Fredrik Nilsson, viceprezident pro Ameriku, Axis Communications – série rozhovorů

Fredrik Nilsson, viceprezident pro Ameriku ve společnosti Axis Communications, dohlíží na provoz firmy v Severní a Jižní Americe a vede týmy zaměřené na vývoj a dodávku síťových bezpečnostních řešení pro partnery i koncové uživatele. Dlouholetý výkonný pracovník Axis, Nilsson sehrál významnou roli v přechodu bezpečnostního odvětví od analogové uzavřené televizní soustavy k IP‑založenému síťovému videu. Od převzetí odpovědnosti za Ameriku v roce 2003 pomohl zvýšit regionální příjmy z přibližně $20 million na více než $1 billion a podpořil rozšíření více než 20 Center Axis Experience po celé Americe. Do Axis vstoupil v roce 1996, dříve působil jako produktový manažer a divizní manažer ve Švédsku a později jako ředitel obchodního rozvoje, kde pomáhal navazovat partnerství během počátečního vývoje IP‑videa. Na počátku své kariéry byl produktovým manažerem ve společnosti ABB a v současnosti působí ve správních radách společností MSAB a Swedish‑American Chamber of Commerce ve Washington, D.C.

Axis Communications je švédská technologická společnost specializující se na inteligentní fyzickou bezpečnost a síťová řešení, včetně síťových kamer, systémů video‑dozorů, řízení přístupu, interkomů, síťového audia, radaru a analytiky. Společnost byla založena v roce 1984 a sídlí v Lundu ve Švédsku; zaměstnává přibližně 5 000 lidí ve více než 50 zemích a od roku 2015 je součástí Canon Group. V roce 1996 představila to, co popisuje jako první síťovou kameru na světě, a od té doby rozšířila své portfolio zítě videa na širší škálu propojených bezpečnostních technologií. Současné produkty stále častěji využívají analytiku na okraji (edge) a umělou inteligenci k transformaci videa, audia a senzorových dat na použitelné poznatky pro bezpečnost, ochranu, provozní efektivitu a obchodní inteligenci.

Vaše kariéra zahrnovala dálkové monitorování ve společnosti ABB, raný vývoj úložišť připojených k síti a technologií Internetu věcí a přechod od analogového dohledu k síťovému videu ve společnosti Axis Communications. Jak tato zkušenost formovala vaše myšlení o dnešním posunu směrem k kamerám s podporou AI a inteligentní fyzické infrastruktuře?

Posun směrem k kamerám s podporou AI vnímám jako další krok ve vývoji, kterého jsem byl součástí po celou svou kariéru – od propojených technologií a konvergence IP až po dnešní inteligentní okraj (edge). Spojovacím prvkem mé kariéry je pomáhat zákazníkům pochopit, co propojené technologie pro ně mohou udělat. ABB pro mě byla vynikající učebna. Byla to velká globální společnost, takže jsem měl příležitost cestovat po světě, včetně jednoho roku v Kanadě, a spolupracovat s velkými podnikovými zákazníky, zejména s energetickými společnostmi, na složitých projektech. Moje role byla produktový manažer pro nový IP‑připojený systém dálkového monitorování a řízení. Ve společnosti Axis jsem později pracoval na nové kategorii IP‑připojených úložných zařízení a pomáhal globálně šířit zprávu o výhodách propojených technologií. Poté, v počátcích konvergence IP, jsem stavěl na stejných principech a pomáhal podnikovým zákazníkům pochopit hodnotu síťově připojeného videa a příležitosti, které IP technologie vytváří. Když tedy dnes nahlížím na kamery s podporou AI, vidím další krok ve stejném vývoji. Technologie se stále stává výkonnější, ale skutečná příležitost spočívá stále v propojení zařízení, generování užitečných dat a pomáhání zákazníkům s jejich využitím.

Jaké typy úloh počítačového vidění jsou nejvhodnější pro spuštění přímo na kameře a které aplikace stále těží z toho, že jsou zpracovávány v místním datovém centru nebo v cloudu?

