Fredrik Nilsson, vice-président, Amériques, Axis Communications – Série d’interviews

Fredrik Nilsson, vice-président, Amériques, Axis Communications, supervise les opérations de l’entreprise en Amérique du Nord et du Sud, dirigeant des équipes axées sur le développement et la fourniture de solutions de sécurité basées sur le réseau pour les partenaires et les utilisateurs finaux. Dirigeant de longue date chez Axis, Nilsson a joué un rôle important dans la transition de l’industrie de la sécurité de la télévision analogique à circuit fermé vers la vidéo réseau basée sur IP. Depuis qu’il a pris la responsabilité des Amériques en 2003, il a contribué à faire passer le chiffre d’affaires régional d’environ 20 millions de dollars à plus d’un milliard de dollars et a soutenu l’expansion de plus de 20 Axis Experience Centers à travers les Amériques. Il a rejoint Axis en 1996, après avoir occupé les postes de chef de produit et de directeur de division en Suède, puis celui de directeur du développement commercial, où il a aidé à établir des partenariats lors du développement précoce de la vidéo IP. Au début de sa carrière, il était chef de produit chez ABB, et il siège actuellement aux conseils d’administration de MSAB et de la Swedish‑American Chamber of Commerce à Washington, D.C.

Axis Communications est une entreprise technologique basée en Suède, spécialisée dans la sécurité physique intelligente et les solutions réseau, incluant les caméras réseau, les systèmes de vidéosurveillance, le contrôle d’accès, les interphones, l’audio réseau, le radar et l’analyse. Fondée en 1984 et dont le siège se trouve à Lund, en Suède, Axis emploie environ 5 000 personnes dans plus de 50 pays et fait partie du groupe Canon depuis 2015. L’entreprise a présenté ce qu’elle décrit comme la première caméra réseau au monde en 1996 et s’est depuis élargie du vidéo réseau à un portefeuille plus vaste de technologies de sécurité connectées. Ses produits actuels intègrent de plus en plus des analyses en périphérie et de l’intelligence artificielle afin de transformer la vidéo, l’audio et les données de capteurs en informations exploitables pour la sécurité, la sûreté, l’efficacité opérationnelle et l’intelligence économique.

Votre carrière a couvert la surveillance à distance chez ABB, le développement précoce du stockage en réseau et des technologies Internet des objets, ainsi que la transition de la vidéosurveillance analogique vers la vidéo réseau chez Axis Communications. En quoi ce parcours a-t-il influencé votre façon de percevoir le passage actuel aux caméras alimentées par l’IA et à l’infrastructure physique intelligente ?

Je considère le passage aux caméras alimentées par l’IA comme la prochaine étape d’une évolution à laquelle j’ai participé tout au long de ma carrière – de la technologie connectée et de la convergence IP à l’edge intelligent d’aujourd’hui. Un fil conducteur traverse ma carrière : aider les clients à comprendre ce que la technologie connectée peut leur offrir. ABB a été une excellente école pour moi. C’était une grande entreprise mondiale, ce qui m’a permis de voyager à travers le monde, notamment de passer une année au Canada, et de travailler avec de grands clients d’entreprise, en particulier des fournisseurs d’énergie, sur des projets complexes. Mon rôle était chef de produit pour un nouveau système de surveillance et de contrôle à distance connecté via IP. Chez Axis, j’ai ensuite travaillé sur une nouvelle catégorie d’appareils de stockage connectés via IP et j’ai contribué à diffuser mondialement les avantages de la technologie connectée. Puis, aux débuts de la convergence IP, je me suis appuyé sur ces mêmes principes, aidant les clients d’entreprise à comprendre la valeur de la vidéo connectée au réseau et les opportunités créées par la technologie IP. Ainsi, lorsque j’observe les caméras alimentées par l’IA aujourd’hui, je vois une autre étape de cette même évolution. La technologie devient de plus en plus performante, mais la véritable opportunité réside toujours dans la connexion des appareils, la génération de données utiles et l’aide aux clients pour en faire davantage.

Quels types de charges de travail de vision par ordinateur sont les mieux adaptés à une exécution directe sur une caméra, et quelles applications tirent encore profit d’un traitement dans un centre de données local ou dans le cloud ?

