فريدريك نيلسون، نائب الرئيس، الأمريكتين، Axis Communications – سلسلة المقابلات

Fredrik Nilsson، نائب الرئيس للأمريكتين في Axis Communications، يشرف على عمليات الشركة في شمال وجنوب أمريكا، ويقود فرقًا تركز على تطوير وتقديم حلول الأمن القائمة على الشبكة للشركاء والمستخدمين النهائيين. كمسؤول تنفيذي طويل الأمد في Axis، لعب Nilsson دورًا مهمًا في انتقال صناعة الأمن من التلفزيون المغلق التناظري إلى الفيديو الشبكي القائم على بروتوكول IP. منذ توليه مسؤولية الأمريكتين في عام 2003، ساهم في زيادة إيرادات المنطقة من حوالي 20 مليون دولار إلى أكثر من مليار دولار، ودعم توسيع أكثر من 20 مركز تجربة Axis عبر الأمريكتين. انضم إلى Axis في عام 1996، بعد أن شغل منصب مدير منتج ومدير قسم في السويد ولاحقًا مدير تطوير الأعمال، حيث ساعد في إقامة شراكات خلال التطوير المبكر للفيديو القائم على IP. في مرحلة سابقة من مسيرته، كان مدير منتج في ABB، وهو الآن عضو في مجالس إدارة MSAB وغرفة التجارة السويدية-الأمريكية في واشنطن، دي. سي.

Axis Communications هي شركة تكنولوجيا مقرها السويد متخصصة في الأمن المادي الذكي وحلول الشبكات، بما في ذلك الكاميرات الشبكية، وأنظمة المراقبة بالفيديو، والتحكم في الوصول، وأنظمة الاتصال الداخلي، والصوت الشبكي، والرادار، والتحليلات. تأسست في عام 1984 ومقرها الرئيسي في لوند، السويد، وتوظف Axis نحو 5,000 شخص في أكثر من 50 دولة، وكانت جزءًا من مجموعة كانون منذ عام 2015. قدمت الشركة ما تصفه بأنها أول كاميرا شبكة في العالم في عام 1996، ومنذ ذلك الحين وسعت نشاطها من الفيديو الشبكي إلى مجموعة أوسع من تقنيات الأمن المتصلة. منتجاتها الحالية تدمج بشكل متزايد تحليلات الحافة والذكاء الاصطناعي لتحويل الفيديو والصوت وبيانات المستشعرات إلى رؤى قابلة للتنفيذ في مجالات الأمن والسلامة وكفاءة العمليات واستخبارات الأعمال.

امتدت مسيرتك عبر مراقبة عن بُعد في ABB، والتطوير المبكر لتقنيات التخزين المتصل بالشبكة وإنترنت الأشياء، والانتقال من المراقبة التناظرية إلى الفيديو الشبكي في Axis Communications. كيف شكلت هذه الخلفية طريقتك في التفكير حول التحول الحالي نحو الكاميرات المدعومة بالذكاء الاصطناعي والبنية التحتية المادية الذكية؟

أرى التحول نحو الكاميرات المدعومة بالذكاء الاصطناعي كخطوة التالية في تطور كنت جزءًا منه طوال مسيرتي – من التكنولوجيا المتصلة وتقارب بروتوكول IP إلى الحافة الذكية اليوم. هناك خيط مشترك يربط مسيرتي بأكملها، وهو مساعدة العملاء على فهم ما يمكن للتكنولوجيا المتصلة أن تقدمه لهم. كانت ABB مدرسة رائعة بالنسبة لي. كانت شركة عالمية ضخمة، مما أتاح لي فرصة السفر حول العالم، بما في ذلك قضاء عام في كندا، والعمل مع عملاء مؤسسات كبار، خصوصًا شركات المرافق الكهربائية، على مشاريع معقدة. كان دوري مدير منتج لنظام مراقبة وتحكم عن بُعد متصل بـ IP جديد. في Axis، عملت لاحقًا على فئة جديدة من أجهزة التخزين المتصلة بـ IP وساعدت في نشر الرسالة عالميًا حول فوائد التكنولوجيا المتصلة. ثم، في الأيام الأولى لتقارب IP، بنيت على تلك المبادئ نفسها، مساعدًا العملاء المؤسسيين على فهم قيمة الفيديو المتصل بالشبكة والفرص التي تخلقها تقنية IP. لذا، عندما أنظر إلى الكاميرات المدعومة بالذكاء الاصطناعي اليوم، أرى خطوة أخرى في نفس التطور. التكنولوجيا تزداد قدرة، لكن الفرصة الحقيقية لا تزال تتعلق بربط الأجهزة، وتوليد بيانات مفيدة ومساعدة العملاء على الاستفادة القصوى منها.

