مقابلات
عفير ملا، المؤسس المشارك والمدير التقني في لومانا – سلسلة المقابلات
أضف Unite.AI إلى مصادرك المفضلة على Google
عفير ملا، المؤسس المشارك والمدير التقني في لومانا، يمتلك أكثر من عقد من الخبرة العميقة في تقنيات 3D والرؤية الحاسوبية، حيث رائد وحول حلول عبر تقنيات الضوء المشفر والستيريو والليدار أثناء قيادة التطوير المتعددة التخصصات في البرمجيات والنظم الكهربائية والروبوتات والتعلم الآلي والأجهزة الطبية. قبل توليه منصبه الحالي في لومانا، قضى ما يقرب من 15 عامًا في شركة إنتل حيث صمم منصة ريل سنس 3D وقاد فرقًا تشمل الأجهزة والبرمجيات الثابتة وهندسة النظام.
(INTC )لومانا هي شركة متقدمة لتحليل الفيديو والأمان البصري، وتحول منصة الشركة الكاميرات الحالية إلى وكلاء ذكاء متقدمين من خلال استخدام الذكاء الاصطناعي للكشف عن الاستجابة للأحداث في الوقت الفعلي – من الوصول غير المصرح به وانتهاكات السلامة إلى رؤى تشغيلية – مما يتيح للمؤسسات عبر التعليم والحكومة والتجزئة والتصنيع والفنادق توحيد ذكاء الكاميرا وتأتمتة المراقبة وفك شفرة التحليلات القابلة للتنفيذ من بنية تحتية الفيديو.
كيف أعدت تجاربك في إنتل لك لومانا وتأسيس الشركة؟
تكنولوجيا الليدار كانت جزءًا أساسيًا من ريل سنس، وهو طريقة نشطة لتحويل ضوء الليزر لالتقاط الهندسة المعمارية للعالم. إنه قطعة جميلة من تكنولوجيا الضوء المشفر التي اخترعها مهندسينا الموهوبون في إنتل. إن الكشف عن الهندسة المعمارية ضروري للأجسام المتحركة، مثل الروبوتات والسيارات، وهو السبب في أن معظم الأنظمة الروبوتية اليوم تعتمد على أجهزة ريل سنس.
لكن سؤالًا ظهر: ماذا يحدث عندما تكون الحواس ثابتة، حيث لا تكون الملاحة ووقت التأثير المهمين؟ سألنا أنفسنا أي تكنولوجيا يمكن أن توفر أكبر قيمة للمستخدمين في ذلك السياق.
من خلال المناقشات العميقة، أدركنا أن معظم الأنظمة الكاميرية الثابتة الحالية لا يمكن توسيعها بشكل طبيعي. مراقبة كل نظام معقدة. وفي الوقت نفسه، نضج الذكاء الاصطناعي إلى الحد الذي بدأنا فيه نسأل: كيف يمكن نظام معقول في موقع العميل أن يوفر استجابات أمنية عاجلة وموثوقة لتنبيهات حرجة؟
بنينا فريقًا قويًا للذكاء الاصطناعي الذي حول هذا الرؤية بسرعة إلى منتج يعمل. كانت الفكرة بسيطة: السيارات المتحركة تتطلب الكشف عن الهندسة المعمارية، ولكن الحواس الثابتة، التي تركز على مراقبة السلوك بدلاً من التخطيط للحركة، تستفيد أكثر من تحليل الفيديو المتقدم دون بناء هندسي صريح.
رحلة ريل سنس علمتني أن كل مشكلة تتطلب حلها الخاص وأن الابتكار الحقيقي يتطلب الابتكار. فريقي في لومانا يجسد هذا المبدأ: محترف، مبتكر، ومحفز. معًا خلقنا نظامًا يعمل على الموقع، يعمل في الوقت الفعلي، مع أداء سحابي، معقول، قابل للتوسيع، ومتجاوب.
كيف يتجاوز الذكاء الاصطناعي المادي التحليلات التقليدية للفيديو مثل الكشف عن الكائنات وتصنيف الأنماط؟
عندما نتحدث عن الذكاء الاصطناعي المادي، نعني نظامًا للذكاء الاصطناعي لا يتوقف عند الإدراك، بل يتفاعل بشكل فعال مع العالم الحقيقي. التحليلات التقليدية للفيديو، مثل الكشف عن الكائنات أو تصنيف الأنماط، هي فقط الطبقة الأولى. التحدي الأعمق هو ما يأتي بعد ذلك: ترتيب وتعقب وتجميع وتحديد واسترجاع وفرز وتحقق من الكائنات المكتشفة وتسريع الاستجابة. كما يتضمن تمكين الوصول النصي والبحث حتى عن الكائنات التي لم يتم تدريب النظام عليها في الأصل.
