Ofir Mulla, Co-Fondateur et Directeur Technique de Lumana – Série d’entretiens

Ofir Mulla, Co-Fondateur et Directeur Technique de Lumana, apporte plus d’une décennie d’expertise approfondie dans les technologies 3D et de vision par ordinateur, ayant innové et étendu des solutions à travers les modalités de lumière codée, stéréo et LiDAR tout en dirigeant le développement interdisciplinaire dans les logiciels, les systèmes électriques, la robotique, le ML/AI et les dispositifs médicaux. Avant son rôle actuel chez Lumana, il a passé près de 15 ans chez Intel (INTC ) où il a conçu la plate-forme RealSense 3D et dirigé des équipes couvrant le matériel, le firmware et l’architecture système.

Lumana est une société de sécurité vidéo et d’intelligence visuelle avancée dont la plate-forme transforme les caméras existantes en agents intelligents et perceptifs en exploitant l’IA pour détecter et répondre à des événements du monde réel en temps réel – de l’accès non autorisé et des violations de sécurité à des insights opérationnels – permettant aux entreprises à travers l’éducation, le gouvernement, la vente au détail, la fabrication et l’hôtellerie de unifier l’intelligence des caméras, d’automatiser la surveillance et de débloquer des analyses actionnables à partir de leur infrastructure vidéo.

Comment vos expériences chez Intel vous ont-elles préparé pour Lumana et la fondation de l’entreprise ?

La technologie LiDAR était une partie intégrante de RealSense, une méthode active de projection de lumière laser pour capturer la géométrie du monde. C’est une belle pièce de technologie de lumière codée que nos ingénieurs brillants chez Intel ont inventée. La détection de la géométrie est critique pour les objets en mouvement, tels que les robots et les voitures, c’est pourquoi la plupart des systèmes robotiques d’aujourd’hui reposent sur les appareils RealSense.

Mais une question s’est posée : qu’est-ce qui se passe lorsque les capteurs sont stationnaires, où la navigation et le temps d’impact ne sont pas les tâches principales ? Nous nous sommes demandés quelle technologie pourrait offrir la plus grande valeur aux utilisateurs dans ce contexte.

À travers des discussions approfondies, nous avons réalisé que la plupart des systèmes de caméras stationnaires existants ne peuvent pas être étendus naturellement. La surveillance de chaque système est fastidieuse. En même temps, l’IA avait mûri au point où nous avons commencé à nous demander : comment un système abordable sur le site du client peut-il fournir les réponses de sécurité les plus urgentes et les plus fiables aux alertes critiques ?

Nous avons construit une équipe AI solide qui a rapidement transformé cette vision en un produit fonctionnel. L’insight était simple : les véhicules en mouvement exigent une détection géométrique, mais les capteurs stationnaires, axés sur la surveillance du comportement plutôt que sur la planification du mouvement, bénéficient davantage d’une analyse vidéo avancée sans reconstruction explicite de la géométrie.

Le voyage RealSense m’a enseigné que chaque problème nécessite sa propre solution et que la véritable disruption exige l’innovation. Mon équipe chez Lumana incarne ce principe : professionnelle, innovante et motivée. Ensemble, nous avons créé un système en temps réel sur site qui apporte des performances similaires à celles du cloud, abordable, évolutif et réactif.

Comment l’IA physique va-t-elle au-delà de l’analyse vidéo traditionnelle comme la détection d’objets et l’étiquetage de modèles ?

Lorsque nous parlons d’IA physique, nous entendons un système d’IA qui ne s’arrête pas à la perception, mais interagit activement avec le monde réel. L’analyse vidéo traditionnelle, comme la détection d’objets ou l’étiquetage de modèles, n’est que la première couche. Le défi plus profond est ce qui suit : organiser, suivre, agréger, identifier, récupérer, rechercher et vérifier les objets détectés et accélérer la réponse. Cela inclut également permettre l’accès basé sur le texte et même la recherche d’objets que le système n’a pas été formé à détecter à l’origine.

