Ofir Mulla, Lumana:n perustaja ja CTO – Haastattelusarja

Ofir Mulla, Lumana:n perustaja ja CTO, tuo yli kymmenen vuoden syvän asiantuntemuksen 3D- ja tietokoneen näkötekniikoista, joita hän on kehittänyt ja laajentanut koodatun valon, stereon ja LiDAR-modaalien parissa johtamalla monialaista kehitystä ohjelmistoissa, sähköjärjestelmissä, robottiikassa, ML/AI:ssa ja lääkinnällisissä laitteissa. Ennen nykyistä rooliaan Lumana:ssa hän työskenteli lähes 15 vuotta Intelillä, jossa hän suunnitteli RealSense 3D-alustan ja johti tiimejä, jotka kattoivat laitteiston, ohjelmiston ja järjestelmäarkkitehtuurin.

Lumana on edistynyt videoturvallisuus- ja visuaalisen älymystön yritys, jonka alusta muuttaa olemassa olevat kamerat älykkäiksi, havainnoiviksi agenteiksi hyödyntämällä tekoälyä havaitsemaan ja reagoimaan todellisiin tapahtumiin reaaliajassa – luvattoman pääsystä ja turvallisuusloukkauksista operatiivisiin oivalluksiin – mahdollistaen yrityksille eri aloilla, kuten koulutuksessa, hallinnossa, vähittäiskaupassa, valmistuksessa ja hotellialalla, yhdistää kameratiedon, automatisoida valvontaa ja lukita toimiva analytiikka video-infrastruktuuristaan.

Miten kokemuksesi Intelillä valmistelivat sinua Lumana:lle ja yrityksen perustamiseen?

LiDAR-tekniikka oli keskeinen osa RealSenseä, joka on aktiivinen menetelmä laservalon heittämiseen maailman geometrian tallentamiseksi. Se on kaunis kappale koodatusta valosta, jonka loistavat insinöörimme Intelillä keksivät. Geometrian aistiminen on kriittinen liikkuville esineille, kuten roboteille ja autoille, joten useimmat robotti-järjestelmät tänään riippuvat RealSense-laitteista.

Mutta kysymys nousi: mitä tapahtuu, kun anturit ovat paikallaan, jossa navigointi ja vaikutusaika eivät ole päätehtäviä? Kysyimme itseltämme, mikä tekniikka voisi tarjota suurimman arvon käyttäjille siinä asiayhteydessä.

Syvien keskustelujen kautta toimme, että useimmat olemassa olevat paikalliset kamerajärjestelmät eivät voi laajentua luonnollisesti. Järjestelmien valvonta on vaivalloista. Samalla AI oli kehittynyt siihen pisteeseen, että aloimme kysyä: miten edullinen järjestelmä asiakkaan sivulla voisi toimittaa kiireellisimmät, luotettavimmat turvallisuusvastaukset kriittisiin hälytyksiin?

Rakensimme vahvan AI-tiimin, joka nopeasti muunsi tämän vision toimivaksi tuotteeksi. Näkemys oli yksinkertainen: liikkuville ajoneuvoille vaaditaan geometrian aistimista, mutta paikalliset anturit, jotka keskittyvät käyttäytymisen seuraamiseen liikkeen suunnittelun sijaan, hyötyvät enemmän edistyneestä videon analyysistä ilman eksplisiittistä geometrian rekonstruktioita.

RealSense-matka opetti minulle, että jokainen ongelma vaatii oman ratkaisunsa ja todellinen mullistus vaatii innovaatiota. Tiimini Lumana:ssa henkilöityy tämä periaate: ammattitaitoinen, innovatiivinen ja motivoitunut. Yhdessä olemme luoneet paikallisen, reaaliaikaisen järjestelmän, joka tuo pilviominaisuudet reunalle, edullisen, skaalautuvan ja vastaanottavan.

Miten Physical AI menee perinteisen videon analytiikan ulkopuolelle, kuten esineen havaitsemisen ja mallin merkitsemisen?

Kun puhumme Physical AI:sta, tarkoitan AI-järjestelmää, joka ei pysähdy havainnoimiseen, vaan toimii aktiivisesti todellisessa maailmassa. Perinteinen videon analytiikka, kuten esineen havaitseminen tai mallin merkitseminen, on vain ensimmäinen kerros. Syvempi haaste on se, mitä seuraa: järjestäminen, seuraaminen, aggregoiminen, tunnistaminen, hakeminen ja vahvistaminen havaittuja esineitä ja nopeuttaminen vastausta. Se sisältää myös tekstipohjaisen pääsystä ja jopa etsimisen esineitä, joita järjestelmä ei alun perin ollut koulutettu havaitsemaan.

