داده‌های اختصاصی IoT؛ خندق دفاعی جدید شرکت‌ها در عصر مدل‌های عمومی

اگر امروز تمام رقبای شما از یک مدل هوش مصنوعی یکسان استفاده کنند، چه چیزی شما را برنده می‌کند؟ پاسخ در داده‌هایی است که هیچ‌کس جز شما به آن‌ها دسترسی ندارد.

به نقل از ایلان گلوک، مدیر بازار آمریکای شمالی در شرکت Digital Matter، دوران کسب برتری از طریق دسترسی به مدل‌های پیشرفته به پایان رسیده است؛ زیرا خودِ مدل‌ها در حال تبدیل شدن به کالاهایی عمومی و در دسترس همگان هستند. به عبارت دیگر، دسترسی به مدل‌های زبانی بزرگ یا ابزارهای AI دیگر یک مزیت رقابتی نیست، زیرا همه شرکت‌ها به همان ابزارهای مشابه دسترسی دارند.

گلوک پیشینه‌ی عمیقی در زمینه‌های اینترنت اشیا (IoT)، هوش مصنوعی، فناوری زنجیره تأمین و تحلیل داده‌ها دارد. مسیر شغلی او از بخش استراتژی و عملیات در شرکت مشاوره Deloitte آغاز شد، جایی که پایه‌ای قوی در تجاری‌سازی و تجربه‌ی استراتژیک در فناوری‌های نوظهور کسب کرد. این دیدگاه او در زمانی مطرح می‌شود که سازمان‌ها از هیجانات اولیه هوش مصنوعی زاینده (Generative AI) — که شبیه به دستیاری است که میلیاردها صفحه متن خوانده و حالا با همان لحن جواب می‌دهد — عبور کرده و حالا به دنبال ارزش‌های تجاری قابل اندازه‌گیری هستند.

در حالی که بسیاری از سازمان‌ها در حال حاضر مدل‌های خود را بر روی مجموعه‌داده‌های عمومی یکسانی آموزش می‌دهند، گلوک معتقد است که تمایز واقعی در کیفیت و منحصر‌به‌فرد بودن داده‌هایی است که به این سیستم‌ها تغذیه می‌شوند. این موضوع بازتاب‌دهنده‌ی یک روند گسترده‌تر در این حوزه است؛ جایی که متصل کردن هوش مصنوعی به زمینه‌های خاص و دنیای واقعی — مشابه روشی که OlmoEarth برای بهینه‌سازی نقشه‌برداری از آتش‌سوزی‌های جنگلی به کار برد — یک مزیت عملیاتی ملموس ایجاد می‌کند. این رویکرد با بحث‌های ما درباره‌ی برتری داده‌های محیط‌های شبیه‌سازی شده در برابر داده‌های وب برای آموزش درک مکانی هوش مصنوعی همسو است، چرا که هر دو بر اهمیت داده‌های ساختاریافته‌ی دنیای فیزیکی تأکید دارند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، تکیه بر ابزارهای عمومی بدون داشتن لایه‌ی داده‌ای اختصاصی، منجر به نتایج مشابه برای همه شرکت‌ها می‌شود. در واقع، وقتی همه از یک منبع داده عمومی استفاده می‌کنند، خروجی‌های هوش مصنوعی آن‌ها نیز یکسان خواهد بود.

زیربنای اینترنت اشیا برای هوش مصنوعی

دیدگاه گلوک حاصل نقش‌های مدیریتی او در شرکت‌هایی چون GearTrack، Wasteless AI و WeissBeerger است. او در WeissBeerger، که یک شرکت اینترنت اشیا و تحلیل داده بود و بعدها توسط AB InBev خریداری شد، مسئولیت‌های ارشد محصول و تجاری بر عهده داشت. در Wasteless AI، او به عنوان مدیر کل فعالیت می‌کرد و بر فناوری قیمت‌گذاری پویا مبتنی بر AI تمرکز داشت که هدف آن کمک به خرده‌فروشان مواد غذایی برای کاهش ضایعات بود. اخیراً نیز بیش از پنج سال را در Cox 2M و GearTrack به عنوان مدیر کل و مدیر ارشد درآمد (CRO) گذرانده است تا راهکارهای ردیابی بلادرنگ دارایی‌ها و دیدبانی زنجیره تأمین را پیش ببرد.