Les charges de travail les mieux adaptées à une exécution directe sur une caméra sont celles qui nécessitent des décisions en temps réel, une faible latence et une utilisation efficace de la bande passante. Par exemple, la détection et la classification de personnes ou d’objets, le comptage, le suivi de mouvements ou l’identification d’événements spécifiques. Avec des technologies telles que Axis Object Analytics, les caméras peuvent détecter avec précision les personnes, les véhicules, les couleurs, la direction de déplacement et d’autres caractéristiques. Nous pouvons également entraîner une caméra à reconnaître des objets ou des scénarios très spécifiques grâce à Axis Custom Analytics. À mesure que les analyses s’améliorent, une plus grande partie de cette intelligence peut se produire à la périphérie. Pour de nombreux cas d’usage, exécuter l’analyse sur la caméra et n’envoyer que les données ou métadonnées résultantes à un serveur ou au cloud est essentiel pour l’évolutivité et le coût. Le cloud et les serveurs conservent un rôle important, notamment pour la gestion centralisée, le stockage à long terme et l’analyse des métadonnées sur un grand nombre d’appareils. Je ne vois pas cela comme une décision binaire. L’edge et le cloud peuvent se compléter, chacun faisant ce pour quoi il est le mieux adapté.

Déployer l’IA à la périphérie nécessite de concilier la précision du modèle avec les limites de puissance de traitement, de mémoire, de consommation d’énergie et de chaleur. Comment les avancées des puces spécialisées modifient-elles ce qui peut être réalisé de façon réaliste au sein d’une caméra ?

Il y a réellement deux tendances qui le motivent. Premièrement, la capacité d’IA du processeur en périphérie s’améliore très rapidement. ARTPEC-9, notre système sur puce développé en interne, possède trois fois la capacité de traitement d’IA d’ARTPEC-8, ce qui nous offre nettement plus d’espace pour exécuter des modèles sophistiqués directement sur la caméra. Les générations futures continueront d’augmenter cette capacité. Deuxièmement, la taille et l’efficacité des modèles s’améliorent. C’est là que nous avons constaté de nombreux progrès au cours de l’année écoulée. Notre équipe R&D a fait un travail remarquable pour faire fonctionner davantage du modèle directement en périphérie, de sorte que dans de nombreux scénarios vous n’avez besoin d’utiliser que les données de la caméra plutôt que d’envoyer la vidéo ailleurs pour le traitement. Il y a un an, nous parlions d’environ 50% des besoins traités dans la caméra. Aujourd’hui, c’est plus proche de 90%, et nous prévoyons d’atteindre 95% ou davantage. La véritable percée ne réside pas seulement dans le fait que nous disposons de puces plus puissantes. C’est que nous combinons du matériel plus performant avec des modèles d’IA plus efficaces, permettant à une intelligence croissante de se produire directement là où les données sont générées. Cela rend les systèmes de surveillance beaucoup moins dépendants des serveurs et du cloud pour l’IA.

Les caméras sont de plus en plus positionnées comme capteurs opérationnels plutôt que simplement comme dispositifs de sécurité. Quelles applications dans le commerce de détail, le transport, les soins de santé, la fabrication ou la logistique offrent actuellement la valeur commerciale la plus claire ?

La fabrication est un très bon exemple car la valeur peut être liée directement à l’opération. BMW Group, par exemple, utilise des caméras réseau dans le cadre de son système d’inspection qualité piloté par l’IA afin de capturer des images détaillées des véhicules en temps réel et d’identifier les défauts. C’est un rôle très différent pour une caméra que de simplement enregistrer un incident. Nous constatons également une utilisation croissante de la vidéo pour l’efficacité opérationnelle et l’intelligence économique de manière plus large. Dans le transport et la logistique, les caméras peuvent aider les organisations à comprendre comment les personnes, les véhicules et les marchandises circulent dans une installation. Dans le commerce de détail, la vidéo peut fournir des informations sur le comportement des clients, l’utilisation de l’espace et le personnel. Le fil conducteur est que la caméra génère des informations qui peuvent être utilisées pour améliorer un processus, et pas seulement enregistrer ce qui s’est passé.

