Fredrik Nilsson, Αντιπρόεδρος, Αμερική, Axis Communications – Σειρά Συνεντεύξεων

Fredrik Nilsson, Αντιπρόεδρος, Αμερική, Axis Communications, επιβλέπει τις λειτουργίες της εταιρείας σε όλη τη Βόρεια και Νότια Αμερική, ηγούμενος ομάδων που εστιάζουν στην ανάπτυξη και παροχή λύσεων ασφαλείας βασισμένων σε δίκτυο για συνεργάτες και τελικούς χρήστες. Ένας μακρόχρονος στελεχός της Axis, ο Nilsson έχει διαδραματίσει σημαντικό ρόλο στη μετάβαση του κλάδου ασφαλείας από την αναλογική κλειστή τηλεόραση σε βίντεο IP‑βασισμένο σε δίκτυο. Από τη στιγμή που ανέλαβε την ευθύνη για την Αμερική το 2003, έχει βοηθήσει στην αύξηση των περιφερειακών εσόδων από περίπου 20 εκατομμύρια δολάρια σε πολύ πάνω από 1 δισεκατομμύριο δολάρια και έχει υποστηρίξει την επέκταση των περισσότερων από 20 Axis Experience Centers στην Αμερική. Εντάχθηκε στην Axis το 1996, προηγουμένως ως Διευθυντής Προϊόντος και Διευθυντής Τμήματος στη Σουηδία και αργότερα ως Διευθυντής Επιχειρηματικής Ανάπτυξης, όπου βοήθησε στην ίδρυση συνεργασιών κατά την πρώιμη ανάπτυξη του βίντεο IP. Στην αρχή της καριέρας του, ήταν Διευθυντής Προϊόντος στην ABB, και αυτή τη στιγμή είναι μέλος των διοικητικών συμβουλίων των MSAB και του Swedish‑American Chamber of Commerce στην Washington, D.C.

Axis Communications είναι μια τεχνολογική εταιρεία με έδρα τη Σουηδία, που ειδικεύεται σε έξυπνες φυσικές λύσεις ασφαλείας και δικτυακές λύσεις, συμπεριλαμβανομένων δικτυακών καμερών, συστημάτων παρακολούθησης βίντεο, ελέγχου πρόσβασης, ενσωματωμένων συστημάτων, δικτυακού ήχου, ραντάρ και αναλύσεων. Ιδρύθηκε το 1984 και έχει την έδρα της στο Λούντ, Σουηδία, και απασχολεί περίπου 5.000 άτομα σε περισσότερες από 50 χώρες και αποτελεί μέρος του Canon Group από το 2015. Η εταιρεία παρουσίασε αυτό που περιγράφει ως την πρώτη στο κόσμο δικτυακή κάμερα το 1996 και από τότε έχει επεκτείνει το χαρτοφυλάκιό της από το δίκτυο βίντεο σε μια ευρύτερη σειρά συνδεδεμένων τεχνολογιών ασφαλείας. Τα τρέχοντα προϊόντα της ενσωματώνουν ολοένα και περισσότερο αναλύσεις στο άκρο (edge) και τεχνητή νοημοσύνη για να μετατρέπουν το βίντεο, τον ήχο και τα δεδομένα αισθητήρων σε πρακτικές πληροφορίες για την ασφάλεια, την προστασία, την επιχειρησιακή αποδοτικότητα και την επιχειρηματική νοημοσύνη.

Η καριέρα σας περιλάμβανε απομακρυσμένη παρακολούθηση στην ABB, την πρώιμη ανάπτυξη τεχνολογιών αποθήκευσης δικτύου και Internet of Things, και τη μετάβαση από την αναλογική παρακολούθηση σε βίντεο δικτύου στην Axis Communications. Πώς έχει διαμορφώσει αυτό το υπόβαθρο τον τρόπο σκέψης σας για τη σημερινή μετάβαση προς κάμερες με τεχνητή νοημοσύνη και έξυπνη φυσική υποδομή;