او در این نقش‌ها مشاهده کرد که پیشرفته‌ترین فناوری‌ها تنها به اندازه‌ی داده‌های پشتیبانشان اثرگذارند. طبق گزارش‌های او، حجم عظیمی از اطلاعات عملیاتی در دنیای فیزیکی — در خودروها، تجهیزات و زنجیره‌های تأمین — محبوس شده و هرگز وارد سامانه‌های اداری و تجاری سنتی نمی‌شوند.

در اینجا اینترنت اشیا (IoT) نقش پلی را ایفا می‌کند که فعالیت‌های فیزیکی را به داده‌های قابل استفاده تبدیل می‌کند. برای یک سازمان، این یعنی عبور از نگاه رو به عقب (بر اساس گزارش‌های قدیمی و تاریخی) به درکی بلادرنگ از نحوه عملکرد واقعی کسب‌وکار. با ثبت داده‌های دنیای واقعی، شرکت‌ها می‌توانند الگوها را شناسایی کرده، مشکلات را پیش‌بینی کنند و در لحظه تصمیمات بهتری بگیرند.

داده مرجع در برابر داده‌های تاریخی

گلوک تفاوت میان داده‌های سنتی سازمانی و داده‌های حاصل از IoT را بر اساس ماهیت زمانی آن‌ها تعریف می‌کند:

• داده‌های سنتی: تراکنشی و تاریخی هستند (مانند فاکتورها، سفارشات، سوابق موجودی یا فرآیندهای تجاری تکمیل شده). این داده‌ها تصویری از گذشته را ارائه می‌دهند. از آنجایی که بازارها سریع‌تر از هر زمان دیگری حرکت می‌کنند، اتفاقاتی که در فصل گذشته رخ داده است، ممکن است برای فصل جاری هیچ ارتباطی نداشته باشد.
• داده‌های IoT: مستمر و بلادرنگ هستند (مانند مکان دقیق دارایی‌ها، میزان جابه‌جایی، نرخ بهره‌برداری و شرایط محیطی). این داده‌ها تعیین می‌کنند که همین حالا چه اتفاقی در حال رخ دادن است.

وقتی هوش مصنوعی بر اساس داده مرجع (Ground Truth) — یعنی حقیقتی که مستقیماً از دنیای فیزیکی ثبت شده و قابل تایید است — عمل می‌کند، از تله‌ی «داده یکسان، بینش یکسان» رها می‌شود. برای مثال، دو خرده‌فروشان رقیب که از یک پلتفرم AI، پیش‌بینی‌های بازار و داده‌های تاریخی تقاضای مشابه استفاده کنند، تقریباً به نتایج یکسانی می‌رسند.

اما شرکتی که حسگرهای IoT را در انبارها، تریلرها، پالت‌ها و تجهیزات خود مستقر کرده است، می‌تواند اطلاعات بلادرنگی از حرکت موجودی، زمان توقف (Dwell Time)، بهره‌وری دارایی‌ها، گلوگاه‌ها و اختلالات عملیاتی را به هوش مصنوعی خود بدهد. این هوش مصنوعی نه از روی گزارشات سه ماه پیش، بلکه از روی اتفاقات همین لحظه در سراسر کسب‌وکار یاد می‌گیرد. با گذشت زمان، این امر به یک مزیت مرکب تبدیل می‌شود و منبعی از هوشمندی ایجاد می‌کند که رقیبان نمی‌توانند آن را بخرند، استخراج کنند یا بازسازی کنند.