يجب أن تتحقق كل هذه الأمور داخل جهاز حاسوبي مدمج ومعقول التكلفة. هذا هو المكان الذي يتجاوز فيه الذكاء الاصطناعي المادي التحليلات التقليدية: يتحول الكشف الخام إلى ذكاء قابل للتنفيذ ويمكن الوصول إليه. لا يتعلق الأمر باكتشاف قوانين الفيزياء، وهي مهمة علمية لا تزال قيد المناقشة، ولكن بتقديم طرق عملية وفعالة للوصول إلى المحتوى المرئي والصوتي والتفاعل معه في البيئات الحقيقية.
ما هي الركائز الفنية التي تمكن لومانا من دمج البيانات من كاميرات متعددة، وتفسير السلوك في الوقت الفعلي، والتكيف المستمر بناءً على المدخلات السياقية والتاريخية؟
سؤال رائع. واحدة من ركائزنا الفنية الأساسية هي القدرة على النظام الموجود على الموقع على التكيف المستمر مع المشهد الذي يلاحظه، ما يسمى الآن غالبًا بالتعلم المستمر. يمكنك أن تفكر فيه كنظام يتطور مع بيئته، ويتحسن مع مرور الوقت. سمح لنا هذا النهج بتسليم أداء عالٍ بتكلفة منخفضة للغاية ومرونة استثنائية.
ركيزة فنية أخرى مهمة هي هيكلنا الهرمي، الذي يرفع جهود الحوسبة بذكاء فقط عند الحاجة. هذا يضمن أن الأفعال المعقدة تحصل على الموارد التي تحتاجها دون إعاقة النظام بأكمله.
بما يجمع هذه المبادئ، نتشكل منصة بسيطة وفعّالة وقابلة للتوسيع، تمكن المستخدمين من تجربة رؤى قوية في الوقت الفعلي وتفسير السلوك بأقل تكلفة ممكنة.
هل يمكنك مشاركة تطبيقين حقيقيين للنظام في لومانا حيث تم الكشف عن أحداث مثل تصاعد العنف أو انتهاكات الحدود أو التماسك، وشرح التأثير الذي كان لهذه الأحداث على السلامة أو الاستجابة التشغيلية؟
تظهر عمليات نشر لومانا في المدن تحسينات واضحة في الوعي والاستجابة في الوقت الفعلي. في مدينة كبيرة في إسرائيل، حول النظام شبكة فيديو موجودة إلى طبقة إنذار ذكية مبكرة اكتشفت التماسك في المناطق المحظورة، وخللًا في الأعداد، والغارات بعد ساعات العمل، والحركات غير المنتظمة. أدى هذا إلى انخفاض عدد الاعتداءات، وتقليل التخريب، والتدخل السريع في المناطق عالية الخطورة.
شهدت مدينة أمريكية مكاسب مماثلة في منطقة تاريخية عانت من التخريب وكسور السيارات والاضطرابات والتماسك. قدمت لومانا مراقبة مستمرة وتنبيهات فورية، مما ermögن الدوريات الوقائية والاستجابة السريعة. أدى هذا إلى مساحات عامة أكثر أمانًا وأقل浪ة تشغيلية للمدينة.
تظهر هذه الأمثلة كيف يngthen الكشف في الوقت الفعلي عن السلوكيات، مثل التماسك وانتهاكات الحدود، من السلامة العامة ويسهم في تسهيل العمليات.
مع تفسير أنظمة الذكاء الاصطناعي للسلوك الجسدي الحساس، ما هي الحوافز الخصوصية المضمنة في تصميمك وعمليات النشر؟
تكنولوجيا لومانا وتصميمها يؤكدان على الحوكمة القوية وحركة البيانات الأدنى. يتم تنفيذ المعالجة على الحافة، متى كان ذلك ممكنًا، لتقليل التعرض وتعزيز الخصوصية. يتم تقييد الوصول من خلال ضوابط واضحة وسجلات مراجعة حتى يتمكن الفريق من متابعة كل تدفق عمل. يحتفظ النظام بالفيديو محليًا، ويشارك فقط البيانات الوصفية اللازمة، مما يدعم التوقعات الخصوصية في البيئات المنظمة.
تضمن هذه الحوافز أن يتم التعامل مع البيانات المرئية الحساسة بشكل مسؤول، مع الحفاظ على الأداء المطلوب للعمليات في الوقت الفعلي.
ما يحرك هيكل البنية الهجينة السحابية، وكيف يدعم المعالجة في الوقت الفعلي والتعلم المستمر؟
تستخدم لومانا نهجًا هجينًا لدمج أداء الأنظمة الموجودة على الموقع مع مرونة السحابة. توفر معالجة الحافة الذكاء الاصطناعي والتخزين وإدارة الفيديو محليًا افتراضيًا، مما يقلل من demande النطاق الترددي ويقوي الخصوصية، مع تمكين دعم السحابة عند الحاجة لتنسيق أوسع أو تعلم عبر النشرات.
