Fredrik Nilsson, Varapuheenjohtaja, Amerikka, Axis Communications – Haastattelusarja

Fredrik Nilsson, Varapuheenjohtaja, Amerikka, Axis Communications, valvoo yrityksen toimintoja Pohjois- ja Etelä-Amerikassa, johtaa tiimejä, jotka keskittyvät verkkoon perustuvien turvaratkaisujen kehittämiseen ja toimittamiseen kumppaneille ja loppukäyttäjille. Pitkäaikainen Axis‑johtaja, Nilsson on näytellyt merkittävää roolia turvallisuusalan siirtymisessä analogisesta suljetun piirin televisiosta IP‑pohjaiseen verkko‑videoon. Kun hän otti vastuun Amerikoista vuonna 2003, hän auttoi kasvattamaan alueen liikevaihtoa noin 20 miljoonasta dollarista yli 1 miljardiin dollariin ja tuki yli 20 Axis Experience Centerin laajentamista Amerikoilla. Hän liittyi Axis‑yritykseen vuonna 1996, toimi aiemmin tuotepäällikkönä ja divisioonapäällikkönä Ruotsissa ja myöhemmin liiketoiminnan kehitysjohtajana, jossa hän auttoi kumppanuuksien luomisessa IP‑videon varhaisessa kehitysvaiheessa. Aikaisemmin urallaan hän toimi tuotepäällikkönä ABB:ssä, ja hän toimii nykyisin MSAB:n ja Swedish-American Chamber of Commerce -kauppakamarin hallituksissa Washington, D.C.:ssä.

Axis Communications on Ruotsissa toimiva teknologiayritys, joka on erikoistunut älykkääseen fyysiseen turvallisuuteen ja verkkoratkaisuihin, mukaan lukien verkkokamerat, videovalvontajärjestelmät, kulunvalvonta, ovikellot, verkkoääni, tutka ja analytiikka. Yritys perustettiin vuonna 1984 ja sen pääkonttori sijaitsee Lundissa, Ruotsi, ja Axis työllistää noin 5 000 henkilöä yli 50 maassa, ja se on ollut osa Canon Groupia vuodesta 2015. Yritys esitteli sen mukaan maailman ensimmäisen verkkokameran vuonna 1996, ja sen jälkeen se on laajentanut toimintaansa verkko‑videosta laajempaan yhdistettyjen turvateknologioiden valikoimaan. Nykyiset tuotteet sisältävät yhä enemmän reunaan sijoittuvaa analytiikkaa ja tekoälyä, jotka muuntavat video‑, ääni‑ ja anturidataa toimiviksi oivalluksiksi turvallisuuden, turvallisuuden, operatiivisen tehokkuuden ja liiketoimintatiedon osalta.

Urapolkusi on kattaa etävalvonnan ABB:ssä, verkkoon liitetyn tallennustilan ja esineiden internetin (IoT) teknologioiden varhaisen kehityksen sekä siirtymän analogisesta valvonnasta verkko‑videoon Axis Communicationsissa. Miten tämä tausta on muokannut ajatteluasi nykyisestä siirtymästä tekoälyllä varustettuihin kameroihin ja älykkääseen fyysiseen infrastruktuuriin?