Kaikki tämä on saavutettava tiiviissä, edullisessa laskentalaitteessa. Siinä menee Physical AI perinteisen analytiikan ulkopuolelle: se muuttaa raakaa havaintoa toimivaksi, saatavaksi älymystöksi. Se ei ole löytämistä fysiikan lakien mukaisista, tieteellisestä tavoitteesta, joka on edelleen keskustelun aihe, vaan tarjoamisesta käytännöllisiä, tehokkaita keinoja päästä käsiksi ja toimia visuaalisen ja äänisisällön kanssa todellisissa ympäristöissä.

Mitkä ovat tekniset pilarit, jotka mahdollistavat Lumana:lle yhdistää tietoja useista kamerista, tulkita käyttäytymistä reaaliajassa ja jatkuvasti sopeutua kontekstuaalisiin ja historiallisiin syötteisiin?

Hyvä kysymys. Yksi keskeinen tekninen pilarimme on paikallisen järjestelmän kyky jatkuvasti sopeutua kohteen, jonka se havaitsee, mihin nykyään usein viitataan jatkuvana oppimisena. Voit ajatella sitä järjestelmänä, joka kehittyy ympäristönsä mukana, paraneva ajan myötä. Tämä lähestymistapa on mahdollistanut meille toimittaa korkean suorituskyvyn erittäin alhaisella kustannuksella ja poikkeuksellisella joustavuudella.

Toinen tärkeä pilarimme on hierarkkinen arkkitehtuuri, joka älykkäästi eskaloituu laskentaponnistelua vain silloin, kun se on tarpeen. Tämä varmistaa, että monimutkaiset toiminnot saavat tarvitsemansa resurssit ilman kuormittamatta koko järjestelmää.

Näiden periaatteiden yhdistelmä muodostaa alustan, joka on yksinkertainen, tehokas ja erittäin skaalautuva, mahdollistaen käyttäjille voimallisia reaaliaikaisia oivalluksia ja käyttäytymisen tulkintaa alhaisimmalla mahdollisella kustannuksella.

Voitko jakaa yhden tai kaksi todellista esimerkkiä Lumana:n järjestelmän havainneista tapahtumista, kuten väkivallan eskaloitumisesta, turvallisuuden rajojen rikkomisesta tai jäämisen, ja selittää vaikutuksen, jonka ne ovat saaneet turvallisuuteen tai operatiiviseen vasteeseen?

Lumana:n käyttöönotot kaupungeissa osoittavat selvää parantumista reaaliaikaisessa tietoisuudessa ja vasteessa. Suuressa kaupungissa Israelissa järjestelmä muunsi olemassa olevan videoverkon älykkääksi varhaisen varoituskerroksi, joka havainsi jäämisen rajoitettuihin alueisiin, joukkorikkomukset, tunkeutumiset ja epätavalliset liikkeet. Tämä johti vähemmän murtoihin, vähemmän vandalismiin ja nopeampaan puuttumiseen korkean riskin alueilla.

Yhdysvaltain kunta näki samanlaiset hyödyt historiallisessa kaupunginosassa, joka kamppaili vandalismia, autojen murtoja, häiriöitä ja jäämistä. Lumana toimitti jatkuvan valvonnan ja välittömät hälytykset, mahdollistaen proaktiiviset partiot ja nopeamman vasteen. Tämä johti turvallisempiin julkisiin tiloihin ja vähemmän operatiiviseen haaskaukseen kaupungille.

Nämä esimerkit osoittavat, miten reaaliaikainen havainto käyttäytymisestä, kuten jäämisen ja turvallisuuden rajojen rikkomisesta, vahvistaa julkista turvallisuutta ja sujuvoittaa operatiivisia toimia.

Millaisia yksityisyyden suojausjärjestelyjä on sisällytetty suunnittelu- ja käyttöönottoprosessiin, kun AI-järjestelmät tulkkaavat herkkää fyysistä käyttäytymistä?

Lumana:n teknologia ja suunnittelu korostavat vahvaa hallintoa ja vähäistä tietoliikennettä. Prosessointi suoritetaan reunalla, missä mahdollista, rajoittaen altistumista ja vahvistaen yksityisyyttä. Pääsy on rajoitettu selkeiden valvontatien ja audit-reittien kautta, jotta tiimit voivat seurata jokaista työnkulkua. Järjestelmä pitää videon paikallisena, jakaa vain tarvittavia metatietoja, mikä tukee yksityisyyden odotuksia säädellyissä ympäristöissä.

Nämä suojausjärjestelyt varmistavat, että herkkä visuaalinen tiedot käsitellään vastuullisesti, samalla kun ylläpidetään suorituskykyä, jota vaaditaan reaaliaikaisiin toimiin.

Mikä ohjaa hybridipilviarkkitehtuuria, ja miten se tukee reaaliaikaista prosessointia ja jatkuvaa oppimista?

Lumana käyttää hybridilähestymistapaa yhdistääksesi paikallisten järjestelmien suorituskyvyn pilven joustavuuden kanssa. Reunaprosessointi toimittaa reaaliaikaisen AI:n, tallennuksen ja videon hallinnan paikallisesti oletusarvoisesti. Tämä vähentää kaistanleveyttä vaatimusta ja vahvistaa yksityisyyttä, samalla kun mahdollistaa pilvitukea, kun se on tarpeen laajemmalle koordinaatiolle tai oppimiselle eri käyttöönotoissa.

