Fredrik Nilsson, Vicepræsident, Amerika, Axis Communications – Interviewserie

Fredrik Nilsson, Vicepræsident, Amerika, Axis Communications, har overblikket over virksomhedens aktiviteter i Nord- og Sydamerika og leder teams, der fokuserer på at udvikle og levere netværksbaserede sikkerhedsløsninger til partnere og slutbrugere. Som en mangeårig Axis-leder har Nilsson spillet en væsentlig rolle i sikkerhedsbranchens overgang fra analogt lukket kredsløbskamera til IP-baseret netværksvideo. Siden han overtog ansvaret for Amerika i 2003, har han hjulpet med at øge den regionale omsætning fra cirka $20 million til langt over $1 milliard og støttet udvidelsen af mere end 20 Axis Experience Centers i Amerika. Han tiltrådte Axis i 1996, efter at have arbejdet som produktchef og divisionschef i Sverige og senere som direktør for forretningsudvikling, hvor han hjalp med at etablere partnerskaber under den tidlige udvikling af IP-video. Tidligere i sin karriere var han produktchef hos ABB, og han sidder i dag i bestyrelserne for MSAB og den svensk-amerikanske handelskammer i Washington, D.C.

Axis Communications er en svenskbaseret teknologivirksomhed, der specialiserer sig i intelligent fysisk sikkerhed og netværksløsninger, herunder netværkskameraer, videoovervågningssystemer, adgangskontrol, intercoms, netværk lyd, radar og analyse. Grundlagt i 1984 og med hovedkontor i Lund, Sverige, beskæftiger Axis cirka 5.000 medarbejdere i mere end 50 lande og har været en del af Canon Group siden 2015. Virksomheden introducerede, hvad den beskriver som verdens første netværkskamera i 1996 og har siden udvidet fra netværksvideo til en bredere portefølje af forbundne sikkerhedsteknologier. Dens nuværende produkter inkorporerer i stigende grad kantbaseret analyse og kunstig intelligens for at omdanne video, lyd og sensordata til handlingsorienteret indsigt inden for sikkerhed, tryghed, operationel effektivitet og forretningsintelligens.

Din karriere har spænder over fjernovervågning hos ABB, den tidlige udvikling af netværkstilknyttet lagring og Internet of Things-teknologier samt overgangen fra analog overvågning til netværksvideo hos Axis Communications. Hvordan har den baggrund formet din måde at tænke på i dagens skift mod AI-drevne kameraer og intelligent fysisk infrastruktur?

Jeg ser overgangen til AI-drevne kameraer som det næste skridt i en evolution, jeg har været en del af gennem min karriere – fra forbundet teknologi og IP-konvergens til nutidens intelligente kant. Der er et fælles tråd gennem hele min karriere, nemlig at hjælpe kunder med at forstå, hvad forbundet teknologi kan gøre for dem. ABB var en fremragende skole for mig. Det var en stor global virksomhed, så jeg fik mulighed for at rejse verden rundt, herunder tilbringe et år i Canada, og arbejde med store erhvervskunder, især energiforsyningsselskaber, på komplekse projekter. Min rolle var produktchef for et nyt IP-forbundet fjernovervågnings- og kontrolsystem. Hos Axis arbejdede jeg senere med en ny kategori af IP-forbundne lagringsenheder og hjalp med at sprede budskabet globalt om fordelene ved forbundet teknologi. Således, i de tidlige dage af IP-konvergensen, byggede jeg videre på de samme principper og hjalp erhvervskunder med at forstå værdien af netværksforbundet video og de muligheder, som IP-teknologien skaber. Så når jeg ser på AI-drevne kameraer i dag, ser jeg endnu et skridt i den samme evolution. Teknologien bliver ved med at blive mere kapabel, men den reelle mulighed handler stadig om at forbinde enheder, generere brugbare data og hjælpe kunder med at få mere ud af dem.