Näen siirtymisen tekoälyllä varustettuihin kameroihin seuraavana askeleena kehityksessä, jonka olen ollut mukana urani aikana – yhdistetystä teknologiasta ja IP‑konvergenssista nykyiseen älykkääseen reunaan. Yhteinen teema urani läpi on ollut auttaa asiakkaita ymmärtämään, mitä yhdistetty teknologia voi heille tarjota. ABB oli minulle erinomainen oppilaitos. Se oli suuri globaali yritys, joten sain mahdollisuuden matkustaa maailmalla, mukaan lukien vuosi Kanadassa, ja työskennellä suurten yritysasiakkaiden, erityisesti energiayhtiöiden, kanssa monimutkaisissa projekteissa. Roolini oli tuotepäällikkö uudelle IP‑yhdistetylle etävalvonta‑ ja ohjausjärjestelmälle. Axisilla työskentelin myöhemmin uudessa IP‑yhdistetyjen tallennuslaitteiden kategoriassa ja autoin levittämään viestiä maailmanlaajuisesti yhdistetyn teknologian eduista. Sitten, IP‑konvergenssin alkuvaiheessa, rakensin näitä samoja periaatteita, auttaen yritysasiakkaita ymmärtämään verkkoon liitetyn videon arvon ja IP‑teknologian luomat mahdollisuudet. Kun tarkastelen tänään tekoälyllä varustettuja kameroita, näen jälleen yhden askeleen samassa kehityksessä. Teknologia kehittyy yhä kykenevämmäksi, mutta todellinen mahdollisuus on edelleen laitteiden yhdistämisessä, hyödyllisen datan tuottamisessa ja asiakkaiden auttamisessa hyödyntämään sitä paremmin.

Millaiset tietokonevision työkuormat soveltuvat parhaiten suoraan kamerassa suoritettaviksi, ja mitkä sovellukset hyötyvät edelleen paikallisessa datakeskuksessa tai pilvessä käsittelemisestä?

Parhaiten suoraan kamerassa suoritettaviksi soveltuvat työkuormat ovat ne, joissa tarvitaan reaaliaikaisia päätöksiä, alhaista viivettä ja tehokasta kaistanleveyden käyttöä. Esimerkiksi ihmisten tai esineiden havaitseminen ja luokittelu, laskenta, liikkeen seuranta tai tiettyjen tapahtumien tunnistaminen. Teknologioiden, kuten Axis Object Analyticsin, avulla kamerat voivat tarkasti havaita ihmisiä, ajoneuvoja, värejä, liikkumisdirektiiviä ja muita ominaisuuksia. Voimme myös kouluttaa kameraa erittäin erityisiin kohteisiin tai tilanteisiin Axis Custom Analyticsin kautta. Kun analytiikka kehittyy edelleen, yhä enemmän tätä älykkyyttä voidaan toteuttaa reunalla. Monissa käyttötapauksissa analytiikan suorittaminen kamerassa ja vain tuloksellisen datan tai metatiedon lähettäminen palvelimelle tai pilveen on tärkeää skaalautuvuuden ja kustannusten kannalta. Pilvellä ja palvelimilla on edelleen tärkeä rooli, erityisesti keskitetyn hallinnan, pitkäaikaisen tallennuksen ja metatiedon analysoinnin osalta suurissa laitemäärissä. En näe tätä valintana joko‑tai. Reuna ja pilvi voivat täydentää toisiaan, kukin tekemällä sen, mihin se on parhaiten soveltuva.

Tekoälyn käyttöönotto reunalla edellyttää mallin tarkkuuden tasapainottamista rajoitteiden, kuten prosessointitehon, muistin, energian kulutuksen ja lämmön, kanssa. Miten erikoispiirien kehitys muuttaa sitä, mitä kameraan sisällä voidaan realistisesti saavuttaa?

Todellisuudessa on kaksi trendiä, jotka ohjaavat tätä. Ensinnäkin reunaprosessorin AI-kapasiteetti paranee erittäin nopeasti. ARTPEC-9, sisäisesti kehittämämme järjestelmäpiiri, omaa kolminkertaisen AI-laskentakapasiteetin ARTPEC-8:aan verrattuna, mikä antaa meille merkittävästi enemmän tilaa ajaa kehittyneitä malleja suoraan kamerassa. Tulevat sukupolvet jatkavat tämän kyvyn kasvattamista. Toiseksi mallien koko ja tehokkuus paranevat. Tässä olemme nähneet paljon edistystä viimeisen vuoden aikana. T&K-tiimimme on tehnyt upeaa työtä saadakseen yhä enemmän mallia suoritettavaksi suoraan reunalla, joten monissa tilanteissa riittää käyttää kameran dataa sen sijaan, että video lähetettäisiin muualla käsiteltäväksi. Vuosi sitten puhuimme, että noin 50 % tarpeista hoidetaan kamerassa. Tänään se on lähempänä 90 % ja odotamme, että se nousee 95 %:iin tai enemmän. Todellinen läpimurto ei ole pelkästään voimakkaampien sirujen olemassaolo. Se on se, että yhdistämme kykenevämmän laitteiston tehokkaampiin AI-malleihin, mikä mahdollistaa yhä enemmän älykkyyttä tapahtumaan juuri siellä, missä data syntyy. Tämä tekee valvontajärjestelmistä paljon vähemmän riippuvaisia palvelimista ja pilvestä AI:n osalta.