حل گلوگاه‌های نامرئی

بسیاری از سازمان‌ها تصمیمات حیاتی را بدون دید کامل و مستمر به عملیات فیزیکی می‌گیرند. آن‌ها شاید بدانند چه مقدار موجودی دارند یا محموله‌ای چه زمانی قرار است برسد، اما اغلب بینشی ندارند که دارایی‌ها، تجهیزات و جریان‌های کاری در عمل و به صورت روزمره چگونه عمل می‌کنند.

گلوک اشاره می‌کند که یک خرده‌فروش ممکن است بداند محموله به مرکز توزیع رسیده و در نهایت به فروشگاه تحویل داده شده است، اما اغلب این حقیقت را نادیده می‌گیرد که برخی پالت‌ها به طور مداوم چندین روز اضافی در یک منطقه انتظار (Staging Area) می‌مانند پیش از آنکه به مراحل بعدی منتقل شوند.

بدون حسگر، این تأخیر نامرئی است. اما با IoT، این موضوع به یک معیار قابل اندازه‌گیری تبدیل می‌شود که هوش مصنوعی می‌تواند برای شناسایی علت‌های ریشه‌ای و بهبود جریان موجودی آن را تحلیل کند. این تغییر، شرکت‌ها را از «ردیابی ساده دارایی‌ها» به «پیش‌بینی خرابی‌ها» و «بهینه‌سازی مسیرها» می‌برد. با تحلیل روندهای جابه‌جایی، زمان توقف و شرایط محیطی، AI به سازمان‌ها کمک می‌کند تا از واکنش به اتفاقات، به پیش‌بینی آن‌ها حرکت کنند.

چالش‌های فنی در میدان عمل

استقرار این سامانه‌ها در مقیاس بزرگ، دشواری‌های فنی قابل توجهی را به همراه دارد. Digital Matter بر روی دستگاه‌های کم‌مصرف و بادوام تمرکز می‌کند، زیرا سخت‌افزار IoT اغلب در محیط‌های پیش‌بینی‌ناپذیر با اتصال شبکه نامنظم کار می‌کند. یک دستگاه ممکن است سال‌ها بین تأسیسات، خودروها، سایت‌های مشتریان، مکان‌های دورافتاده و مناطقی با سیگنال ضعیف در حرکت باشد.

گلوک دو موازنه مهندسی کلیدی را برجسته می‌کند:

• دیدبانی در برابر مصرف انرژی: افزایش دفعات جمع‌آوری و ارسال داده‌ها، عمر باتری را کاهش می‌دهد. دستگاه‌ها باید به گونه‌ای طراحی شوند که رویدادهای معنادار را هوشمندانه ثبت کنند و با شرایط عملیاتی متغیر سازگار شوند تا طول عمر آن‌ها برای چندین سال به حداکثر برسد.
• دوام سخت‌افزاری: تجهیزات باید در برابر لرزش، ضربه، رطوبت و نوسانات دما مقاوم باشند. حتی یک نرخ خطای کوچک، زمانی که با مدیریت هزاران یا ده‌ها هزار دستگاه سروکار داریم، به یک بار عملیاتی سنگین و هزینه‌بر تبدیل می‌شود.

از جمع‌آوری داده تا اقدام تجاری

گلوک نسبت به مشکل «ورودی زباله، خروجی زباله» (Garbage In, Garbage Out) هشدار می‌دهد. او استدلال می‌کند که سازمان‌ها اغلب به جای تمرکز بر داده‌های معتبر، بر جمع‌آوری داده‌های بیشتر تمرکز می‌کنند. اگر داده‌های پایه ناقص، متناقض یا غیرقابل اعتماد باشند، بینش‌های هوش مصنوعی نیز به همان اندازه معیوب خواهند بود. در مقیاس سازمانی، این یک اشتباه گران‌قیمت است.