Comment la combinaison de la vidéo avec l’analyse audio, le radar, les systèmes de contrôle d’accès et les capteurs environnementaux crée-t-elle des informations qui ne seraient pas possibles à partir des seules données visuelles ?

Plus vous pouvez rassembler de contexte, mieux le système peut comprendre ce qui se passe. Lorsque vous combinez différentes entrées, vous pouvez obtenir des informations qui seraient difficiles, voire parfois impossibles, à extraire uniquement de la vidéo. Par exemple, vous pouvez combiner l’apparence d’un objet avec son mouvement, ou utiliser conjointement les informations thermiques et visuelles lorsque l’éclairage ou la visibilité est difficile. Le radar peut ajouter des informations sur le mouvement et la vitesse d’un objet, l’audio peut identifier des sons ou fournir une communication bidirectionnelle, et les capteurs environnementaux peuvent apporter un contexte supplémentaire sur ce qui se passe dans l’environnement alentour. Plusieurs capteurs peuvent également augmenter la confiance dans ce que le système ou l’utilisateur détecte. Combiner les technologies est extrêmement important pour protéger des domaines clés de la vie comme les infrastructures critiques.

Nous avançons déjà dans cette direction. Chez GSX, par exemple, nous avons introduit des solutions qui combinent la vision, le thermique, le radar, l’audio et la détection environnementale. L’objectif est de rassembler les bonnes données afin que les organisations puissent prendre des décisions plus rapides et mieux éclairées. Cela est particulièrement important pour des applications telles que la protection des infrastructures critiques, où la présence de multiples sources d’information peut offrir une image plus complète de ce qui se passe.

Le traitement en périphérie peut réduire la quantité de vidéo brute à transmettre ou à stocker, mais les caméras dotées d’IA soulèvent toujours d’importantes questions de confidentialité et de gouvernance. Quels principes les organisations doivent-elles suivre lorsqu’elles conçoivent des systèmes utiles sans collecter plus de données personnelles que nécessaire ?

Le point de départ doit être de se demander ce que le système doit réellement accomplir et de ne collecter que les informations nécessaires à cet objectif. La confidentialité et la transparence sont également importantes. Les personnes souhaitent comprendre pourquoi la vidéo est utilisée et comment leurs informations sont traitées. Nos recherches récentes montrent que les gens deviennent plus à l’aise avec la vidéosurveillance, mais cette acceptation ne peut pas être considérée comme acquise. Les principales préoccupations concernant la surveillance dotée d’IA sont les faux positifs ou les informations inexactes ainsi que le risque d’utilisation abusive ou de mauvaise gestion des données. Cela impose une réelle responsabilité aux organisations et aux fournisseurs de technologie d’intégrer la confidentialité et la sécurité dans les systèmes dès le départ. Le traitement en périphérie peut aider ici, car il permet d’analyser les informations localement et d’envoyer uniquement les données nécessaires, plutôt que de faire circuler en continu de la vidéo brute sur le réseau.

L’infrastructure physique peut rester déployée pendant de nombreuses années, tandis que les modèles d’IA et les menaces de cybersécurité évoluent rapidement. Comment les caméras et autres appareils en périphérie doivent-ils être conçus afin que leurs analyses restent sécurisées, maintenables et adaptables tout au long de leur durée de vie opérationnelle ?

C’est l’une des raisons pour lesquelles je considère la caméra comme faisant partie de l’infrastructure informatique et opérationnelle plus large, plutôt que comme un dispositif de sécurité autonome. La cybersécurité doit être intégrée à l’appareil dès le départ, avec un logiciel sécurisé, des mises à jour régulières et des protections robustes tout au long de son cycle de vie. Chez Axis, par exemple, Edge Vault fournit une base matérielle pour protéger l’intégrité de l’appareil, sécuriser les clés cryptographiques et établir une chaîne de confiance. Il prend également en charge des fonctionnalités telles que le démarrage sécurisé et les logiciels signés, contribuant à garantir que seul un logiciel de confiance s’exécute sur l’appareil.