Nejvhodnější úlohy pro spuštění přímo na kameře jsou ty, které vyžadují rozhodování v reálném čase, nízkou latenci a efektivní využití šířky pásma. Například detekce a klasifikace lidí nebo objektů, počítání, sledování pohybu nebo identifikace konkrétních událostí. S technologiemi jako Axis Object Analytics mohou kamery přesně detekovat osoby, vozidla, barvy, směr jízdy a další charakteristiky. Pomocí Axis Custom Analytics lze také kameru naučit rozpoznávat velmi specifické objekty nebo scénáře. Jak se analytika dále zlepšuje, stále více inteligence může probíhat na okraji (edge). V mnoha případech je důležité spouštět analytiku na kameře a odesílat pouze výsledná data nebo metadata na server či do cloudu, což podporuje škálovatelnost a snižuje náklady. Cloud a servery mají stále důležitou roli, zejména pro centralizovanou správu, dlouhodobé ukládání a analýzu metadat napříč velkým počtem zařízení. Nevidím to jako rozhodnutí „buď‑to‑nebo“. Edge a cloud se mohou doplňovat, přičemž každý plní to, v čem je nejlépe kompetentní.

Nasazení AI na okraji (edge) vyžaduje vyvážení přesnosti modelu s omezeními ve výpočetním výkonu, paměti, spotřebě energie a tepelného zatížení. Jakým způsobem pokroky ve specializovaných čipech mění to, co je realisticky možné dosáhnout přímo v kameře?

Ve skutečnosti existují dva hlavní trendy, které to pohánějí. Za prvé, kapacita AI procesoru na okraji se velmi rychle zlepšuje. ARTPEC-9, náš interně vyvíjený systém‑on‑chip, má třikrát vyšší kapacitu AI zpracování než ARTPEC-8, což nám poskytuje výrazně více prostoru pro provozování složitých modelů přímo v kameře. Budoucí generace budou tuto schopnost nadále zvyšovat. Za druhé, velikost a účinnost modelů se zlepšují. To je oblast, ve které jsme za poslední rok zaznamenali značný pokrok. Náš tým R&D odvedl úžasnou práci při tom, aby se více modelu spouštělo přímo na okraji, takže v mnoha scénářích stačí použít data z kamery místo odesílání videa někam jinam k zpracování. Před rokem jsme hovořili o tom, že přibližně 50 % potřeb je řešeno v kameře. Dnes je to blíže k 90 % a očekáváme, že to dosáhne 95 % nebo více. Skutečný průlom není jen v tom, že máme výkonnější čipy. Je to v tom, že kombinujeme výkonnější hardware s efektivnějšími AI modely, což umožňuje, aby se stále větší část inteligence odehrávala přímo tam, kde jsou data generována. To činí dohledové systémy mnohem méně závislými na serverech a cloudu pro AI.

Kamery jsou stále častěji vnímány jako provozní senzory, nikoli jen jako bezpečnostní zařízení. Které aplikace v maloobchodu, dopravě, zdravotnictví, výrobě nebo logistice v současnosti přinášejí největší obchodní hodnotu?

Výroba je velmi dobrým příkladem, protože hodnota může být přímo spojena s operací. BMW Group například používá síťové kamery jako součást svého AI‑řízeného systému kontroly kvality, aby zachytily podrobné snímky vozidel v reálném čase a identifikovaly vady. To je zcela odlišná role kamery než pouhé zaznamenání incidentu. Také pozorujeme rostoucí využití videa pro provozní efektivitu a obchodní inteligenci obecně. V dopravě a logistice mohou kamery pomoci organizacím pochopit, jak se lidé, vozidla a zboží pohybují v zařízení. V maloobchodu může video poskytnout vhled do chování zákazníků, využití prostoru a personálního obsazení. Společným tématem je, že kamera generuje informace, které lze použít ke zlepšení procesu, nikoli jen zaznamenává, co se stalo.