ما هي أنواع عبء العمل في رؤية الحاسوب التي تكون الأنسب للتنفيذ مباشرة على الكاميرا، وأي التطبيقات لا تزال تستفيد من المعالجة في مركز بيانات محلي أو السحابة؟

عبء العمل الأنسب للتنفيذ مباشرة على الكاميرا هو ذلك الذي يتطلب قرارات فورية، زمن استجابة منخفض، واستخدام فعال للنطاق الترددي. على سبيل المثال، اكتشاف وتصنيف الأشخاص أو الأجسام، العد، تتبع الحركة، أو تحديد أحداث محددة. باستخدام تقنيات مثل Axis Object Analytics، يمكن للكاميرات اكتشاف الأشخاص والمركبات والألوان واتجاه الحركة وغيرها من الخصائص بدقة. يمكننا أيضًا تدريب كاميرا على أشياء أو سيناريوهات محددة جدًا من خلال Axis Custom Analytics. مع استمرار تحسين التحليلات، يمكن أن يحدث المزيد من هذه الذكاء على الحافة. للعديد من حالات الاستخدام، تشغيل التحليلات على الكاميرا وإرسال البيانات أو البيانات الوصفية الناتجة فقط إلى خادم أو السحابة مهم للتوسع وتقليل التكلفة. لا تزال السحابة والخوادم تلعبان دورًا مهمًا، خاصةً في إدارة مركزية، تخزين طويل الأمد، وتحليل البيانات الوصفية عبر عدد كبير من الأجهزة. لا أرى ذلك كقرار إما هذا أو ذاك. يمكن للحافة والسحابة أن تكمل كل منهما الأخرى، حيث يقوم كل منهما بما هو الأنسب له.

يتطلب نشر الذكاء الاصطناعي على الحافة موازنة دقة النموذج مع القيود في قدرة المعالجة، الذاكرة، استهلاك الطاقة، والحرارة. كيف تغير التطورات في الرقائق المتخصصة ما يمكن تحقيقه بشكل واقعي داخل الكاميرا؟

هناك في الواقع اتجاهان يدفعان هذا. أولاً، قدرة الذكاء الاصطناعي للمعالج على الحافة تتحسن بسرعة كبيرة. ARTPEC-9، نظام على رقاقة طورناه داخليًا، يمتلك ثلاثة أضعاف قدرة معالجة الذكاء الاصطناعي مقارنةً بـ ARTPEC-8، مما يمنحنا مساحة أكبر بكثير لتشغيل نماذج متقدمة مباشرةً على الكاميرا. الأجيال المستقبلية ستستمر في زيادة تلك القدرة. ثانياً، حجم النماذج وفعاليتها يتحسنان. هذا هو المكان الذي شهدنا فيه تقدماً كبيراً خلال العام الماضي. قامت فرقنا للبحث والتطوير (R&D) بعمل مذهل لجعل المزيد من النموذج يعمل مباشرةً على الحافة، لذا في العديد من السيناريوهات لا تحتاج إلا إلى استخدام بيانات الكاميرا بدلاً من إرسال الفيديو إلى مكان آخر للمعالجة. قبل عام، كنا نتحدث عن أن حوالي 50٪ من الاحتياجات تُعالج داخل الكاميرا. اليوم، يقترب الرقم من 90٪، ونتوقع أن يصل إلى 95٪ أو أكثر. الاختراق الحقيقي ليس فقط أن لدينا شرائح أقوى. بل أننا نجمع بين عتاد أكثر قدرة ونماذج ذكاء اصطناعي أكثر كفاءة، مما يسمح بزيادة الذكاء مباشرةً حيث يتم توليد البيانات. هذا يجعل أنظمة المراقبة أقل اعتمادًا على الخوادم والسحابة للذكاء الاصطناعي.