برای جلوگیری از این اتفاق، کیفیت داده باید از روز اول اولویت باشد. سازمان‌ها باید اطمینان یابند که داده‌ها به طور سازگار جمع‌آوری شده، به صورت امن منتقل می‌شوند و بازتاب دقیقی از دنیای فیزیکی هستند؛ این امر باید توسط حاکمیت داده‌ای (Data Governance) شفاف در مورد نحوه مدیریت و تفسیر داده‌ها پشتیبانی شود.

برای شرکت‌هایی که در حال حاضر زیرساخت IoT دارند، او یک رویکرد دو مرحله‌ای برای ادغام AI پیشنهاد می‌کند:

• شروع با مسئله: ابتدا هدف تجاری (مثلاً کاهش زمان توقف، بهبود بهره‌وری یا کاهش ضررها) را تعریف کنید و سپس قابلیت AI را انتخاب کنید. بسیاری از شرکت‌ها مقادیر عظیمی از داده‌ها را جمع‌آوری می‌کنند که در سیستم‌های جداگانه می‌مانند و هرگز به دست تصمیم‌گیرنده نمی‌رسند.
• اولویت دادن به مدیریت تغییر: فناوری به‌تنهایی باعث شکست استقرارها در مقیاس بزرگ نمی‌شود؛ بلکه زمانی شکست می‌آیند که انسان‌ها بر اساس داده‌ها عمل نکنند. یک هشدار AI درباره کمبود موجودی تنها زمانی ارزش ایجاد می‌کند که انسانی واقعاً موجودی را جابه‌جا کند. ساختن فرآیندها و عادت‌هایی که بینش‌ها را به اقدام متصل می‌کند، سخت‌ترین و مهم‌ترین بخش این مسیر است.

آینده هوش عملیاتی

در کوتاه‌مدت، بیشترین فرصت‌ها برای این ترکیب از IoT و AI در صنایعی است که حجم زیادی از دارایی‌های پراکنده را در عملیات‌های پیچیده مدیریت می‌کنند. این صنایع عبارتند از:

• لجستیک و زنجیره سرد: نظارت بر جابه‌جایی و شرایط محیطی حساس.
• بهداشت و ساخت‌وساز: ردیابی تجهیزات و مواد گران‌قیمت.
• مدیریت ماشین‌آلات: بهینه‌سازی بهره‌وری برای ماشین‌آلات سنگین.

این استراتژی در حال حاضر توسط سازمان‌های بزرگ، از جمله خرده‌فروشان برتر، تولیدکنندگان خودرو (OEMs) و سازندگان تجهیزات سنگین اجرا می‌شود. هیئت‌مدیره شرکت‌ها اکنون پرسش‌های خود را از «آیا ما از AI استفاده می‌کنیم؟» به «ارزش تجاری ملموس از کجا می‌آید؟» تغییر داده‌اند.

گلوک تأکید می‌کند که پاسخ‌ها در بهبودهای عملیاتی یافت خواهند شد: توان عملیاتی بیشتر، حوادث کیفی کمتر، تحویل به‌موقع بهتر و تجربه مشتری ارتقایافته. شرکت‌هایی که بتوانند به طور مستمر داده‌های دنیای فیزیکی را ثبت، درک و بر اساس آن‌ها عمل کنند، دارای مزیت استراتژیکی خواهند بود که تنها با نرم‌افزار قابل بازسازی نیست.

گام بعدی شما

• شناسایی یک «گلوگاه نامرئی» در عملیات فیزیکی خود که با گزارش‌های اداری قابل شناسایی نیست.
• ارزیابی زیرساخت‌های فعلی برای تبدیل داده‌های تاریخی به داده‌های بلادرنگ (Real-time).
• طراحی یک فرآیند پاسخ سریع (Action Loop) برای تبدیل هشدارهای AI به اقدامات انسانی.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و بهینه‌سازی استنتاج در لبه مراجعه کنید.