Hvilke typer af computer vision-arbejdsbelastninger er bedst egnet til at køre direkte på et kamera, og hvilke applikationer drager stadig fordel af at blive behandlet i et lokalt datacenter eller i skyen?

De arbejdsbelastninger, der er bedst egnet til at køre direkte på et kamera, er dem, hvor der er brug for realtidsbeslutninger, lav latency og effektiv brug af båndbredde. For eksempel at opdage og klassificere personer eller objekter, tælle, spore bevægelse eller identificere specifikke hændelser. Med teknologier som Axis Object Analytics kan kameraer nøjagtigt opdage personer, køretøjer, farver, rejseretning og andre karakteristika. Vi kan også træne et kamera til meget specifikke objekter eller scenarier gennem Axis Custom Analytics. Efterhånden som analyserne forbedres, kan mere af denne intelligens ske i kanten. For mange anvendelsestilfælde er det vigtigt for skalerbarhed og omkostninger at køre analyserne på kameraet og kun sende de resulterende data eller metadata til en server eller skyen. Skyen og serverne har stadig en vigtig rolle, især for centraliseret styring, langtidsopbevaring og analyse af metadata på tværs af et stort antal enheder. Jeg ser det ikke som en enten‑eller beslutning. Kanten og skyen kan supplere hinanden, hver med det de er bedst egnet til.

Implementering af AI i kanten kræver en afvejning af modellens nøjagtighed mod begrænsninger i behandlingskraft, hukommelse, energiforbrug og varme. Hvordan ændrer fremskridt inden for specialiserede chips, hvad der realistisk kan opnås i et kamera?

Der er i virkeligheden to tendenser, der driver dette. For det første forbedres AI‑kapaciteten i processoren ved kanten meget hurtigt. ARTPEC-9, vores internt udviklede system‑on‑chip, har tre gange så stor AI‑behandlingskapacitet som ARTPEC-8, hvilket giver os betydeligt mere plads til at køre avancerede modeller direkte på kameraet. Fremtidige generationer vil fortsætte med at øge denne kapacitet. For det andet forbedres størrelsen og effektiviteten af modellerne. Det er her, vi har set store fremskridt i det forløbne år. Vores F&U‑team har gjort et fantastisk stykke arbejde med at få en større del af modellen til at køre direkte i kanten, så man i mange scenarier kun behøver at bruge data fra kameraet i stedet for at sende videoen et andet sted til behandling. For et år siden talte vi om, at cirka 50 % af behovene blev håndteret i kameraet. I dag er det tættere på 90 %, og vi forventer, at det vil nå 95 % eller mere. Det egentlige gennembrud er ikke kun, at vi har kraftigere chips. Det er, at vi kombinerer mere kapabel hardware med mere effektive AI‑modeller, så en stigende mængde intelligens kan ske direkte, hvor dataene genereres. Det gør overvågningssystemer meget mindre afhængige af servere og skyen for AI.

Kameraer placeres i stigende grad som operationelle sensorer frem for udelukkende som sikkerhedsenheder. Hvilke anvendelser inden for detailhandel, transport, sundhedssektoren, fremstilling eller logistik leverer i øjeblikket den klareste forretningsværdi?

Fremstilling er et meget godt eksempel, fordi værdien kan knyttes direkte til driften. BMW Group bruger for eksempel netværkskameraer som en del af deres AI‑drevne kvalitetsinspektionssystem til at indfange detaljerede billeder af køretøjer i realtid og identificere fejl. Det er en meget anden rolle for et kamera end blot at optage en hændelse. Vi ser også en voksende brug af video til operationel effektivitet og forretningsintelligens i bredere forstand. Inden for transport og logistik kan kameraer hjælpe organisationer med at forstå, hvordan mennesker, køretøjer og varer bevæger sig gennem en facilitet. I detailhandlen kan video give indsigt i kundeadfærd, rumudnyttelse og bemanding. Det fælles tema er, at kameraet genererer information, der kan bruges til at forbedre en proces, ikke blot at registrere, hvad der er sket.