Βλέπω τη μετάβαση προς κάμερες με τεχνητή νοημοσύνη ως το επόμενο βήμα σε μια εξέλιξη της οποίας έχω αποτελέσει μέρος καθ’ όλη τη διάρκεια της καριέρας μου – από τις συνδεδεμένες τεχνολογίες και τη σύγκλιση IP μέχρι το σημερινό έξυπνο άκρο. Ένα κοινό νήμα που διατρέχει όλη την καριέρα μου είναι η βοήθεια στους πελάτες να κατανοήσουν τι μπορούν να κάνουν οι συνδεδεμένες τεχνολογίες για αυτούς. Η ABB ήταν μια εξαιρετική σχολή για μένα. Ήταν μια μεγάλη παγκόσμια εταιρεία, οπότε είχα την ευκαιρία να ταξιδέψω σε όλο τον κόσμο, συμπεριλαμβανομένου ενός έτους στον Καναδά, και να συνεργαστώ με μεγάλους επιχειρηματικούς πελάτες, ιδιαίτερα με εταιρείες παροχής ενέργειας, σε σύνθετα έργα. Ο ρόλος μου ήταν Διευθυντής Προϊόντος για ένα νέο σύστημα απομακρυσμένης παρακολούθησης και ελέγχου συνδεδεμένο μέσω IP. Στην Axis, αργότερα εργάστηκα σε μια νέα κατηγορία συσκευών αποθήκευσης συνδεδεμένων μέσω IP και συνέβαλα στη διάδοση παγκοσμίως του μηνύματος για τα οφέλη των συνδεδεμένων τεχνολογιών. Στη συνέχεια, στα πρώτα χρόνια της σύγκλισης IP, βασιζόμουν στα ίδια αυτά αρχές, βοηθώντας επιχειρηματικούς πελάτες να κατανοήσουν την αξία του βίντεο συνδεδεμένου μέσω δικτύου και τις ευκαιρίες που δημιουργεί η τεχνολογία IP. Έτσι, όταν κοιτάζω τις κάμερες με τεχνητή νοημοσύνη σήμερα, βλέπω ένα ακόμη βήμα στην ίδια εξέλιξη. Η τεχνολογία γίνεται όλο και πιο ικανή, αλλά η πραγματική ευκαιρία παραμένει η σύνδεση των συσκευών, η δημιουργία χρήσιμων δεδομένων και η βοήθεια στους πελάτες να κάνουν περισσότερα με αυτά.

Τι είδους φορτία εργασίας υπολογιστικής όρασης είναι πιο κατάλληλα για εκτέλεση απευθείας σε μια κάμερα, και ποιες εφαρμογές εξακολουθούν να ωφελούνται από επεξεργασία σε τοπικό κέντρο δεδομένων ή στο σύννεφο;

Τα φορτία εργασίας που είναι πιο κατάλληλα για εκτέλεση απευθείας σε μια κάμερα είναι εκείνα που απαιτούν αποφάσεις σε πραγματικό χρόνο, χαμηλή καθυστέρηση και αποδοτική χρήση του εύρους ζώνης. Για παράδειγμα, η ανίχνευση και η ταξινόμηση ανθρώπων ή αντικειμένων, η καταμέτρηση, η παρακολούθηση κίνησης ή η αναγνώριση συγκεκριμένων συμβάντων. Με τεχνολογίες όπως το Axis Object Analytics, οι κάμερες μπορούν να ανιχνεύουν με ακρίβεια ανθρώπους, οχήματα, χρώματα, κατεύθυνση κίνησης και άλλες χαρακτηριστικές πληροφορίες. Μπορούμε επίσης να εκπαιδεύσουμε μια κάμερα για πολύ συγκεκριμένα αντικείμενα ή σενάρια μέσω του Axis Custom Analytics. Καθώς οι αναλύσεις βελτιώνονται, όλο το μεγαλύτερο μέρος αυτής της νοημοσύνης μπορεί να πραγματοποιείται στο άκρο (edge). Σε πολλές περιπτώσεις, η εκτέλεση των αναλύσεων στην κάμερα και η αποστολή μόνο των παραγόμενων δεδομένων ή μεταδεδομένων σε έναν διακομιστή ή στο σύννεφο είναι σημαντική για την κλιμάκωση και το κόστος. Το σύννεφο και οι διακομιστές διατηρούν ακόμη σημαντικό ρόλο, ιδιαίτερα για λειτουργίες όπως η κεντρική διαχείριση, η μακροπρόθεσμη αποθήκευση και η ανάλυση μεταδεδομένων σε μεγάλο αριθμό συσκευών. Δεν το βλέπω ως απόφαση «ή το ένα ή το άλλο». Το άκρο (edge) και το σύννεφο μπορούν να συμπληρώνουν το ένα το άλλο, το καθένα κάνοντας ό,τι του ταιριάζει καλύτερα.

