Ofir Mulla, Co-Fundador y CTO de Lumana – Serie de Entrevistas

Ofir Mulla, Co-Fundador y CTO de Lumana, aporta más de una década de experiencia profunda en tecnologías 3D y visión por computadora, habiendo sido pionero y escalado soluciones en modalidades de luz codificada, estéreo y LiDAR mientras lideraba el desarrollo interdisciplinario en software, sistemas eléctricos, robótica, ML/AI y dispositivos médicos. Antes de su cargo actual en Lumana, pasó casi 15 años en Intel donde diseñó la plataforma 3D RealSense y lideró equipos que abarcaban hardware, firmware y arquitectura de sistema.

Lumana es una empresa de seguridad de video y inteligencia visual avanzada cuya plataforma transforma las cámaras existentes en agentes inteligentes y perceptivos al aprovechar el AI para detectar y responder a eventos del mundo real en tiempo real, desde el acceso no autorizado y violaciones de seguridad hasta información operativa, lo que permite a las empresas en educación, gobierno, retail, fabricación y hostelería unificar la inteligencia de la cámara, automatizar el monitoreo y desbloquear análisis accionables de su infraestructura de video.

¿Cómo te prepararon tus experiencias en Intel para Lumana y la fundación de la empresa?

La tecnología LiDAR fue una parte fundamental de RealSense, un método activo de proyección de luz láser para capturar la geometría del mundo. Es una hermosa pieza de tecnología de luz codificada que nuestros brillantes ingenieros en Intel inventaron. La detección de geometría es crítica para objetos en movimiento, como robots y coches, por lo que la mayoría de los sistemas robóticos de hoy dependen de dispositivos RealSense.

Pero surgió una pregunta: ¿qué sucede cuando los sensores son estacionarios, donde la navegación y el tiempo de impacto no son las tareas principales? Nos preguntamos a nosotros mismos qué tecnología podría proporcionar el mayor valor a los usuarios en ese contexto.

A través de profundas discusiones, nos dimos cuenta de que la mayoría de los sistemas de cámara estacionarios existentes no se pueden escalar de manera natural. Monitorear cada sistema es engorroso. Al mismo tiempo, el AI había madurado hasta el punto en que comenzamos a preguntarnos: ¿cómo puede un sistema asequible en el sitio del cliente entregar las respuestas de seguridad más urgentes y confiables a alertas críticas?

Construímos un equipo de AI fuerte que rápidamente transformó esta visión en un producto funcional. La idea fue simple: los vehículos en movimiento demandan detección geométrica, pero los sensores estacionarios, centrados en monitorear el comportamiento en lugar de planificar el movimiento, se benefician más del análisis de video avanzado sin reconstrucción geométrica explícita.

El viaje de RealSense me enseñó que cada problema requiere su propia solución y que la verdadera disruptión exige innovación. Mi equipo en Lumana encarna este principio: profesional, innovador y motivado. Juntos hemos creado un sistema en tiempo real que lleva el rendimiento de la nube al borde, asequible, escalable y respondiente.

¿Cómo va más allá del análisis de video tradicional la Inteligencia Física, como la detección de objetos y la etiquetado de patrones?

Cuando hablamos de Inteligencia Física, nos referimos a un sistema de AI que no se detiene en la percepción, sino que interactúa activamente con el mundo real. El análisis de video tradicional, como la detección de objetos o la etiquetado de patrones, es solo la primera capa. El desafío más profundo es lo que viene después: organizar, rastrear, agregar, identificar, recuperar, buscar y verificar los objetos detectados y acelerar la respuesta. También incluye habilitar el acceso basado en texto e incluso buscar objetos que el sistema no estaba originalmente diseñado para detectar.

Todo esto debe lograrse dentro de un dispositivo de computación compacto y asequible. Es ahí donde la Inteligencia Física va más allá del análisis tradicional: transforma la detección cruda en inteligencia accionable y accesible. No se trata de descubrir las leyes de la física, una búsqueda científica aún debatida, sino de proporcionar formas prácticas y eficientes de acceder y actuar sobre el contenido visual y de audio en entornos del mundo real.