الكاميرات تُصبح بشكل متزايد حساسات تشغيلية بدلاً من أن تكون مجرد أجهزة أمان. ما هي التطبيقات في مجال التجزئة أو النقل أو الرعاية الصحية أو التصنيع أو اللوجستيات التي تقدم حاليًا أقوى قيمة تجارية؟

التصنيع مثال جيد جدًا لأن القيمة يمكن ربطها مباشرةً بالعملية. على سبيل المثال، تستخدم مجموعة BMW الكاميرات الشبكية كجزء من نظام الفحص النوعي المدفوع بالذكاء الاصطناعي لالتقاط صور مفصلة للمركبات في الوقت الفعلي وتحديد العيوب. هذا دور مختلف جدًا للكاميرا مقارنةً بتسجيل الحادث فقط. كما نشهد زيادة في استخدام الفيديو لتحسين الكفاءة التشغيلية واستخبارات الأعمال بشكل أوسع. في مجال النقل واللوجستيات، يمكن للكاميرات مساعدة المؤسسات على فهم كيفية تحرك الأشخاص والمركبات والبضائع داخل المنشأة. في قطاع التجزئة، يمكن للفيديو توفير رؤى حول سلوك العملاء، واستخدام المساحات، وتوزيع الموظفين. الفكرة المشتركة هي أن الكاميرا تولد معلومات يمكن استخدامها لتحسين العملية، وليس مجرد تسجيل ما حدث.

كيف يؤدي دمج الفيديو مع تحليلات الصوت، والرادار، وأنظمة التحكم في الوصول، وأجهزة الاستشعار البيئية إلى إنشاء رؤى لا يمكن تحقيقها من البيانات البصرية وحدها؟

كلما جمعت المزيد من السياق، كلما أصبح النظام قادرًا على فهم ما يحدث بشكل أفضل. عندما تجمع مدخلات مختلفة، يمكنك الحصول على رؤى قد تكون صعبة، وأحيانًا مستحيلة، لاشتقاقها من الفيديو وحده. على سبيل المثال، يمكنك دمج ما يبدو عليه كائن مع طريقة تحركه، أو استخدام المعلومات الحرارية والبصرية معًا عندما يكون الإضاءة أو الرؤية صعبة. يمكن للرادار إضافة معلومات حول حركة الكائن وسرعته، ويمكن للصوت تحديد الأصوات أو توفير اتصال ثنائي الاتجاه، وتستطيع أجهزة الاستشعار البيئية توفير سياق إضافي حول ما يحدث في البيئة المحيطة. يمكن للعديد من المستشعرات أيضًا زيادة الثقة فيما يكتشفه النظام أو المستخدم. إن دمج التكنولوجيا أمر مهم للغاية لحماية المجالات الحيوية مثل البنية التحتية الحرجة.

نحن بالفعل نتجه في هذا الاتجاه. في GSX، على سبيل المثال، قدمنا حلولًا تجمع بين الرؤية، والحرارة، والرادار، والصوت، والاستشعار البيئي. الهدف هو جمع البيانات المناسبة بحيث تستطيع المؤسسات اتخاذ قرارات أسرع وأكثر استنارة. هذا مهم بشكل خاص للتطبيقات مثل حماية البنية التحتية الحرجة، حيث يمكن لتعدد مصادر المعلومات أن يوفر صورة أكثر اكتمالًا عما يحدث.