Η υλοποίηση AI στο άκρο απαιτεί ισορροπία μεταξύ της ακρίβειας του μοντέλου και των περιορισμών στην επεξεργαστική ισχύ, τη μνήμη, την κατανάλωση ενέργειας και τη θερμότητα. Πώς οι προόδους στα εξειδικευμένα chip αλλάζουν το τι μπορεί ρεαλιστικά να επιτευχθεί μέσα σε μια κάμερα;

Στην πραγματικότητα υπάρχουν δύο τάσεις που το καθοδηγούν. Πρώτον, η ικανότητα AI του επεξεργαστή στην άκρη βελτιώνεται πολύ γρήγορα. Το ARTPEC-9, το εσωτερικά αναπτυγμένο σύστημα‑σε‑τσίπ μας, έχει τριπλάσια την AI επεξεργαστική ικανότητα του ARTPEC-8, δίνοντάς μας σημαντικά περισσότερο χώρο για να τρέξουμε σύνθετα μοντέλα απευθείας στην κάμερα. Οι μελλοντικές γενιές θα συνεχίσουν να αυξάνουν αυτήν τη δυνατότητα. Δεύτερον, το μέγεθος και η αποτελεσματικότητα των μοντέλων βελτιώνονται. Αυτό είναι όπου έχουμε δει μεγάλη πρόοδο τον τελευταίο χρόνο. Η ομάδα μας R&D έκανε εξαιρετική δουλειά ώστε περισσότερο του μοντέλου να τρέχει απευθείας στην άκρη, έτσι σε πολλές περιπτώσεις χρειάζεται μόνο να χρησιμοποιείτε τα δεδομένα από την κάμερα αντί να στέλνετε το βίντεο κάπου αλλού για επεξεργασία. Πριν από ένα χρόνο, μιλούσαμε για περίπου 50% των αναγκών που εξυπηρετούνταν στην κάμερα. Σήμερα, είναι πιο κοντά στο 90% και αναμένουμε να φτάσει το 95% ή περισσότερο. Η πραγματική πρόοδος δεν είναι μόνο ότι έχουμε πιο ισχυρά τσιπ. Είναι ότι συνδυάζουμε πιο ικανό υλικό με πιο αποδοτικά μοντέλα AI, επιτρέποντας όλο και περισσότερη νοημοσύνη να συμβαίνει απευθείας εκεί που παράγονται τα δεδομένα. Αυτό κάνει τα συστήματα παρακολούθησης πολύ λιγότερο εξαρτημένα από διακομιστές και το σύννεφο για AI.

Οι κάμερες τοποθετούνται όλο και περισσότερο ως αισθητήρες λειτουργίας αντί μόνο ως συσκευές ασφαλείας. Ποιες εφαρμογές στον λιανικό εμπόριο, τις μεταφορές, την υγειονομική περίθαλψη, την παραγωγή ή τη λογιστική εφοδιαστικής αλυσίδας παρέχουν αυτή τη στιγμή την πιο σαφή επιχειρηματική αξία;

Η παραγωγή είναι ένα πολύ καλό παράδειγμα επειδή η αξία μπορεί να συνδεθεί άμεσα με τη λειτουργία. Η BMW Group, για παράδειγμα, χρησιμοποιεί δικτυακές κάμερες ως μέρος του συστήματος ελέγχου ποιότητας που βασίζεται σε AI για να καταγράφει λεπτομερείς εικόνες των οχημάτων σε πραγματικό χρόνο και να εντοπίζει ελαττώματα. Αυτό είναι ένας πολύ διαφορετικός ρόλος για μια κάμερα από το απλό άμεσο καταγραφή ενός περιστατικού. Παρατηρούμε επίσης αυξανόμενη χρήση βίντεο για λειτουργική αποδοτικότητα και επιχειρηματική ευφυΐα σε ευρύτερο επίπεδο. Στις μεταφορές και τη λογιστική εφοδιαστικής αλυσίδας, οι κάμερες μπορούν να βοηθήσουν τις οργανώσεις να κατανοήσουν πώς κινούνται άνθρωποι, οχήματα και εμπορεύματα μέσα σε μια εγκατάσταση. Στον λιανικό εμπόριο, το βίντεο μπορεί να προσφέρει πληροφορίες σχετικά με τη συμπεριφορά των πελατών, τη χρήση του χώρου και το προσωπικό. Το κοινό θέμα είναι ότι η κάμερα παράγει πληροφορίες που μπορούν να χρησιμοποιηθούν για τη βελτίωση μιας διαδικασίας, όχι μόνο για την καταγραφή του τι συνέβη.