Tout cela doit être réalisé dans un dispositif de calcul compact et abordable. C’est là que l’IA physique va au-delà de l’analyse traditionnelle : elle transforme la détection brute en intelligence actionnable et accessible. Il ne s’agit pas de découvrir les lois de la physique, une quête scientifique encore débattue, mais de fournir des moyens pratiques et efficaces d’accéder et d’agir sur le contenu visuel et audio dans les environnements du monde réel.

Quels sont les piliers techniques qui permettent à Lumana de fusionner les données de plusieurs caméras, d’interpréter le comportement en temps réel et de s’adapter continuellement en fonction des entrées contextuelles et historiques ?

Excellente question. L’un de nos piliers techniques clés est la capacité du système sur site à s’adapter continuellement à la scène qu’il observe, ce que l’on appelle maintenant souvent l’apprentissage continu. Vous pouvez le considérer comme un système qui évolue avec son environnement, s’améliorant avec le temps. Cette approche nous a permis de livrer des performances élevées avec un coût très faible et une agilité exceptionnelle.

Un autre pilier clé est notre architecture hiérarchique, qui escalade intelligemment l’effort de calcul uniquement lorsque nécessaire. Cela garantit que les actions complexes reçoivent les ressources dont elles ont besoin sans surcharger l’ensemble du système.

Ces principes, pris ensemble, forment une plate-forme simple, efficace et hautement évolutive, permettant aux utilisateurs d’expérimenter des insights et des interprétations de comportement en temps réel puissants au coût le plus bas possible.

Pouvez-vous partager un ou deux déploiements réels où le système de Lumana a détecté des événements tels que l’escalade de la violence, les violations des frontières de sécurité ou les errances, et expliquer l’impact que ceux-ci ont eu sur la sécurité ou la réponse opérationnelle ?

Les déploiements de Lumana dans les villes montrent des améliorations claires dans la conscience et la réponse en temps réel. Dans une grande ville d’Israël, le système a transformé un réseau de caméras existant en une couche d’alerte précoce intelligente qui a détecté les errances dans les zones restreintes, les anomalies de foule, les intrusions après heures et les mouvements erratiques. Cela a conduit à moins d’effractions, à une réduction du vandalisme et à une intervention plus rapide dans les zones à haut risque.

Une municipalité américaine a vu des gains similaires dans un quartier historique qui luttait contre le vandalisme, les effractions de voitures, les troubles et les errances. Lumana a fourni une surveillance continue et des alertes immédiates, permettant des patrouilles proactives et une réponse plus rapide. Cela a abouti à des espaces publics plus sûrs et à moins de gaspillage opérationnel pour la ville.

Ces exemples illustrent comment la détection en temps réel du comportement, tel que les errances et les violations des frontières, renforce la sécurité publique et rationalise les opérations.

Avec des systèmes d’IA interprétant un comportement physique sensible, quels sont les garde-fous de confidentialité intégrés dans votre conception et votre processus de déploiement ?

La technologie et la conception de Lumana mettent l’accent sur une gouvernance solide et un déplacement minimal de données. Le traitement est effectué sur le bord, lorsque cela est possible, pour limiter l’exposition et renforcer la confidentialité. L’accès est restreint par le biais de contrôles clairs et de traces d’audit afin que les équipes puissent suivre chaque workflow. Le système garde la vidéo locale, partageant uniquement les métadonnées nécessaires, ce qui soutient les attentes de confidentialité dans les environnements réglementés.

Ces garde-fous garantissent que les données visuelles sensibles sont traitées de manière responsable, tout en maintenant les performances requises pour les opérations en temps réel.

Qu’est-ce qui motive votre architecture hybride-cloud, et comment soutient-elle le traitement en temps réel et l’apprentissage continu ?

Lumana utilise une approche hybride pour combiner les performances des systèmes sur site avec la flexibilité du cloud. Le traitement sur le bord offre une IA en temps réel, un stockage et une gestion de la vidéo localement par défaut. Cela réduit les exigences de bande passante et renforce la confidentialité, tout en permettant toujours le soutien du cloud lorsque nécessaire pour une coordination ou un apprentissage plus large à travers les déploiements.