يمكن للمعالجة على الحافة تقليل كمية الفيديو الخام التي تحتاج إلى نقلها أو تخزينها، لكن الكاميرات المدعومة بالذكاء الاصطناعي لا تزال تثير أسئلة هامة حول الخصوصية والحكم. ما المبادئ التي يجب على المؤسسات اتباعها عند تصميم أنظمة مفيدة دون جمع بيانات شخصية أكثر مما هو ضروري؟

يجب أن تكون النقطة الانطلاق هي السؤال عما يحتاج النظام إلى تحقيقه فعليًا وجمع المعلومات الضرورية فقط لهذا الغرض. الخصوصية والشفافية أيضًا مهمتان. يرغب الناس في فهم سبب استخدام الفيديو وكيفية معالجة معلوماتهم. تُظهر أبحاثنا الأخيرة أن الناس أصبحوا أكثر ارتياحًا للمراقبة بالفيديو، لكن لا يمكن أخذ هذا القبول كأمر مسلم به. أكبر المخاوف المتعلقة بالمراقبة المدعومة بالذكاء الاصطناعي هي الإيجابيات الكاذبة أو المعلومات غير الدقيقة وإمكانية سوء استخدام أو معالجة البيانات. هذا يضع مسؤولية حقيقية على المؤسسات ومزودي التكنولوجيا لبناء الخصوصية والأمان في الأنظمة منذ البداية. يمكن للمعالجة على الحافة المساعدة هنا لأنك تستطيع تحليل المعلومات محليًا وإرسال البيانات الضرورية فقط، بدلاً من نقل الفيديو الخام المستمر عبر الشبكة.

قد يبقى البنية التحتية المادية مُثبتة لسنوات عديدة، بينما تتطور نماذج الذكاء الاصطناعي والتهديدات السيبرانية بسرعة. كيف يجب تصميم الكاميرات وغيرها من الأجهزة على الحافة بحيث تظل تحليلاتها آمنة، قابلة للصيانة، وقابلة للتكيف طوال عمرها التشغيلي؟

هذا أحد الأسباب التي تجعلني أعتبر الكاميرا جزءًا من البنية التحتية الأوسع لتقنية المعلومات والعمليات، وليس مجرد جهاز أمان مستقل. يجب أن تُدمج الأمن السيبراني في الجهاز منذ البداية، من خلال برنامج آمن، وتحديثات منتظمة، وحمايات قوية للأمن السيبراني طوال دورة حياته. في Axis، على سبيل المثال، يوفر Edge Vault أساسًا ماديًا لحماية سلامة الجهاز، وتأمين المفاتيح التشفيرية، وإرساء سلسلة ثقة. كما يدعم قدرات مثل الإقلاع الآمن والبرمجيات الموقعة، مما يساعد على ضمان تشغيل برامج موثوقة فقط على الجهاز.

يحتاج الجهاز أيضًا إلى بنية معمارية يمكنها التكيف مع تغير التحليلات ومتطلبات العملاء. المنصات المفتوحة مهمة هنا لأنها تسمح للمنظمات بدمج تطبيقات وتقنيات جديدة بدلاً من الاضطرار إلى استبدال نظام كامل في كل مرة يتطور فيها شيء ما. في الوقت نفسه، تحتاج المنظمات إلى حوكمة جيدة حول أجهزتها المتصلة. مع تزايد تكامل الفيديو وأجهزة الاستشعار وأنظمة المؤسسات، يجب أن يُعامل الأمن السيبراني وحماية البيانات كجزء من تصميم النظام ككل، وليس كإضافة لاحقة.