Πώς ο συνδυασμός βίντεο με ανάλυση ήχου, ραντάρ, συστήματα ελέγχου πρόσβασης και περιβαλλοντικούς αισθητήρες δημιουργεί πληροφορίες που δεν θα ήταν δυνατές μόνο από οπτικά δεδομένα;

Όσο περισσότερο συμφραζόμενο μπορείτε να συγκεντρώσετε, τόσο καλύτερα το σύστημα μπορεί να καταλάβει τι συμβαίνει. Όταν συνδυάζετε διαφορετικές εισόδους, μπορείτε να αποκτήσετε πληροφορίες που θα ήταν δύσκολο, και μερικές φορές αδύνατο, να εξαχθούν μόνο από το βίντεο. Για παράδειγμα, μπορείτε να συνδυάσετε την εμφάνιση ενός αντικειμένου με την κίνησή του, ή να χρησιμοποιήσετε θερμικές και οπτικές πληροφορίες μαζί όταν ο φωτισμός ή η ορατότητα είναι δύσκολες. Το ραντάρ μπορεί να προσθέσει πληροφορίες για την κίνηση και την ταχύτητα ενός αντικειμένου, ο ήχος μπορεί να εντοπίσει ήχους ή να παρέχει διπλής κατεύθυνσης επικοινωνία, και οι περιβαλλοντικοί αισθητήρες μπορούν να προσφέρουν πρόσθετο συμφραζόμενο σχετικά με το τι συμβαίνει στο περιβάλλον. Πολλοί αισθητήρες μπορούν επίσης να αυξήσουν την εμπιστοσύνη σε ό,τι το σύστημα ή ο χρήστης ανιχνεύει. Ο συνδυασμός τεχνολογίας είναι εξαιρετικά σημαντικός για την προστασία βασικών τομέων της ζωής, όπως η κρίσιμη υποδομή.

Βρισκόμαστε ήδη σε αυτήν την κατεύθυνση. Στο GSX, για παράδειγμα, παρουσιάσαμε λύσεις που συνδυάζουν οπτική, θερμική, ραντάρ, ηχητική και περιβαλλοντική ανίχνευση. Ο στόχος είναι να συγκεντρώσουμε τα σωστά δεδομένα ώστε οι οργανισμοί να λαμβάνουν πιο γρήγορες και καλύτερα ενημερωμένες αποφάσεις. Αυτό είναι ιδιαίτερα σημαντικό για εφαρμογές όπως η προστασία κρίσιμης υποδομής, όπου η ύπαρξη πολλαπλών πηγών πληροφορίας μπορεί να προσφέρει μια πιο ολοκληρωμένη εικόνα του τι συμβαίνει.

Η επεξεργασία στην άκρη μπορεί να μειώσει την ποσότητα του ακατέργαστου βίντεο που χρειάζεται να μεταδοθεί ή να αποθηκευτεί, αλλά οι κάμερες με AI εξακολουθούν να θέτουν σημαντικά ερωτήματα σχετικά με το απόρρητο και τη διακυβέρνηση. Ποια αρχές πρέπει να ακολουθούν οι οργανισμοί όταν σχεδιάζουν συστήματα που είναι χρήσιμα χωρίς να συλλέγουν περισσότερα προσωπικά δεδομένα από τα απαραίτητα;

Το σημείο εκκίνησης πρέπει να είναι η ερώτηση τι πρέπει πραγματικά να επιτύχει το σύστημα και η συλλογή μόνο των πληροφοριών που είναι απαραίτητες για αυτόν τον σκοπό. Το απόρρητο και η διαφάνεια είναι επίσης σημαντικά. Οι άνθρωποι θέλουν να κατανοήσουν γιατί χρησιμοποιείται το βίντεο και πώς διαχειρίζονται οι πληροφορίες τους. Η πρόσφατη έρευνά μας δείχνει ότι οι άνθρωποι γίνονται πιο άνετοι με την παρακολούθηση βίντεο, αλλά αυτή η αποδοχή δεν μπορεί να θεωρηθεί δεδομένη. Οι μεγαλύτερες ανησυχίες σχετικά με την παρακολούθηση με AI είναι τα ψευδή θετικά ή οι ανακριβείς πληροφορίες και η πιθανή κακή χρήση ή κακή διαχείριση των δεδομένων. Αυτό επιβάλλει πραγματική ευθύνη στις οργανώσεις και τους παρόχους τεχνολογίας να ενσωματώσουν το απόρρητο και την ασφάλεια στα συστήματα από την αρχή. Η επεξεργασία στην άκρη μπορεί να βοηθήσει εδώ, επειδή μπορείτε να αναλύετε τις πληροφορίες τοπικά και να στέλνετε μόνο τα δεδομένα που χρειάζονται, αντί να μετακινείτε συνεχόμενο ακατέργαστο βίντεο στο δίκτυο.