Jak kombinace videa s audio analytikou, radarem, systémy řízení přístupu a environmentálními senzory vytváří poznatky, které by nebyly možné pouze z vizuálních dat?

Čím více kontextu dokážete spojit, tím lépe systém dokáže pochopit, co se děje. Když kombinujete různé vstupy, můžete získat poznatky, které by bylo obtížné a někdy nemožné získat jen z videa. Například můžete spojit vzhled objektu s tím, jak se pohybuje, nebo použít termální a vizuální informace společně, když je osvětlení nebo viditelnost obtížná. Radar může přidat informace o pohybu a rychlosti objektu, audio může identifikovat zvuky nebo umožnit dvousměrnou komunikaci a environmentální senzory mohou poskytnout další kontext o tom, co se děje v okolním prostředí. Více senzorů může také zvýšit důvěru v to, co systém nebo uživatel detekuje. Kombinace technologií je nesmírně důležitá pro ochranu klíčových oblastí života, jako je kritická infrastruktura.

Již se ubíráme tímto směrem. V GSX, například, jsme představili řešení, která kombinují vizuální, termální, radarové, audio a environmentální snímání. Cílem je spojit správná data, aby organizace mohly činit rychlejší a lépe informovaná rozhodnutí. To je zvláště důležité pro aplikace, jako je ochrana kritické infrastruktury, kde více zdrojů informací může poskytnout úplnější obrázek o tom, co se děje.

Zpracování na okraji může snížit množství surového videa, které je třeba přenášet nebo ukládat, ale kamery s AI stále vyvolávají důležité otázky týkající se soukromí a správy. Jaké principy by organizace měly dodržovat při navrhování systémů, které jsou užitečné, aniž by shromažďovaly více osobních údajů, než je nezbytné?

Východiskem by mělo být zeptat se, co systém skutečně potřebuje dosáhnout, a shromažďovat pouze informace nezbytné pro tento účel. Soukromí a transparentnost jsou také důležité. Lidé chtějí rozumět, proč je video používáno a jak jsou jejich údaje zpracovávány. Naše nedávný výzkum ukazuje, že lidé jsou s video dohledem stále pohodlnější, ale toto přijetí nelze brát jako samozřejmost. Největší obavy spojené s dohledem s AI jsou falešně pozitivní nebo nepřesné informace a potenciální zneužití či nesprávné zacházení s daty. To klade skutečnou odpovědnost na organizace a poskytovatele technologií, aby od samého začátku do systémů zakomponovali soukromí a bezpečnost. Zpracování na okraji může zde pomoci, protože můžete analyzovat informace lokálně a odesílat jen potřebná data, místo aby se po síti přenášelo kontinuální surové video.

Fyzická infrastruktura může zůstat nasazena po mnoho let, zatímco AI modely a hrozby kybernetické bezpečnosti se rychle vyvíjejí. Jak by měly být kamery a další zařízení na okraji navrženy tak, aby jejich analytika zůstala bezpečná, udržovatelná a přizpůsobitelná po celou dobu jejich provozního života?

Toto je jeden z důvodů, proč považuji kameru za součást širší IT a provozní infrastruktury, spíše než za samostatné bezpečnostní zařízení. Kybernetická bezpečnost musí být do zařízení zakomponována od samého začátku, s bezpečným softwarem, pravidelnými aktualizacemi a silnými ochranami proti kybernetickým hrozbám po celou dobu jeho životního cyklu. Ve společnosti Axis například Edge Vault poskytuje hardwarově založený základ pro ochranu integrity zařízení, zabezpečení kryptografických klíčů a vytvoření řetězce důvěry. Podporuje také funkce jako zabezpečené spouštění a podepsaný software, což pomáhá zajistit, aby na zařízení běžel pouze důvěryhodný software.