Tämä arkkitehtuuri antaa käyttäjille välittömän reagointikyvyn, samalla kun ylläpitää kykyä skaalata ja parantaa jatkuvan sopeutumisen kautta eri sivustoilla.

Miten itseoppimiskyky on suunniteltu, ja miten se parantaa ajan myötä monisivuisissa käyttöönotoissa?

Itseoppimiskyvyn arkkitehtuuri on rakennettu skaalautuvuuden ympärille. Mitä enemmän sivustoja käyttöönotamme, sitä laajempi on näkymämme reunalaiteympäristöön. Jokainen uusi ympäristö tuo uusia tietoja, laajentaen tilanteiden ja kohtauksien monimuotoisuutta, joista järjestelmä voi oppia.

Jatkuvan oppimismenetelmämme hyödyntää tätä yhteistä tietoa. Kun järjestelmä parantaa itseään käyttöönotoissa, prosessi online-koulutuksesta tulee yksinkertaisemmaksi ja tehokkaammaksi. Käytännössä laajempi käyttöönotto, sitä nopeampi ja tarkempi sopeutuminen, johtaen järjestelmään, joka jatkuvasti parantaa ajan myötä kaikilla sivustoilla.

Kenet näet pääkilpailijoina tai yhteistyökumppaneina tässä tilassa, ja mitä tekee Lumana:sta ainutlaatuisen?

Meidän todellinen ainutlaatuisuutemme piilee ihmisissämme. Lumana:n takana on joukko loistavia insinöörejä ja innovaattoreita, aloittaen AI-ryhmästämme, jota tukevat pilvipalvelun asiantuntijamme, UX/UI-suunnittelijamme ja vahvistaa asiakastuki ja myynti. Vaikka AI muodostaa teknologiamme rungon, se on ihmismoottorimme, joka ajaa menestystämme. Tiimimme luovuus, ammattitaito ja sitoutuminen erottavat Lumana:n, olipa kyseessä kilpailu tai yhteistyö.

Lumana korostaa ”Ajattele suurta”, ”Asiakas ensin”, ”Yksi tiimi” ja ”Hallitse ammattisi”. Miten operationalisoid nämä arvot rekrytoinnissa, tuotekehityksessä ja päivittäisessä elämässä?

Palkkaamme innovaattoreita, jotka ajattelevat suurta, ratkaisevat ongelmia, tekevät yhteistyötä ja sitoutuvat kasvuun.

Tuotetiimit kehittävät skaalautuvaa AI:ta, jolla on urheilunäköinen visio, iteroida asiakaspalautteen kautta, edistää yhteistyöhön perustuvaa työtä ja pyrkivät erinomaisuuteen.

Päivittäinen toiminta käyttää agile-menetelmiä mahdollistaaksesi rohkeat ideat, priorisoida asiakkaiden tarpeita, rakentaa tiimien ykseyttä ja tukea ammattikehitystä.

Nämä käytännöt ajavat innovaatiota, asiakasmenestystä ja vaikuttavuutta AI-videoturvallisuudessa.

Miten näet Lumana:n roolin kehittyvän laajemmassa AI-ekosysteemissä viiden vuoden kuluttua – ja mitä vaikutusta toivot Physical AI:n vaikuttavan aloille, kuten turvallisuuteen, valmistukseen tai älykkäisiin kaupunkeihin silloin?

Viiden vuoden päähän näen Lumana:n roolin kehittyvän käytännöllisen Physical AI:n avainmahdollistajaksi eri aloilla. Vaikka fysiikan peruslakien selvittäminen on edelleen tieteellinen arvoitus, fokus on tänään asiakasarvon kehittämisessä, kehittämällä työkaluja, jotka mahdollistavat organisaatioille seurata ja reagoida maailmaa ympäröivään, kaikissa sovelluksissa.

Olemme jo pitkäaikaisia yhteistyökumppaneita lääkinnällisissä keskuksissa, ja tutkimme laajentumista liikkuviin alustoihin, kuten robottiikkaan ja liikenteeseen. Ajan myötä, kun kasvamme ja skaalautumme, aikomme myös investoida perustutkimuskysymyksiin: voivatko AI-järjestelmät paljastaa syvempiä kuvioita luonnossa, tai jopa auttaa meitä muotoilemaan uusia teorioita fysiikan lakien suhteen? Voivatko käsitteet, kuten ajan ulottuvuus, olla valaistu oppimisjärjestelmillä?

Meidän tavoitteemme on ajaa vaikuttavuutta turvallisuuden, valmistuksen ja älykkäiden kaupunkien aloilla, samalla kun pidämme silmällä laajempaa horisonttia, työntäen rajoja siitä, mitä AI voi lopulta auttaa meitä löytämään.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Lumana:ssa.