Η φυσική υποδομή μπορεί να παραμείνει εγκατεστημένη για πολλά χρόνια, ενώ τα μοντέλα AI και οι απειλές κυβερνοασφάλειας εξελίσσονται γρήγορα. Πώς πρέπει να σχεδιάζονται οι κάμερες και άλλες συσκευές στην άκρη ώστε οι αναλύσεις τους να παραμένουν ασφαλείς, συντηρήσιμες και προσαρμόσιμες καθ’ όλη τη διάρκεια της λειτουργικής τους ζωής;

Αυτή είναι μία από τις αιτίες για τις οποίες θεωρώ την κάμερα μέρος της ευρύτερης υποδομής IT και λειτουργικής, αντί για μια αυτόνομη συσκευή ασφαλείας. Η κυβερνοασφάλεια πρέπει να ενσωματώνεται στη συσκευή από την αρχή, με ασφαλή λογισμικό, τακτικές ενημερώσεις και ισχυρές προστασίες κυβερνοασφάλειας καθ’ όλη τη διάρκεια του κύκλου ζωής της. Στην Axis, για παράδειγμα, το Edge Vault παρέχει μια υλιστική βάση για την προστασία της ακεραιότητας της συσκευής, την ασφάλιση κρυπτογραφικών κλειδιών και τη δημιουργία μιας αλυσίδας εμπιστοσύνης. Υποστηρίζει επίσης δυνατότητες όπως ασφαλή εκκίνηση και υπογεγραμμένο λογισμικό, βοηθώντας να διασφαλιστεί ότι μόνο αξιόπιστο λογισμικό εκτελείται στη συσκευή.

Η συσκευή χρειάζεται επίσης μια αρχιτεκτονική που μπορεί να προσαρμοστεί καθώς οι αναλύσεις και οι απαιτήσεις των πελατών αλλάζουν. Οι ανοιχτές πλατφόρμες είναι σημαντικές εδώ επειδή επιτρέπουν στις οργανώσεις να ενσωματώνουν νέες εφαρμογές και τεχνολογίες αντί να πρέπει να αντικαθιστούν ολόκληρο σύστημα κάθε φορά που κάτι εξελίσσεται. Ταυτόχρονα, οι οργανώσεις χρειάζονται καλή διακυβέρνηση γύρω από τις συνδεδεμένες συσκευές τους. Καθώς περισσότερα βίντεο, αισθητήρες και επιχειρηματικά συστήματα συγκεντρώνονται, η κυβερνοασφάλεια και η προστασία δεδομένων πρέπει να θεωρούνται μέρος του συνολικού σχεδιασμού του συστήματος, όχι κάτι που προστίθεται αργότερα.

Axis υποστηρίζει ένα ανοικτό οικοσύστημα εφαρμογών που επιτρέπει σε τρίτους προγραμματιστές να δημιουργούν και να αναπτύσσουν εξειδικευμένες αναλύσεις στις συσκευές του. Πόσο σημαντικές θα είναι οι ανοιχτές πλατφόρμες και η διαλειτουργικότητα καθώς οι οργανώσεις επιδιώκουν να τρέχουν τα δικά τους μοντέλα σε μεγάλους στόλους καμερών;

Πιστεύω ότι θα είναι εξαιρετικά σημαντικό. Οι πελάτες δεν θέλουν να δεσμευτούν σε μία τεχνολογία ή σε έναν τρόπο λειτουργίας, ειδικά καθώς η τεχνητή νοημοσύνη και οι αναλύσεις εξελίσσονται τόσο γρήγορα. Μια ανοικτή πλατφόρμα διευκολύνει την ενσωμάτωση των καμερών με άλλα συστήματα, την εισαγωγή εξειδικευμένων εφαρμογών και την κλιμάκωση σε μια μεγάλη υλοποίηση. Παρέχει επίσης μεγαλύτερη ευελιξία στους πελάτες καθώς οι ανάγκες τους αλλάζουν. Με την εξάλειψη του vendor lock‑in και την απλοποίηση της ενσωμάτωσης, τα ανοικτά, διαλειτουργικά οικοσυστήματα καθιστούν πιο εύκολη την κλιμάκωση των έξυπνων edge λύσεων ενώ προσαρμόζονται στις μεταβαλλόμενες επιχειρηματικές απαιτήσεις. Τελικά, η αξία δεν βρίσκεται μόνο στην ίδια την κάμερα. Βρίσκεται στον τρόπο που η κάμερα, οι αισθητήρες, οι αναλύσεις και οι επιχειρηματικές εφαρμογές συνεργάζονται.