Hvordan skaber kombinationen af video med lydanalyse, radar, adgangskontrolsystemer og miljøsensorer indsigter, som ikke ville være mulige ud fra kun visuelle data?

Jo mere kontekst du kan samle, jo bedre kan systemet forstå, hvad der foregår. Når du kombinerer forskellige input, kan du opnå indsigter, som ville være vanskelige, og nogle gange umulige, at udlede kun ud fra video. For eksempel kan du kombinere, hvordan et objekt ser ud, med hvordan det bevæger sig, eller bruge termisk og visuel information sammen, når belysning eller synlighed er udfordrende. Radar kan tilføje information om et objekts bevægelse og hastighed, lyd kan identificere lyde eller muliggøre to‑vejs kommunikation, og miljøsensorer kan give yderligere kontekst om, hvad der sker i det omgivende miljø. Flere sensorer kan også øge tilliden til, hvad systemet eller brugeren registrerer. Kombination af teknologi er yderst vigtigt for at beskytte nøgleområder i livet, såsom kritisk infrastruktur.

Vi bevæger os allerede i denne retning. Hos GSX introducerede vi for eksempel løsninger, der kombinerer visuel, termisk, radar, lyd og miljømåling. Målet er at samle de rette data, så organisationer kan træffe hurtigere og bedre informerede beslutninger. Dette er særligt vigtigt for anvendelser som beskyttelse af kritisk infrastruktur, hvor flere informationskilder kan give et mere komplet billede af, hvad der foregår.

Kantbehandling kan reducere mængden af rå video, der skal overføres eller gemmes, men AI‑aktiverede kameraer rejser stadig vigtige spørgsmål om privatliv og styring. Hvilke principper bør organisationer følge, når de designer systemer, der er nyttige uden at indsamle mere persondata end nødvendigt?

Udgangspunktet bør være at spørge, hvad systemet faktisk skal opnå, og kun indsamle den information, der er nødvendig for dette formål. Privatliv og gennemsigtighed er også vigtige. Folk vil forstå, hvorfor video anvendes, og hvordan deres information håndteres. Vores seneste forskning viser, at folk bliver mere komfortable med videoovervågning, men denne accept kan ikke tages for givet. De største bekymringer ved AI‑aktiveret overvågning er falske positiver eller unøjagtige oplysninger samt potentiel misbrug eller forkert håndtering af data. Det pålægger organisationer og teknologileverandører et reelt ansvar for at indbygge privatliv og sikkerhed i systemerne fra starten. Kantbehandling kan hjælpe her, fordi du kan analysere information lokalt og kun sende de data, der er nødvendige, i stedet for at flytte kontinuerlig rå video rundt i netværket.

Den fysiske infrastruktur kan forblive i drift i mange år, mens AI‑modeller og cybersikkerhedstrusler udvikler sig hurtigt. Hvordan bør kameraer og andre kant‑enheder designes, så deres analyser forbliver sikre, vedligeholdelige og tilpasningsdygtige gennem deres operationelle levetid?

Dette er en af grundene til, at jeg ser på kameraet som en del af den bredere IT‑ og driftsinfrastruktur frem for som en selvstændig sikkerhedsenhed. Cybersikkerhed skal indbygges i enheden fra starten, med sikker software, regelmæssige opdateringer og stærke cybersikkerhedsbeskyttelser gennem hele dens livscyklus. Hos Axis giver Edge Vault for eksempel en hardwarebaseret grundlag for at beskytte enhedens integritet, sikre kryptografiske nøgler og etablere en tillidskæde. Det understøtter også funktioner som sikker opstart og signeret software, hvilket hjælper med at sikre, at kun betroet software kører på enheden.