Kamerat asemoidaan yhä enemmän operatiivisiksi antureiksi sen sijaan, että ne olisivat pelkästään turvallisuuslaitteita. Mitkä sovellukset vähittäiskaupassa, liikenteessä, terveydenhuollossa, valmistuksessa tai logistiikassa tuottavat tällä hetkellä selkeintä liiketoiminta-arvoa?

Valmistus on erinomainen esimerkki, koska arvo voidaan sitoa suoraan toimintaan. BMW Group käyttää esimerkiksi verkkokameroita osana AI-pohjaista laadunvalvontajärjestelmää, joka tallentaa yksityiskohtaisia kuvia ajoneuvoista reaaliaikaisesti ja tunnistaa viat. Tämä on hyvin erilainen rooli kameralle kuin pelkkä tapahtuman tallentaminen. Havaimme myös videon kasvavaa käyttöä operatiivisen tehokkuuden ja liiketoimintatiedon tukena laajemmin. Liikenteessä ja logistiikassa kamerat voivat auttaa organisaatioita ymmärtämään, miten ihmiset, ajoneuvot ja tavarat liikkuvat tilassa. Vähittäiskaupassa video voi tarjota oivalluksia asiakaskäyttäytymisestä, tilankäytöstä ja henkilöstöresursseista. Yhteinen teema on, että kamera tuottaa tietoa, jota voidaan käyttää prosessin parantamiseen, eikä pelkästään tallentaa tapahtunutta.

Miten videon yhdistäminen ääni-analytiikkaan, tutkaan, kulunvalvontajärjestelmiin ja ympäristön sensoreihin luo oivalluksia, joita ei voisi saada pelkästä visuaalisesta datasta?

Mitä enemmän kontekstia pystyt yhdistämään, sitä paremmin järjestelmä ymmärtää, mitä tapahtuu. Kun yhdistät erilaisia syötteitä, saat oivalluksia, jotka olisivat vaikeita ja joskus mahdottomia saada pelkän videon perusteella. Esimerkiksi voit yhdistää objektin ulkonäön sen liikkeeseen tai käyttää lämpö- ja visuaalitietoa yhdessä, kun valaistus tai näkyvyys on haastavaa. Tutka voi lisätä tietoa kohteen liikkeestä ja nopeudesta, ääni voi tunnistaa äänet tai tarjota kaksisuuntaista viestintää, ja ympäristön sensorit voivat antaa lisäkontekstia siitä, mitä ympäristössä tapahtuu. Useat sensorit voivat myös lisätä luottamusta siihen, mitä järjestelmä tai käyttäjä havaitsee. Teknologioiden yhdistäminen on äärimmäisen tärkeää suojella elintärkeitä alueita, kuten kriittistä infrastruktuuria.

Olemme jo menossa tähän suuntaan. GSX:ssä, esimerkiksi, esittelimme ratkaisuja, jotka yhdistävät visuaalisen, lämpö-, tutka-, ääni- ja ympäristötunnistuksen. Tavoitteena on kerätä oikea data, jotta organisaatiot voivat tehdä nopeampia ja paremmin informoituja päätöksiä. Tämä on erityisen tärkeää sovelluksissa, kuten kriittisen infrastruktuurin suojaamisessa, missä useat tietolähteet voivat tarjota täydellisemmän kuvan tapahtumista.