L’appareil a également besoin d’une architecture capable de s’adapter à l’évolution des analyses et des exigences des clients. Les plateformes ouvertes sont importantes ici car elles permettent aux organisations d’intégrer de nouvelles applications et technologies sans devoir remplacer l’ensemble du système à chaque évolution. En même temps, les organisations ont besoin d’une bonne gouvernance de leurs appareils connectés. À mesure que la vidéo, les capteurs et les systèmes d’entreprise se combinent davantage, la cybersécurité et la protection des données doivent être considérées comme faisant partie intégrante de la conception globale du système, et non comme un ajout ultérieur.

Axis prend en charge un écosystème d’applications ouvert qui permet aux développeurs tiers de créer et déployer des analyses spécialisées sur ses appareils. Quelle importance les plateformes ouvertes et l’interopérabilité auront-elles lorsque les organisations chercheront à exécuter leurs propres modèles sur de vastes flottes de caméras ?

Je pense que ce sera extrêmement important. Les clients ne veulent pas être enfermés dans une seule technologie ou une seule façon de faire, surtout que l’IA et les analyses évoluent si rapidement. Une plateforme ouverte facilite l’intégration des caméras avec d’autres systèmes, l’introduction d’applications spécialisées et le déploiement à grande échelle. Elle offre également aux clients davantage de flexibilité à mesure que leurs besoins évoluent. En éliminant le verrouillage fournisseur et en simplifiant l’intégration, les écosystèmes ouverts et interopérables facilitent le déploiement de solutions d’edge intelligentes tout en s’adaptant aux exigences commerciales changeantes. En fin de compte, la valeur ne réside pas seulement dans la caméra elle‑même, mais dans la façon dont la caméra, les capteurs, les analyses et les applications d’entreprise fonctionnent ensemble.

Comment les organisations devraient‑elles évaluer les performances des systèmes de vision par ordinateur après leur déploiement, en particulier lorsque l’éclairage, le positionnement des caméras, le comportement humain ou les conditions d’exploitation peuvent changer et potentiellement affecter la précision ?

Tout dépend du cas d’utilisation, mais le plus important est de tester les caméras et les modèles d’IA dans le véritable environnement où ils seront réellement employés. Vous pouvez disposer d’un modèle qui fonctionne très bien dans un cadre contrôlé, mais le vrai test réside dans ce qui se passe avec l’éclairage réel, la position de la caméra, les conditions météorologiques, l’arrière‑plan et le comportement observés sur le site. C’est pourquoi nous encourageons les clients à évaluer des analyses telles qu’Axis Object Analytics ou Axis Custom Analytics dans le contexte réel et à s’assurer que la précision est suffisante pour l’application. L’usine BMW constitue un bon exemple de cette approche. Les caméras sont utilisées dans un environnement de production réel, où la qualité des images et les analyses qui en résultent doivent soutenir un processus de fabrication réel.

À mesure que l’IA en périphérie devient plus performante, comment envisagez‑vous l’évolution du rôle de la caméra réseau au cours de la prochaine décennie, et quelles nouvelles capacités pourraient émerger alors que les caméras deviennent des composants actifs d’environnements intelligents et réactifs ?

La caméra réseau devient beaucoup plus centrale dans le système. Elle n’est plus seulement une caméra qui génère de la vidéo. Elle est un capteur qui génère des données pouvant être analysées et partagées entre différents systèmes. À mesure que la puissance de traitement continue d’augmenter, je m’attends à ce que les caméras comprennent encore mieux ce qui se passe dans leur environnement et fournissent des informations utiles en temps réel. C’est l’idée derrière l’intelligence de scène, où la caméra peut exploiter une compréhension plus approfondie de la scène pour offrir des informations plus significatives sur les objets, leurs caractéristiques et ce qui se passe autour d’eux.

Cela pourrait signifier une détection d’objets et de comportements plus avancée, une intégration accrue avec d’autres capteurs et systèmes d’entreprise, ainsi qu’une automatisation plus importante de la façon dont les organisations réagissent aux événements. Le changement majeur est que la vidéo devient une composante d’une couche de données et d’intelligence plus large. La caméra continue de capturer ce qui se passe, mais elle peut de plus en plus aider à expliquer ce qui se passe et ce qu’une organisation pourrait vouloir faire ensuite.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Axis Communications.