Enheden har også brug for en arkitektur, der kan tilpasse sig, når analyser og kundekrav ændrer sig. Åbne platforme er vigtige her, fordi de giver organisationer mulighed for at integrere nye applikationer og teknologier i stedet for at skulle udskifte et helt system, hver gang noget udvikler sig. Samtidig har organisationer brug for god styring af deres tilsluttede enheder. Efterhånden som flere video‑, sensor‑ og virksomheds‑systemer samles, skal cybersikkerhed og databeskyttelse behandles som en del af den samlede systemdesign, ikke som noget, der tilføjes senere.

Axis understøtter et åbent applikationsøkosystem, der giver tredjepartsudviklere mulighed for at bygge og implementere specialiseret analyse på sine enheder. Hvor vigtigt vil åbne platforme og interoperabilitet være, når organisationer ønsker at køre deres egne modeller på store kamera‑flåder?

Jeg tror, det vil blive ekstremt vigtigt. Kunder vil ikke låses fast i én teknologi eller én måde at gøre tingene på, især da AI og analyser fortsætter med at udvikle sig så hurtigt. En åben platform gør det lettere at integrere kameraer med andre systemer, bringe specialiserede applikationer ind og skalere på tværs af en stor implementering. Den giver også kunderne mere fleksibilitet, efterhånden som deres behov ændrer sig. Ved at fjerne leverandørlåsning og forenkle integration gør åbne, interoperable økosystemer det lettere at skalere intelligente edge‑løsninger, mens de tilpasses skiftende forretningsbehov. I sidste ende ligger værdien ikke kun i selve kameraet, men i hvordan kameraet, sensorer, analyser og virksomheds‑applikationer arbejder sammen.

Hvordan bør organisationer evaluere ydeevnen af computersynssystemer efter implementering, især når belysning, kameraplacering, menneskelig adfærd eller driftsforhold kan ændre sig og potentielt påvirke nøjagtigheden?

Det afhænger af brugstilfældet, men det vigtigste er at teste kameraerne og AI‑modellerne i det reelle miljø, hvor de faktisk skal anvendes. Man kan have en model, der præsterer meget godt i et kontrolleret miljø, men den reelle test er, hvad der sker med den faktiske belysning, kameraplacering, vejrforhold, baggrund og adfærd på stedet. Derfor opfordrer vi kunder til at evaluere analyser som Axis Object Analytics eller Axis Custom Analytics i det reelle miljø og sikre, at nøjagtigheden er tilstrækkelig høj for anvendelsen. BMW‑fabrikken er et godt eksempel på denne tilgang. Kameraerne bruges i et rigtigt produktionsmiljø, hvor billedkvaliteten og de resulterende analyser skal understøtte en faktisk fremstillingsproces.

Efterhånden som edge‑AI bliver mere kapabel, hvordan forventer du, at netværkskameraets rolle vil udvikle sig i løbet af det næste årti, og hvilke nye funktioner kan opstå, når kameraerne bliver aktive komponenter i intelligente, responsive miljøer?

Netværkskameraet bliver meget mere centralt i systemet. Det er ikke længere kun et kamera, der genererer video. Det er en sensor, der genererer data, som kan analyseres og deles på tværs af forskellige systemer. Efterhånden som behandlingskraften fortsætter med at stige, forventer jeg, at kameraerne bliver endnu bedre til at forstå, hvad der foregår i deres omgivelser, og levere nyttig information i realtid. Det er idéen bag Scene Intelligence, hvor kameraet kan bruge en dybere forståelse af scenen til at give mere meningsfuld information om objekter, deres egenskaber og hvad der sker omkring dem.

Det kan betyde mere avanceret objekt‑ og adfærdsdetektion, større integration med andre sensorer og virksomheds‑systemer samt mere automatisering af, hvordan organisationer reagerer på hændelser. Det større skift er, at video bliver en del af et bredere data‑ og intelligenslag. Kameraet indfanger stadig, hvad der sker, men i stigende grad kan det også hjælpe med at forklare, hvad der sker, og hvad en organisation eventuelt vil gøre næste gang.

Tak for det gode interview, læsere der ønsker at lære mere, bør besøge Axis Communications.