Reunaprosessointi voi vähentää siirrettävän tai tallennettavan raakavideon määrää, mutta AI-ominaisuuksiset kamerat herättävät edelleen tärkeitä yksityisyys- ja hallintokysymyksiä. Mitä periaatteita organisaatioiden tulisi noudattaa suunnitellessaan järjestelmiä, jotka ovat hyödyllisiä ilman kuin tarpeettoman henkilökohtaisen datan keräämistä?

Lähtökohtana tulisi kysyä, mitä järjestelmän on todellisuudessa tarkoitus saavuttaa, ja kerätä vain siihen tarkoitukseen tarvittavat tiedot. Yksityisyys ja läpinäkyvyys ovat myös tärkeitä. Ihmiset haluavat ymmärtää, miksi videota käytetään ja miten heidän tietojaan käsitellään. Viimeaikaiset tutkimuksemme osoittavat, että ihmiset tuntevat olonsa yhä mukavammaksi videovalvonnan suhteen, mutta tätä hyväksyntää ei voida pitää itsestäänselvyytenä. Suurimmat huolenaiheet AI-ominaisuuksisessa valvonnassa ovat väärät positiiviset tai epätarkat tiedot sekä mahdollinen datan väärinkäyttö tai -käsittely. Tämä asettaa todellisen vastuun organisaatioille ja teknologiatoimittajille sisällyttää yksityisyys ja turvallisuus järjestelmiin alusta alkaen. Reunaprosessointi voi auttaa, koska voit analysoida tietoa paikallisesti ja lähettää vain tarvittavan datan sen sijaan, että jatkuvaa raakavideota siirrettäisiin verkossa.

Fyysinen infrastruktuuri voi olla käytössä vuosia, kun taas AI-mallit ja kyberturvallisuusuhat kehittyvät nopeasti. Miten kameroita ja muita reunalaitteita tulisi suunnitella, jotta niiden analytiikka pysyy turvallisena, ylläpidettävänä ja mukautettavana koko käyttöaikansa?

Tämä on yksi syy, miksi pidän kameraa osana laajempaa IT- ja operatiivista infrastruktuuria, eikä erillisenä turvallisuuslaitteena. Kyberturvallisuus on sisällytettävä laitteeseen alusta alkaen, turvallisella ohjelmistolla, säännöllisillä päivityksillä ja vahvoilla kyberturvallisuussuojaustoimilla koko sen elinkaaren ajan. Axis tarjoaa esimerkiksi Edge Vaultin, joka on laitteistopohjainen perusta laitteen eheyden suojaamiseen, kryptografisten avainten turvaamiseen ja luottamusketjun luomiseen. Se tukee myös toimintoja, kuten suojattu käynnistys ja allekirjoitettu ohjelmisto, mikä varmistaa, että laitteessa ajetaan vain luotettua ohjelmistoa.

Laitteella on myös arkkitehtuuri, joka pystyy mukautumaan analytiikan ja asiakkaiden vaatimusten muuttuessa. Avoimet alustat ovat tässä tärkeitä, koska ne mahdollistavat organisaatioiden integroida uusia sovelluksia ja teknologioita sen sijaan, että koko järjestelmä tulisi korvata aina kun jotain kehittyy. Samanaikaisesti organisaatioiden on hallittava hyvin liitettyjen laitteidensa hallintaa. Kun yhä enemmän videoita, antureita ja yritysjärjestelmiä yhdistyy, kyberturvallisuus ja tietosuojat on otettava osaksi kokonaisjärjestelmän suunnittelua, eikä niitä tule lisätä myöhemmin.

Axis tukee avointa sovellus-ekosysteemiä, jonka avulla kolmannen osapuolen kehittäjät voivat rakentaa ja ottaa käyttöön erikoistuneita analytiikoita sen laitteissa. Kuinka tärkeäksi avoimet alustat ja yhteentoimivuus nousevat, kun organisaatiot pyrkivät ajamaan omia mallejaan suurissa kameroiden laivastoissa?