¿Cuáles son los pilares técnicos que permiten a Lumana fusionar datos de múltiples cámaras, interpretar el comportamiento en tiempo real y adaptarse continuamente según las entradas contextuales e históricas?

Buena pregunta. Uno de nuestros pilares técnicos fundamentales es la capacidad del sistema en el sitio para adaptarse continuamente a la escena que observa, lo que ahora se conoce como aprendizaje continuo. Puedes pensar en ello como un sistema que evoluciona con su entorno, mejorando con el tiempo. Este enfoque nos ha permitido entregar un rendimiento alto con un costo muy bajo y una agilidad excepcional.

Otro pilar clave es nuestra arquitectura jerárquica, que escalona inteligentemente el esfuerzo computacional solo cuando se requiere. Esto garantiza que las acciones complejas reciban los recursos que necesitan sin sobrecargar todo el sistema.

Tomados en conjunto, estos principios forman una plataforma que es simple, eficiente y altamente escalable, lo que permite a los usuarios experimentar poderosas perspectivas en tiempo real e interpretación del comportamiento al menor costo posible.

¿Puedes compartir uno o dos despliegues en el mundo real donde el sistema de Lumana detectó eventos como la escalada de violencia, violaciones de límites de seguridad o merodeo, y explicar el impacto que tuvieron en la seguridad o la respuesta operativa?

Los despliegues de Lumana en ciudades muestran mejoras claras en la conciencia y la respuesta en tiempo real. En una ciudad importante de Israel, el sistema transformó una red de video existente en una capa de alerta temprana inteligente que detectó merodeo en zonas restringidas, anomalías de multitudes, intrusiones después del horario y movimientos erráticos. Esto llevó a menos intrusiones, redujo el vandalismo y permitió una intervención más rápida en áreas de alto riesgo.

Un municipio estadounidense vio ganancias similares en un distrito histórico que luchaba con el vandalismo, roturas de coches, disturbios y merodeo. Lumana entregó monitoreo continuo y alertas inmediatas, lo que permitió patrullas proactivas y una respuesta más rápida. Esto resultó en espacios públicos más seguros y menos desperdicio operativo para la ciudad.

Estos ejemplos ilustran cómo la detección en tiempo real del comportamiento, como el merodeo y las violaciones de límites, fortalece la seguridad pública y optimiza las operaciones.

Con sistemas de AI que interpretan el comportamiento físico sensible, ¿qué salvaguardas de privacidad se incorporan en tus procesos de diseño y despliegue?

La tecnología y el diseño de Lumana enfatizan la gobernanza sólida y el movimiento mínimo de datos. El procesamiento se realiza en el borde, siempre que sea posible, para limitar la exposición y fortalecer la privacidad. El acceso está restringido a través de controles claros y registros de auditoría para que los equipos puedan seguir cada flujo de trabajo. El sistema mantiene el video local, compartiendo solo los metadatos necesarios, lo que respalda las expectativas de privacidad en entornos regulados.

Estas salvaguardas garantizan que los datos visuales sensibles se manejen de manera responsable, manteniendo al mismo tiempo el rendimiento necesario para las operaciones en tiempo real.

¿Qué impulsa tu arquitectura híbrida-nube, y cómo apoya el procesamiento en tiempo real y el aprendizaje continuo?

Lumana utiliza un enfoque híbrido para combinar el rendimiento de los sistemas en el sitio con la flexibilidad de la nube. El procesamiento en el borde entrega AI, almacenamiento y gestión de video localmente por defecto. Esto reduce las demandas de ancho de banda y fortalece la privacidad, mientras aún permite el soporte de la nube cuando se necesite para una coordinación o aprendizaje más amplios a través de despliegues.

