑战。

人工智能如何帮助公司从仅仅跟踪资产位置转变为预测故障、优化路线、减少浪费或改善利用率？

知道资产的位置很重要，但位置本身只讲述了故事的一部分。真正的机会在于了解资产如何被使用以及识别难以手动发现的模式。当组织将物联网数据与人工智能相结合时，他们不再仅仅对事件做出反应，而是开始预测事件。

通过分析运动、利用率、停留时间、环境条件和其他运营数据的趋势，人工智能可以帮助识别低效率、预测潜在问题并提出改进的机会。这可以带来更好的资产利用率、更高效的运营、减少浪费和更快的决策。价值不仅在于知道资产当前的位置，还在于使用它产生的数据来做出关于接下来会发生什么的更明智的决定。

在物流、冷链、医疗保健、建筑或设备管理等行业，您认为将物联网数据与人工智能相结合的近期机遇最强？

最强的机会在于管理大量分布式资产的复杂运营的行业，这就是为什么物流、冷链、医疗保健、建筑和设备管理都符合这一特征。这些行业不仅仅是理论上的。许多大型企业，从主要零售商到汽车OEM和重型设备制造商，已经在执行这一战略，这就是为什么他们正在大量投资物联网的原因。越来越多的董事会不再问他们是否使用人工智能，而是问哪里有可衡量的业务价值。答案在于运营：改善的吞吐量、更少的质量事件、更好的按时交货和更好的客户体验。

在近期内，最大的价值将来自于帮助组织使用他们每天产生的活动来做出更好的运营决策。

随着公司部署更多传感器和连接设备，他们应该如何考虑数据质量、信号可靠性、安全性和治理，以将物联网数据视为战略性人工智能资产？

人工智能模型的好坏取决于其下的数据。组织往往专注于收集更多的数据，但如果这些数据不完整、不一致或不可靠，人工智能的洞察力也会如此。这是一个典型的“垃圾进，垃圾出”的问题，在企业规模上，这将是一个昂贵的错误。

因此，数据质量必须从第一天开始就成为优先事项。组织需要确信数据是以一致的方式收集的、安全地传输的，并且准确地反映了物理世界的真实情况，同时还需要明确的数据来源、管理和解释的治理。

最终，价值不在于生成更多的数据，而在于生成可靠的高质量数据，这些数据可以作为决策的可靠基础。

对于已经部署了物联网的公司，他们应该采取什么步骤来使这些数据更适合人工智能应用？

第一步是从商业问题开始，而不是人工智能。一旦目标明确，无论是减少停留时间、改善利用率还是减少损失，很容易确定支持它所需的数据、工作流程和人工智能能力。许多组织已经收集了大量的运营数据，但这些数据却散布在不同的系统中，永远不会进入决策过程。

第二步是大多数公司低估的变化管理。规模化部署很少是由于技术而失败的，而是因为人们没有采取数据所告诉他们的行动。一个警报表明暂存区缺货，只有在有人实际移动库存时才会产生价值，因此，建立连接洞察和行动的流程和习惯是最困难也是最重要的工作。

最终，看到最多成功的公司是那些将运营数据与可衡量的业务成果联系起来，并确保其人员利用这些数据的公司。

展望未来，您是否相信专有运营智能将成为区分人工智能领导者和仅仅使用与他人相同工具的公司的最大障碍之一？ 

是的。随着人工智能变得更加普遍，技术本身变得不那么重要。

脱颖而出的组织将是那些从自己的环境中生成独特的运营智能，并利用它做出更好的决策的组织。在许多行业中，某些最有价值的信息仍然存在于物理世界中，跨越资产、设备、库存和供应链——这些信息无法被购买、复制或被竞争对手复制。

能够持续捕获、理解和利用这些信息的公司将比仅仅依赖与其他公司相同的工具和数据集的公司处于更强的位置。

感谢您接受这次精彩的采访，希望读者可以通过访问数字物质了解更多信息。