Mielestäni se tulee olemaan äärimmäisen tärkeää. Asiakkaat eivät halua olla lukittuna yhteen teknologiaan tai toimintatapaan, erityisesti kun tekoäly ja analytiikka kehittyvät niin nopeasti. Avoin alusta helpottaa kameroiden integrointia muihin järjestelmiin, erikoissovellusten käyttöönottoa ja laajamittaista käyttöönottoa. Se antaa myös asiakkaille enemmän joustavuutta tarpeiden muuttuessa. Poistamalla toimittajalukituksen ja yksinkertaistamalla integraatiota avoimet, yhteentoimivat ekosysteemit helpottavat älykkäiden reunaratkaisujen skaalaamista ja mukautumista muuttuviin liiketoimintavaatimuksiin. Lopulta arvo ei ole pelkästään kamerassa, vaan siinä, miten kamera, anturit, analytiikka ja yrityssovellukset toimivat yhdessä.

Miten organisaatiot tulisi arvioida tietokonenäköjärjestelmien suorituskykyä käyttöönoton jälkeen, erityisesti kun valaistus, kameran sijoittelu, ihmisen käyttäytyminen tai käyttöolosuhteet voivat muuttua ja mahdollisesti vaikuttaa tarkkuuteen?

Kaikki riippuu käyttötapauksesta, mutta tärkeintä on testata kamerat ja tekoälymallit todellisessa ympäristössä, jossa niitä aiotaan käyttää. Malli voi toimia erinomaisesti kontrolloidussa ympäristössä, mutta todellinen koe on, mitä tapahtuu todellisessa valaistuksessa, kameran asennossa, sääolosuhteissa, taustassa ja käyttäytymisessä, joita kohteessa esiintyy. Siksi kehotamme asiakkaita arvioimaan analytiikoita, kuten Axis Object Analytics tai Axis Custom Analytics, todellisessa ympäristössä ja varmistamaan, että tarkkuus on riittävän korkea sovellukselle. BMW:n tehdas on hyvä esimerkki tästä lähestymistavasta. Kamerat ovat käytössä todellisessa tuotantoympäristössä, jossa kuvien laatu ja siitä syntyvä analytiikka on tuettava varsinaista valmistusprosessia.

Kun reunatason tekoäly kehittyy yhä kykenevämmäksi, miten odotat verkko‑kameran roolin muuttuvan seuraavan vuosikymmenen aikana, ja millaisia uusia ominaisuuksia voi syntyä, kun kamerat muuttuvat älykkäiden, reagoivien ympäristöjen aktiivisiksi komponenteiksi?

Verkko‑kamera on yhä keskeisemmässä roolissa järjestelmässä. Se ei ole enää pelkkä videoa tuottava kamera, vaan anturi, joka tuottaa dataa, jota voidaan analysoida ja jakaa eri järjestelmien välillä. Kun laskentateho jatkaa kasvuaan, odotan kameroiden kehittyvän entistä paremmiksi ymmärtämään ympäristöään ja tarjoamaan hyödyllistä tietoa reaaliajassa. Tämä on Scene Intelligence -idean ydin, jossa kamera käyttää syvempää ymmärrystä kohtauksesta tarjotakseen merkityksellisempää tietoa kohteista, niiden ominaisuuksista ja siitä, mitä niiden ympärillä tapahtuu.

Tämä voi tarkoittaa kehittyneempää kohteiden ja käyttäytymisen tunnistusta, tiiviimpää integraatiota muiden antureiden ja yritysjärjestelmien kanssa sekä enemmän automaatiota organisaatioiden reagoinnissa tapahtumiin. Suurempi muutos on, että video muuttuu osaksi laajempaa data‑ ja älykkyyskerrosta. Kamera tallentaa edelleen tapahtumat, mutta yhä useammin se voi myös selittää, mitä tapahtuu, ja mitä organisaatio mahdollisesti haluaa tehdä seuraavaksi.

Kiitos erinomaisesta haastattelusta, lukijoiden, jotka haluavat oppia lisää, tulisi käydä Axis Communications.