Esta arquitectura proporciona a los usuarios una respuesta inmediata, manteniendo al mismo tiempo la capacidad de escalar y mejorar a través de la adaptación continua en sitios múltiples.

¿Cómo se diseñó la capacidad de autoaprendizaje, y cómo mejora con el tiempo en despliegues de múltiples sitios?

La arquitectura de nuestra capacidad de autoaprendizaje se construyó alrededor de la escala. Cuantos más sitios despleguemos, más amplia será nuestra perspectiva a lo largo del paisaje de dispositivos de borde. Cada nuevo entorno contribuye con datos frescos, expandiendo la diversidad de escenarios y escenas que el sistema puede aprender.

Nuestra metodología de aprendizaje continuo aprovecha este conocimiento colectivo. A medida que el sistema se perfecciona a través de despliegues, el proceso de entrenamiento en línea se vuelve más simple y eficiente. En términos prácticos, cuanto más amplio sea el despliegue, más rápido y preciso será la adaptación, lo que resulta en un sistema que mejora continuamente con el tiempo en todos los sitios.

¿A quién consideras tus principales competidores o colaboradores en este espacio, y qué hace que Lumana sea única?

Nuestra verdadera singularidad radica en nuestra gente. Detrás de Lumana está un equipo de ingenieros y innovadores brillantes, comenzando con nuestro grupo de AI, apoyado por nuestros especialistas en nube, diseñadores de UX/UI y fortalecidos por el soporte al cliente y las ventas. Mientras que el AI forma la columna vertebral de nuestra tecnología, es nuestro motor humano lo que impulsa nuestro éxito. La creatividad, profesionalismo y dedicación de nuestro equipo son lo que distingue a Lumana, ya sea en competencia o colaboración.

Lumana enfatiza “Pensar a lo grande”, “El cliente primero”, “Un equipo” y “Dominar tu oficio”. ¿Cómo operacionalizas esos valores en la contratación, el desarrollo de productos y la vida diaria?

Contratamos innovadores que piensan a lo grande, resuelven problemas, colaboran y se comprometen con el crecimiento.

Los equipos de productos desarrollan AI escalable con una visión ambiciosa, iteran a través de la retroalimentación del cliente, fomentan el trabajo colaborativo y aspiran a la excelencia.

Las operaciones diarias utilizan métodos ágiles para permitir ideas audaces, priorizar las necesidades del cliente, construir la unidad del equipo y apoyar el desarrollo profesional.

Estas prácticas impulsan la innovación, el éxito del cliente y el impacto en el AI de seguridad de video.

Mirando hacia adelante cinco años, ¿cómo ves evolucionar el papel de Lumana en el ecosistema de AI más amplio, y qué impacto esperas que la Inteligencia Física tenga en industrias como la seguridad, la fabricación o las ciudades inteligentes para entonces?

Mirando cinco años hacia adelante, vemos el papel de Lumana evolucionando como un habilitador clave de Inteligencia Física práctica en diversas industrias. Mientras que descifrar las leyes fundamentales de la física sigue siendo un enigma científico, nuestro enfoque hoy se centra en el valor para el cliente, desarrollando herramientas que permitan a las organizaciones monitorear y responder mejor al mundo que los rodea, en cualquier aplicación.

Ya mantenemos colaboraciones a largo plazo con centros médicos y exploramos la expansión hacia plataformas móviles como la robótica y el transporte. Con el tiempo, a medida que crecemos y escalamos, también pretendemos invertir en preguntas de investigación más fundamentales: ¿puede el AI descubrir patrones más profundos en la naturaleza, o incluso ayudarnos a formular nuevas teorías sobre las leyes de la física? ¿Podrían conceptos como la dimensionalidad del tiempo ser iluminados por sistemas de aprendizaje?

Nuestra ambición es impulsar el impacto en la seguridad, la fabricación y las ciudades inteligentes, manteniendo al mismo tiempo la vista en el horizonte más amplio, empujando los límites de lo que el AI puede ayudarnos a descubrir en última instancia.

Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar Lumana.