Πώς πρέπει οι οργανώσεις να αξιολογούν την απόδοση των συστημάτων υπολογιστικής όρασης μετά την υλοποίηση, ιδιαίτερα όταν ο φωτισμός, η θέση της κάμερας, η ανθρώπινη συμπεριφορά ή οι συνθήκες λειτουργίας μπορεί να αλλάξουν και να επηρεάσουν την ακρίβεια;

Όλα εξαρτώνται από τη χρήση, αλλά το πιο σημαντικό είναι να δοκιμάζονται οι κάμερες και τα μοντέλα τεχνητής νοημοσύνης στο πραγματικό περιβάλλον όπου θα χρησιμοποιηθούν. Μπορείτε να έχετε ένα μοντέλο που αποδίδει πολύ καλά σε ελεγχόμενες συνθήκες, αλλά η πραγματική δοκιμή είναι τι συμβαίνει με τον πραγματικό φωτισμό, τη θέση της κάμερας, τον καιρό, το φόντο και τη συμπεριφορά που παρατηρείται στον χώρο. Γι’ αυτό ενθαρρύνουμε τους πελάτες να αξιολογούν αναλύσεις όπως το Axis Object Analytics ή το Axis Custom Analytics στο πραγματικό περιβάλλον και να διασφαλίζουν ότι η ακρίβεια είναι αρκετά υψηλή για την εφαρμογή. Το εργοστάσιο της BMW αποτελεί καλό παράδειγμα αυτής της προσέγγισης. Οι κάμερες χρησιμοποιούνται σε πραγματικό παραγωγικό περιβάλλον, όπου η ποιότητα των εικόνων και των προκύπτουσων αναλύσεων πρέπει να υποστηρίζουν μια πραγματική διαδικασία κατασκευής.

Καθώς η edge AI γίνεται πιο ικανή, πώς αναμένετε ότι θα εξελιχθεί ο ρόλος της δικτυακής κάμερας την επόμενη δεκαετία, και ποιες νέες δυνατότητες θα μπορούσαν να εμφανιστούν καθώς οι κάμερες γίνονται ενεργά στοιχεία έξυπνων, ανταποκρινόμενων περιβαλλόντων;

Η δικτυακή κάμερα γίνεται πολύ πιο κεντρική για το σύστημα. Δεν είναι πια μόνο μια κάμερα που παράγει βίντεο. Είναι ένας αισθητήρας που παράγει δεδομένα τα οποία μπορούν να αναλυθούν και να μοιραστούν μεταξύ διαφορετικών συστημάτων. Καθώς η επεξεργαστική ισχύς συνεχίζει να αυξάνεται, αναμένω ότι οι κάμερες θα γίνουν ακόμη καλύτερες στην κατανόηση του τι συμβαίνει στο περιβάλλον τους και στην παροχή χρήσιμων πληροφοριών σε πραγματικό χρόνο. Αυτή είναι η ιδέα πίσω από το Scene Intelligence, όπου η κάμερα μπορεί να χρησιμοποιήσει μια βαθύτερη κατανόηση της σκηνής για να παρέχει πιο ουσιαστικές πληροφορίες σχετικά με αντικείμενα, τα χαρακτηριστικά τους και το τι συμβαίνει γύρω τους.

Αυτό θα μπορούσε να σημαίνει πιο προηγμένη ανίχνευση αντικειμένων και συμπεριφορών, μεγαλύτερη ενσωμάτωση με άλλους αισθητήρες και επιχειρηματικά συστήματα, και περισσότερη αυτοματοποίηση σχετικά με το πώς οι οργανώσεις ανταποκρίνονται σε γεγονότα. Η μεγαλύτερη αλλαγή είναι ότι το βίντεο γίνεται ένα μέρος ενός ευρύτερου επιπέδου δεδομένων και νοημοσύνης. Η κάμερα εξακολουθεί να καταγράφει τι συμβαίνει, αλλά όλο και περισσότερο μπορεί επίσης να βοηθήσει στην εξήγηση του τι συμβαίνει και τι μπορεί να θέλει να κάνει μια οργάνωση στη συνέχεια.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν Axis Communications.