Motorola SolutionsMSI
Grabada

5.ª Conferencia Anual de Piper Sandler sobre Fronteras del Crecimiento de Motorola Solutions

Revisa los puntos clave y la transcripción de esta llamada de resultados.

PeriodoAF 0Duración28 minParticipantes2

Transcripción

Mira una vista previa de los primeros quince párrafos, organizados por participante.

Operator

Excelente. Bueno, buenos días a todos. Jim Fish, de Piper Sandler. Espero que hayan tenido un buen comienzo del día. Tenemos aquí a Mahesh, de Motorola. Mahesh, gracias por acompañarnos y bienvenido a Nashville.

Mahesh SaptharishiEVP and CTO

Gracias por invitarme.

Operator

Algo que les hemos estado preguntando a todas las empresas, como para empezar, es que nos den una idea general de cómo ven el gasto y los presupuestos en este momento. Obviamente, ustedes están un poco más expuestos a los presupuestos de seguridad pública, estatales y locales, así como a los del gobierno. En especial en Estados Unidos. ¿Y la Fed? ¿Cómo se ven las cosas?

Mahesh SaptharishiEVP and CTO

Diría que las cosas se ven razonablemente bien a nivel estatal y local. Creo que Jack Molloy lo expresa mejor al decir que los presupuestos estatales y locales siguen siendo sólidos. Todo lo que ofrecemos es más una necesidad que algo deseable, así que también recibimos prioridad dentro de ese marco presupuestario. En el ámbito federal, estamos viendo buena tracción. Creo que no estamos viendo ningún problema allí.

Operator

Entonces, como comentamos en abril, ustedes delinearon una especie de estrategia de IA renovada o un giro, en vez de empezar con una hoja en blanco. ¿Qué está haciendo ahora Motorola para ayudar a los equipos de respuesta mediante IA y qué hace que el enfoque de Motorola sea el adecuado?

Mahesh SaptharishiEVP and CTO

Sí. Y quizá, Jim, si me permites.

Operator

Por supuesto. Puedes hacerlo, no te preocupes.

Mahesh SaptharishiEVP and CTO

Motorola no entró al espacio de la IA este año, ni el año pasado, ni siquiera el año anterior. Llevamos mucho tiempo en este espacio. Por ejemplo, toda mi carrera se ha enfocado realmente en el aprendizaje automático y las aplicaciones de IA en seguridad y seguridad pública. Llegué a Motorola mediante la adquisición de Avigilon. Y la forma en que Avigilon realmente ganó participación de mercado frente a sus competidores y creció de manera activa fue aplicando técnicas de visión artificial y aprendizaje automático directamente en nuestros sistemas de gestión de video, nuestras cámaras, etcétera. Una de las lecciones que aprendimos en ese proceso fue que contar con capacidades de IA como complemento o como aplicación superpuesta que ayuda a los usuarios fuera de sus flujos de trabajo habituales inicialmente puede dar lugar a una buena prueba de concepto, pero no tiene la sostenibilidad necesaria para convertirse en algo que se adopte activamente.

Mahesh SaptharishiEVP and CTO

El enfoque que adoptamos en Avigilon y que realmente nos llevó al éxito desde el principio fue integrar muchas de estas capacidades en nuestras aplicaciones principales. Es esa misma estrategia y táctica la que también hemos aplicado al espacio de la seguridad pública. Al pensar en nuestras aplicaciones de centros de comando, ya sea 911, VESTA, despacho asistido por computadora, CAD, o incluso las aplicaciones de consola en general, ese es el conjunto de herramientas para despachadores al que te referías. Cuanto más lo pensamos, más claro nos quedó que ofrecer funciones como transcripción o traducción como un complemento de los flujos de trabajo principales realmente no servía bien a nuestros usuarios. Rediseñamos nuestras aplicaciones principales. VESTA NXT, que lanzamos el año pasado, tiene capacidades de IA integradas de forma nativa, funciones nativas que permiten transcribir en tiempo real mientras el usuario, es decir, la persona que atiende la llamada, conversa con quien llama.