Cette architecture offre aux utilisateurs une réactivité immédiate tout en maintenant la capacité de s’étendre et de s’améliorer à travers les sites.

Comment la capacité d’auto-apprentissage a-t-elle été conçue, et comment s’améliore-t-elle avec le temps dans les déploiements multi-sites ?

L’architecture de notre capacité d’auto-apprentissage est construite autour de l’échelle. Plus nous déployons de sites, plus notre perspective devient large à travers le paysage des appareils de bord. Chaque nouvel environnement contribue à de nouvelles données, élargissant la diversité des scénarios et des scènes que le système peut apprendre.

Notre méthodologie d’apprentissage continu tire parti de ces connaissances collectives. À mesure que le système se raffine à travers les déploiements, le processus de formation en ligne devient plus simple et plus efficace. En termes pratiques, plus large est le déploiement, plus rapide et plus précise est l’adaptation, aboutissant à un système qui s’améliore continuellement avec le temps sur tous les sites.

Qui voyez-vous comme vos principaux concurrents ou collaborateurs dans cet espace, et qu’est-ce qui rend Lumana unique ?

Notre véritable unicité réside dans nos personnes. Derrière Lumana se trouve une équipe d’ingénieurs et d’innovateurs brillants, commençant par notre groupe d’IA, soutenu par nos spécialistes du cloud, nos concepteurs UX/UI et renforcé par le support client et les ventes. Alors que l’IA forme la colonne vertébrale de notre technologie, c’est notre moteur humain qui conduit notre succès. La créativité, la professionnalité et la détermination de notre équipe sont ce qui distingue Lumana, que ce soit dans la concurrence ou la collaboration.

Lumana met l’accent sur « Penser grand », « Client d’abord », « Une équipe » et « Maîtriser son métier ». Comment opérationnalisez-vous ces valeurs dans le recrutement, le développement de produits et la vie quotidienne ?

Nous embauchons des innovateurs qui pensent grand, résolvent des problèmes, collaborent et s’engagent dans la croissance.

Les équipes de produits développent une IA évolutive avec une vision ambitieuse, itèrent via les commentaires des clients, favorisent le travail collaboratif et visent l’excellence.

Les opérations quotidiennes utilisent des méthodes agiles pour permettre des idées audacieuses, donner la priorité aux besoins des clients, construire l’unité d’équipe et soutenir le développement professionnel.

Ces pratiques conduisent à l’innovation, au succès client et à l’impact dans la sécurité vidéo par IA.

En regardant cinq ans à l’avance, comment voyez-vous l’évolution du rôle de Lumana dans l’écosystème plus large de l’IA – et quel impact l’IA physique aura-t-elle sur des industries comme la sécurité, la fabrication ou les villes intelligentes d’ici là ?

En regardant cinq ans à l’avance, nous voyons le rôle de Lumana évoluer en tant que principal facilitateur de l’IA physique pratique à travers les industries. Alors que déchiffrer les lois fondamentales de la physique reste un énigme scientifique, notre focus aujourd’hui est sur la valeur client, en développant des outils qui permettent aux organisations de mieux surveiller et répondre au monde qui les entoure, à travers n’importe quelle application.

Nous maintenons déjà des collaborations à long terme avec des centres médicaux et explorons l’expansion vers des plateformes mobiles telles que la robotique et le transport. Au fil du temps, à mesure que nous grandissons et que nous nous développons, nous prévoyons également d’investir dans des questions de recherche plus fondamentales : l’IA peut-elle découvrir des modèles plus profonds dans la nature, ou même nous aider à formuler de nouvelles théories sur les lois de la physique ? Les concepts tels que la dimensionnalité du temps pourraient-ils être éclairés par les systèmes d’apprentissage ?

Notre ambition est de conduire l’impact à travers la sécurité, la fabrication et les villes intelligentes, tout en gardant une vision plus large, en poussant les limites de ce que l’IA peut finalement nous aider à découvrir.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Lumana.