Ofir Mulla, medstifter og CTO i Lumana – Interviewserie

Ofir Mulla, medstifter og CTO i Lumana, har mere end et årtis dyb ekspertise i 3D- og computer vision-teknologier, hvor han har banebrydende og skaleret løsninger på tværs af kodet lys, stereo og LiDAR-modaliteter, mens han ledede interdisciplinær udvikling i software, elektriske systemer, robotteknik, ML/AI og medicinske enheder. Før sin nuværende stilling i Lumana, tilbragte han næsten 15 år hos Intel (INTC ), hvor han designede RealSense 3D-platformen og ledte hold, der omfattede hardware, firmware og systemarkitektur.

Lumana er et avanceret video-sikkerheds- og visuelt intelligensselskab, hvis platform transformerer eksisterende kameraer til intelligente, perceptive agenter ved at udnytte AI til at opdage og reagere på virkelige begivenheder i realtid – fra uautoriseret adgang og sikkerhedsbrud til operationelle indsighter – og muliggør, at virksomheder på tværs af uddannelse, regering, detailhandel, fremstilling og hotelindustri kan samle kameraintelligens, automatisere overvågning og låse op for handlebare analyser fra deres videoinfrastruktur.

Hvordan har dine erfaringer hos Intel forberedt dig på Lumana og grundlæggelsen af virksomheden?

LiDAR-teknologien var en kernekomponent i RealSense, en aktiv metode til at projicere laserlys for at fange verdens geometri. Det er en smuk stykke kodet lys-teknologi, som vores brillante ingeniører hos Intel opfandt. Geometri-sensing er kritisk for mobile objekter, såsom robotter og biler, hvilket er årsagen til, at de fleste robotsystemer i dag afhænger af RealSense-enheder.

Men en spørgsmål opstod: Hvad sker der, når sensorerne er stationære, hvor navigation og tid-til-impakt ikke er de primære opgaver? Vi spurgte os selv, hvilken teknologi kunne give den største værdi til brugerne i den kontekst.

Gennem dybe diskussioner indså vi, at de fleste eksisterende stationære kamerasure kan ikke skaleres naturligt. Overvågning af hvert system er besværligt. Samtidig var AI blevet moden til et punkt, hvor vi begyndte at spørge: Hvordan kan et billigt system på kundesiden levere de mest presserende, pålidelige sikkerhedsreaktioner på kritiske alarmer?

Vi byggede et stærkt AI-hold, der hurtigt forvandlede denne vision til et fungerende produkt. Indsigt var enkel: Bevægelige køretøjer kræver geometri-sensing, men stationære sensorer, fokuseret på overvågning af adfærd i stedet for planlægning af bevægelse, nyder mere af avanceret videoanalyse uden eksplisit geometrisk rekonstruktion.

Rejsen med RealSense lærte mig, at hvert problem kræver sin egen løsning, og sand disruption kræver innovation. Mit hold i Lumana inkarnerer denne princip: professionel, innovativ og drevet. Sammen har vi skabt et on-premise, realtidssystem, der bringer cloud-lignende præstationer til kanten, billigt, skalerbart og responsivt.

Hvordan går Fysisk AI ud over traditionel videoanalyse som objektdetektion og mønstermærkning?

Når vi taler om Fysisk AI, mener vi et AI-system, der ikke stopper ved perception, men aktivt interagerer med den virkelige verden. Traditionel videoanalyse, som objektdetektion eller mønstermærkning, er kun det første lag. Den dybere udfordring er, hvad der kommer herefter: arrangering, sporing, aggregation, identifikation, hentning, søgning og verificering af de detekterede objekter og acceleration af respons. Det inkluderer også at aktivere tekstbaseret adgang og endda at søge efter objekter, som systemet ikke oprindeligt var trænet til at detektere.

Alt dette skal opnås inden for en kompakt, billig computerenhed. Det er, hvor Fysisk AI går ud over traditionel analyse: det transformerer rå detektion til handlebar, tilgængelig intelligens. Det handler ikke om at opdage fysikkens love, en videnskabelig stræben, der stadig er under debat, men om at give praktiske, effektive måder at få adgang til og handle på visuelt og auditivt indhold i virkelige miljøer.

Hvordan er de tekniske piller, der muliggør Lumana at fusionere data fra multiple kameraer, fortolke adfærd i realtid og kontinuerligt tilpasse sig efter kontekstuelle og historiske input?

Godt spørgsmål. En af vores kerne-tekniske piller er evnen til, at det on-premise-system kontinuerligt tilpasser sig scenen, den observerer, hvad der nu ofte kaldes kontinuerlig læring. Du kan tænke på det som et system, der udvikler sig med sin omgivelse, forbedrer sig over tid. Denne tilgang har tilladt os at levere høj præstation med meget lav omkostning og exceptionel agilitet.

En anden vigtig pille er vores hierarkiske arkitektur, der intelligently eskalerer beregningsindsats kun, når det er nødvendigt. Dette sikrer, at komplekse handlinger får de ressourcer, de behøver, uden at belaste hele systemet.

Taget sammen danner disse principper en platform, der er enkel, effektiv og højtydende skalerbar, hvilket muliggør, at brugerne oplever kraftfulde realtidsindsigter og adfærdsfortolkning til den laveste mulige omkostning.

Kan du dele en eller to virkelige udrulninger, hvor Lumana’s system opdagede begivenheder som voldseskallation, sikkerhedsgrænseoverskridelse eller lurvende, og forklare, hvilken indvirkning disse havde på sikkerhed eller operationel respons?

Lumana-udrulninger i byer viser klare forbedringer i realtidsbevidsthed og respons. I en stor by i Israel forvandlede systemet et eksisterende videonetværk til et intelligent tidligt advarselssystem, der opdagede lurvende i begrænsede zoner, folkemængdeanomalier, eftertimer og uventede bevægelser. Dette ledte til færre indbrud, reduceret vandalisering og hurtigere intervention i højrisikozoner.