Mahesh SaptharishiEVP and CTO

Reconocer automáticamente que quizá la persona que atiende la llamada no entiende el idioma de quien llama y poder cambiar de inmediato a una versión traducida, sin tener que esperar a que un intérprete se incorpore a la línea del 911. Poder completar formularios, resumir y enviar ese resumen a un dispositivo APX NEXT que lleva un respondedor en el terreno. Poder comunicar todas esas capacidades sin interrupciones y en segundo plano; creo que ahí es donde vemos realmente la capacidad de la IA integrada. El 100% de los pedidos de 911 que recibimos en los últimos trimestres incluyó nuestras capacidades de IA. Y, literalmente, como está integrada, los clientes eligen un nivel, el nivel de IA de nuestra solución. Ese es el nivel Assist. Es el nivel más alto de nuestra solución.

Mahesh SaptharishiEVP and CTO

Como consecuencia, hemos visto un aumento del ASP en cada una de nuestras aplicaciones de flujo de trabajo porque todas están eligiendo el nivel Assist. Lo que los conjuntos de herramientas para despachadores y respondedores nos permiten hacer, además de la adopción de esas aplicaciones individuales, es facilitar la decisión de compra cuando alguien ya adoptó VESTA, agrega CAD a su cartera y quiere incorporar capacidades Assist a su solución CAD, porque están disponibles como conjunto.

Operator

Entiendo. Y, miren, ustedes ocupan una posición un tanto singular entre LMR, el control de acceso y el software para centros de comando. ¿Cuál es el desafío de ingeniería más difícil al combinar la comunicación por voz con las transmisiones de video en tiempo real y de gran ancho de banda?

Mahesh SaptharishiEVP and CTO

Sí. Diría que es menos un desafío de redes. Es un desafío de experiencia del usuario. Es una oportunidad para ver cómo podemos aprovechar los datos de manera más eficaz. Permíteme hablar brevemente de la parte de los datos. Lanzamos SVX el año pasado. Una de las cosas clave que SVX permite, junto con la plataforma CommandCentral DEMS, la plataforma de gestión de evidencia digital que funciona en segundo plano, y también nuestra plataforma de registros, es que los agentes redacten narrativas con ayuda de IA.

Mahesh SaptharishiEVP and CTO

Uno de los problemas que detectamos muy pronto como desafío para los agentes es que, cuando usan su cámara corporal para capturar lo que ven y oyen, se pierde una buena parte de la información porque usan un auricular conectado a su radio, conversan y escuchan conversaciones a través del auricular, algo que la cámara corporal nunca captura. Así que, en realidad, el agente no captura en el audio grabado por la cámara corporal todo lo que oye o ve. Al integrar todas esas piezas de información —el audio grabado por la cámara corporal, las transmisiones de audio LMR capturadas en segundo plano y, además, el audio del 911, que también resulta pertinente—.

Mahesh SaptharishiEVP and CTO

Ahora toda esa información se combina para redactar después una narrativa más precisa y completa, y esa narrativa precisa es lo que termina ahorrándole tiempo al agente. Así que no se trata solo del primer borrador; es realmente mediante una iteración continua que se verifica la precisión y que estén incluidos todos los detalles. La capacidad de asegurarnos de que no haya vacíos en la cronología del incidente mediante todos los puntos de datos que podemos recopilar y combinar. Esa es la oportunidad: datos de video, datos de audio y otras transmisiones de datos que se combinan en una aplicación específica y les facilitan mucho ese flujo de trabajo.

TRANSCRIPCIÓN COMPLETA

Lee la transcripción traducida completa en StockNow.

Accede a todas las intervenciones, el original en inglés y el historial de cada participante con StockNow Pro.

Ver la transcripción completa con Pro

La traducción con IA puede contener algunas imprecisiones.

Otras llamadas de resultados del mismo día

Ver las llamadas de este día