تدعم Axis نظامًا بيئيًا للتطبيقات المفتوحة يتيح للمطورين من الطرف الثالث بناء ونشر تحليلات متخصصة على أجهزتها. ما مدى أهمية المنصات المفتوحة وقابلية التشغيل البيني عندما تسعى المنظمات لتشغيل نماذجها الخاصة عبر أساطيل كبيرة من الكاميرات؟

أعتقد أن ذلك سيكون مهمًا للغاية. لا يرغب العملاء في أن يُقيدوا بتقنية واحدة أو طريقة واحدة للقيام بالأشياء، خاصةً مع تطور الذكاء الاصطناعي والتحليلات بسرعة هائلة. تجعل المنصة المفتوحة من السهل دمج الكاميرات مع الأنظمة الأخرى، وإدخال تطبيقات متخصصة، وتوسيع النشر على نطاق واسع. كما تمنح العملاء مرونة أكبر مع تغير احتياجاتهم. من خلال القضاء على احتكار البائع وتبسيط التكامل، تجعل الأنظمة المفتوحة والقابلة للتشغيل البيني من السهل توسيع حلول الحافة الذكية مع التكيف مع متطلبات الأعمال المتغيرة. في النهاية، القيمة لا تكمن فقط في الكاميرا نفسها، بل في كيفية تفاعل الكاميرا وأجهزة الاستشعار والتحليلات وتطبيقات المؤسسة معًا.

كيف ينبغي للمنظمات تقييم أداء أنظمة الرؤية الحاسوبية بعد النشر، خاصةً عندما يمكن أن تتغير الإضاءة أو وضعية الكاميرا أو سلوك البشر أو ظروف التشغيل وتؤثر بذلك على الدقة؟

كل ذلك يعتمد على حالة الاستخدام، لكن الأهم هو اختبار الكاميرات ونماذج الذكاء الاصطناعي في البيئة الفعلية التي ستُستخدم فيها. قد يكون لديك نموذج يعمل بشكل ممتاز في بيئة مضبوطة، لكن الاختبار الحقيقي هو ما يحدث مع الإضاءة الفعلية، وموقع الكاميرا، والطقس، والخلفية، والسلوك الذي تلاحظه في الموقع. لهذا السبب نشجع العملاء على تقييم تحليلات مثل Axis Object Analytics أو Axis Custom Analytics في البيئة الفعلية والتأكد من أن الدقة كافية للتطبيق. مصنع BMW مثال جيد على هذا النهج. تُستخدم الكاميرات في بيئة إنتاج حقيقية، حيث يجب أن تدعم جودة الصور والتحليلات الناتجة عملية تصنيع فعلية.

مع تزايد قدرة الذكاء الاصطناعي على الحافة، كيف تتوقع أن يتطور دور كاميرا الشبكة خلال العقد القادم، وما هي القدرات الجديدة التي قد تظهر عندما تصبح الكاميرات مكونات نشطة في بيئات ذكية ومتجاوبة؟

تصبح كاميرا الشبكة أكثر مركزية في النظام. لم تعد مجرد كاميرا تُنتج فيديو، بل أصبحت مستشعرًا يولد بيانات يمكن تحليلها ومشاركتها عبر أنظمة مختلفة. مع استمرار زيادة قوة المعالجة، أتوقع أن تصبح الكاميرات أكثر قدرة على فهم ما يحدث في بيئتها وتقديم معلومات مفيدة في الوقت الفعلي. هذه هي الفكرة وراء الذكاء المشهدي، حيث يمكن للكاميرا استخدام فهم أعمق للمشهد لتوفير معلومات أكثر معنى حول الكائنات، وخصائصها، وما يحدث حولها.

قد يعني ذلك اكتشافًا أكثر تقدمًا للكائنات والسلوكيات، وتكاملًا أكبر مع مستشعرات وأنظمة مؤسسية أخرى، ومزيدًا من الأتمتة حول كيفية استجابة المنظمات للأحداث. التحول الأكبر هو أن الفيديو يصبح جزءًا من طبقة أوسع للبيانات والذكاء. لا تزال الكاميرا تلتقط ما يحدث، لكنها بشكل متزايد يمكنها أيضًا المساعدة في شرح ما يحدث وما قد ترغب المنظمة في القيام به لاحقًا.

شكرًا لكم على هذه المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Axis Communications.