يوفر هذا الهيكل للمستخدمين استجابة فورية مع الحفاظ على القدرة على التوسع والتحسين من خلال التكيف المستمر عبر المواقع.
كيف تم تصميم القدرة على التعلم الذاتي، وكيف تحسن مع مرور الوقت في عمليات النشر المتعددة؟
هيكل القدرة على التعلم الذاتي مبني حول التوسع. كلما زاد عدد المواقع التي ننشرها، زادت رؤيتنا العريضة عبر منظومة الأجهزة الحرفية. كل بيئة جديدة تساهم ببيانات جديدة، وتوسع من تنوع السيناريوهات والمشاهد التي يمكن للنظام أن يتعلم منها.
تستفيد منهجية التعلم المستمر من هذه المعرفة الجماعية. مع تحسين النظام نفسه عبر النشرات، يصبح عملية التدريب عبر الإنترنت أكثر بساطة وفعالية. من الناحية العملية، كلما كان النشر أوسع، زادت السرعة والدقة للتكيف، مما يؤدي إلى نظام يتحسن باستمرار مع مرور الوقت عبر جميع المواقع.
من تعتبرهم منافسيك الرئيسيين أو شركائك في هذا المجال، وما الذي يجعل لومانا فريدة؟
فريدتنا الحقيقية تكمن في أفرادنا. وراء لومانا يوجد فريق من المهندسين والمبتكرين الموهوبين، بدءًا من فريق الذكاء الاصطناعي، مدعومًا بخبراء السحابة وتصميم واجهة المستخدم ودعم العملاء. في حين أن الذكاء الاصطناعي يشكل العمود الفقري لتكنولوجيتنا، فإن محركنا البشري هو الذي يدفع نجاحنا. إبداع الفريق ومهنيته والتزامهم هو ما يميز لومانا، سواء في المنافسة أو التعاون.
تؤكد لومانا على “فكر كبيرًا” و “العميل أولاً” و “فريق واحد” و “استخدم مهارتك”. كيف تضع هذه القيم موضع التنفيذ في التوظيف وتطوير المنتج والحياه اليومية؟
نحن نجند المبتكرين الذين يفكرون على نطاق كبير، يحلون المشاكل، يتعاونون، ويتعهدون بالنمو.
فرق المنتج تطور الذكاء الاصطناعي القابل للتوسيع مع رؤية طموحة، وتكرر من خلال ملاحظات العملاء، وتعزز العمل التعاوني، وتسعى إلى التميز.
العمليات اليومية تستخدم الأساليب المرونة لتمكين الأفكار الجريئة، وتحديد احتياجات العملاء، وبناء وحدة الفريق، ودعم التطوير المهني.
تحرك هذه الممارسات الابتكار، نجاح العملاء، والأثر في أمن الفيديو بالذكاء الاصطناعي.
متى نظرًا إلى الخمس سنوات القادمة، كيف تتوقع أن تتطور دور لومانا في النظام البيئي الأوسع للذكاء الاصطناعي – وما هو الأثر الذي تتمنى أن يكون للذكاء الاصطناعي المادي على الصناعات مثل الأمان والتصنيع والمدن الذكية بحلول ذلك الوقت؟
نظرًا إلى الخمس سنوات القادمة، نرى دور لومانا يتطور كمنشئ رئيسي للذكاء الاصطناعي المادي العملي عبر الصناعات. في حين أن فك شفرة القوانين الأساسية للفيزياء لا يزال لغزًا علميًا، فإن تركيزنا اليوم على قيمة العملاء، تطوير أدوات تمكن المنظمات من مراقبة الاستجابة للعالم حولها بشكل أفضل، عبر أي تطبيق.
نحافظ بالفعل على تعاونات طويلة الأمد مع المراكز الطبية، ونستكشف التوسع في منصات متحركة مثل الروبوتات والنقل. مع مرور الوقت، مع نمونا وتوسعنا، نعتزم الاستثمار في أسئلة البحث الأساسية: هل يمكن للذكاء الاصطناعي أن يكشف عن أنماط أعمق في الطبيعة، أو حتى يساعدنا على صياغة نظريات جديدة حول قوانين الفيزياء؟ هل يمكن لمفاهيم مثل بعد الزمن أن تُضاء من خلال أنظمة التعلم؟
تتمثل طموحنا في دفع الأثر عبر الأمان والتصنيع والمدن الذكية، مع الحفاظ على رؤية الأفق الأوسع، ودفع حدود ما يمكن للذكاء الاصطناعي مساعدتنا على اكتشافه في النهاية.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم المزيد يمكنهم زيارة لومانا.