En amerikansk kommune så lignende gevinster i et historisk distrikt, der kæmpede med vandalisering, bilindbrud, forstyrrelser og lurvende. Lumana leverede kontinuerlig overvågning og øjeblikkelige alarmer, der muliggjorde proaktive patruljer og hurtigere respons. Dette resulterede i sikrere offentlige rum og mindre operationel spild for byen.

Disse eksempler illustrerer, hvordan realtidsdetektion af adfærd, såsom lurvende og grænseoverskridelse, styrker offentlig sikkerhed og strømliner operationer.

Med AI-systemer, der fortolker følsom fysisk adfærd, hvilke privatlivssikkerhedsforanstaltninger er indbygget i jeres design- og udrulningsprocesser?

Lumana-teknologi og design fremhæver stærk styring og minimal dataforsendelse. Bearbejdning udføres på kanten, når det er muligt, for at begrænse eksponering og styrke privatliv. Adgang er begrænset gennem klare kontroller og revisionslogger, så hold kan følge hver arbejdsgang. Systemet holder video lokalt, deler kun nødvendig metadata, som støtter privatlivsforventninger i regulerede miljøer.

Disse sikkerhedsforanstaltninger sikrer, at følsom visuel data håndteres ansvarligt, mens de opretholder den præstation, der kræves for realtid-operationer.

Hvad driver jeres hybrid-cloud-arkitektur, og hvordan støtter den realtid-behandling og kontinuerlig læring?

Lumana bruger en hybrid-tilgang til at kombinere præstationen af on-premise-systemer med cloud-fleksibilitet. Edge-behandling leverer realtid-AI, lagring og videoledelse lokalt som standard. Dette reducerer bandwidth-krav og styrker privatliv, mens det stadig muliggør cloud-understøttelse, når det er nødvendigt for bredere koordination eller læring på tværs af udrulninger.

Denne arkitektur giver brugerne øjeblikkelig respons, mens den opretholder evnen til at skalerer og forbedre sig gennem kontinuerlig tilpasning på tværs af steder.

Hvordan blev selv-læringsevnen arkitektureret, og hvordan forbedrer den sig over tid i multi-site-udrulninger?

Arkitekturen af vores selv-læringsevne er bygget op omkring skala. Jo flere steder, vi udruller, jo bredere bliver vores perspektiv på tværs af landskabet af edge-enheder. Hver ny omgivelse bidrager med frisk data, der udvider mangfoldigheden af scenarier og scener, som systemet kan lære fra.

Vores kontinuerlige læringsmetode udnytter denne kollektive viden. Da systemet forbedrer sig selv på tværs af udrulninger, bliver processen med online-træning simpel og mere effektiv. I praksis betyder det, at jo bredere udrulningen er, jo hurtigere og mere præcis bliver tilpasningen, hvilket resulterer i et system, der kontinuerligt forbedrer sig over tid på tværs af alle steder.

Hvem ser du som jeres primære konkurrenter eller samarbejdspartnere i dette område, og hvad gør Lumana unikt?

Vores sande unikhed ligger i vores mennesker. Bag Lumana står et hold af brillante ingeniører og innovatører, starting med vores AI-gruppe, understøttet af vores cloud-specialister, UX/UI-designere og styrket af kundesupport og salg. Mens AI danner rygmarven af vores teknologi, er det vores menneskelige motor, der driver vores succes. Kreativiteten, professionaliteten og dedikationen af vores hold er, hvad der adskiller Lumana, enten i konkurrence eller samarbejde.

Lumana fremhæver “Tænk stort”, “Kunde-først”, “Ét hold” og “Mester din fag”. Hvordan operationaliserer I disse værdier i rekruttering, produktudvikling og daglig liv?

Vi rekrutterer innovatører, der tænker stort, løser problemer, samarbejder og forpligter sig til vækst.

Produktteam udvikler skalerbar AI med en ambitiøs vision, itererer via kundetilbagemelding, fremmer samarbejdende arbejde og stræber efter excellence.

Daglige operationer bruger agile metoder til at muliggøre dristige ideer, prioriterer kundebehov, bygger hold-enhed og støtter professionel udvikling.

Disse praksisser driver innovation, kundesucces og impact i AI-video-sikkerhed.

Set fem år frem, hvordan forestiller du dig, at Lumana’s rolle vil udvikle sig i det bredere AI-økosystem – og hvilken indvirkning håber du, at Fysisk AI vil have på brancher som sikkerhed, fremstilling eller smarte byer på det tidspunkt?

Set fem år frem, ser vi Lumana’s rolle udvikle sig som en nøgleaktiver af praktisk Fysisk AI på tværs af brancher. Mens afkodningen af fysikkens grundlæggende love stadig er en videnskabelig gåde, er vores fokus i dag på kundeværdi, udvikling af værktøjer, der tillader organisationer at overvåge og reagere bedre på verden omkring dem, på tværs af enhver anvendelse.

Vi opretholder allerede langsigtede samarbejder med medicinske centre og udforsker udvidelse til mobile platforme som robotteknik og transport. Over tid, da vi vokser og skalerer, har vi også intentioner om at investere i mere grundlæggende forskningsspørgsmål: Kan AI afsløre dybere mønstre i naturen, eller kan det endda hjælpe os med at formulere nye teorier om fysikkens love? Kunne begreber som tidens dimension blive oplyst af læringssystemer?

Vores ambition er at drive impact på tværs af sikkerhed, fremstilling og smarte byer, mens vi holder fast i det større udsyn, presser grænserne for, hvad AI kan hjælpe os med at opdage.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Lumana.