Zařízení také potřebuje architekturu, která se dokáže přizpůsobit změnám analytiky a požadavkům zákazníků. Otevřené platformy jsou zde důležité, protože umožňují organizacím integrovat nové aplikace a technologie, aniž by musely pokaždé nahrazovat celý systém. Současně organizace potřebují dobré řízení svých připojených zařízení. Jakmile se spojují více videí, senzorů a podnikových systémů, musí být kybernetická bezpečnost a ochrana dat považovány za součást celkového návrhu systému, nikoli za něco, co se přidává později.

Axis podporuje otevřený ekosystém aplikací, který umožňuje vývojářům třetích stran vytvářet a nasazovat specializovanou analytiku na svých zařízeních. Jak důležité budou otevřené platformy a interoperabilita, když organizace budou chtít spouštět vlastní modely napříč velkými flotilami kamer?

Myslím, že to bude nesmírně důležité. Zákazníci nechtějí být vázáni na jednu technologii nebo jeden způsob práce, zejména když se AI a analytika vyvíjejí tak rychle. Otevřená platforma usnadňuje integraci kamer s dalšími systémy, zavádění specializovaných aplikací a škálování napříč rozsáhlým nasazením. Také poskytuje zákazníkům větší flexibilitu, jak se jejich potřeby mění. Eliminací vendor lock-inu a zjednodušením integrace umožňují otevřené, interoperabilní ekosystémy snadnější škálování inteligentních edge řešení při přizpůsobování se měnícím se obchodním požadavkům. Nakonec hodnota nespočívá jen v samotné kameře. Spočívá v tom, jak kamera, senzory, analytika a podnikově aplikace spolupracují.

Jak by měly organizace hodnotit výkon systémů počítačového vidění po nasazení, zejména když se mohou měnit osvětlení, umístění kamery, lidské chování nebo provozní podmínky a potenciálně ovlivnit přesnost?

Vše závisí na konkrétním případu použití, ale nejdůležitější je testovat kamery a AI modely v reálném prostředí, kde budou skutečně nasazeny. Model může v kontrolovaném prostředí fungovat velmi dobře, ale skutečná zkouška nastává při reálném osvětlení, pozici kamery, počasí, pozadí a chování, které na místě pozorujete. Proto povzbuzujeme zákazníky, aby vyhodnocovali analytiku, jako je Axis Object Analytics nebo Axis Custom Analytics, v reálném prostředí a ujistili se, že přesnost je pro aplikaci dostatečně vysoká. Továrna BMW je dobrým příkladem tohoto přístupu. Kamery jsou používány v reálném výrobním prostředí, kde kvalita obrazu a výsledná analytika musí podporovat skutečný výrobní proces.

Jak se s rostoucími schopnostmi edge AI očekává, že se role síťové kamery během následujícího desetiletí vyvine a jaké nové funkce by se mohly objevit, když se kamery stanou aktivními součástmi inteligentních, reaktivních prostředí?

Síťová kamera se stává mnohem centrálnější součástí systému. Už nejde jen o kameru generující video. Je to senzor, který vytváří data, jež lze analyzovat a sdílet mezi různými systémy. Jak se výpočetní výkon nadále zvyšuje, očekávám, že kamery budou ještě lépe rozumět tomu, co se děje v jejich okolí, a poskytovat užitečné informace v reálném čase. To je podstata konceptu Scene Intelligence, kde kamera může využít hlubší porozumění scéně k poskytování smysluplnějších informací o objektech, jejich charakteristikách a o tom, co se kolem nich děje.

To by mohlo znamenat pokročilejší detekci objektů a chování, větší integraci s dalšími senzory a podnikovými systémy a více automatizace v tom, jak organizace reagují na události. Hlavní posun spočívá v tom, že video se stává jednou částí širší vrstvy dat a inteligence. Kamera stále zachycuje, co se děje, ale čím dál tím více může také pomoci vysvětlit, co se děje a co by organizace mohla chtít udělat dál.

Děkujeme za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit Axis Communications.