Wawancara
Andrew Nassar, Direktur Teknologi IC Realtime – Serial Wawancara

Poin utamaBunker menjalankan analisis AI inti pada gateway NVIDIA Jetson lokal untuk mengurangi…
Lihat selengkapnya
- Bunker menjalankan analisis AI inti pada gateway NVIDIA Jetson lokal untuk mengurangi ketergantungan pada cloud dan mempercepat peringatan.
- Nassar menolak membangun fitur identitas biometrik karena pengawasan seharusnya menggambarkan peristiwa daripada memprofilkan orang.
- Edge AI bukanlah kebijakan privasi karena layanan cloud tetap menangani akses jarak jauh dan riwayat video.
Andrew Nassar adalah direktur teknologi IC Realtime. Ia turut memandu perusahaan melewati peralihan dari kamera analog ke perekaman digital, pemantauan jarak jauh, dan analisis video berbantuan AI. Dengan pengalaman lebih dari 20 tahun di industri pengawasan, ia berfokus mengubah kemajuan visi komputer dan komputasi tepi menjadi perangkat praktis untuk memahami kejadian, menemukan rekaman, dan meningkatkan operasional keamanan.
IC Realtime merancang sistem dan perangkat lunak pengawasan video untuk lingkungan hunian dan komersial. Platform Bunker menambahkan analisis AI ke sistem kamera yang kompatibel melalui gateway khusus bertenaga NVIDIA Jetson, yang mendukung peringatan kontekstual dan pencarian video dengan bahasa alami. Platform ini memadukan analisis lokal dengan layanan yang terhubung ke cloud untuk akses jarak jauh dan riwayat video.
Anda turut memimpin IC Realtime melewati peralihan dari kamera analog ke perekaman digital, pemantauan jarak jauh, dan kini AI. Apa yang meyakinkan Anda bahwa AI dapat mengubah pengawasan secara mendasar, dan kemajuan apa yang membuat analisis video canggih dapat diterapkan di edge?
Kami telah menggunakan pembelajaran mesin dan visi komputer pada kamera kami selama bertahun-tahun. Peluangnya menjadi jauh lebih bermanfaat ketika sistem dapat membantu seseorang memahami suatu kejadian dan menemukan rekaman yang relevan, alih-alih sekadar menghasilkan lebih banyak video untuk ditinjau. Pemilik rumah ingin tahu apa yang perlu diperhatikan. Pelaku usaha ingin menemukan suatu insiden tanpa menghabiskan waktu berjam-jam untuk mencarinya.
Bunker menghadirkan pendekatan tersebut melalui gateway khusus NVIDIA Jetson di lokasi. Memindahkan analisis inti lebih dekat ke kamera dapat mengurangi ketergantungan pada pengiriman setiap tugas analisis ke cloud dan meningkatkan daya tanggap. Kemajuan praktisnya terletak pada perpaduan komputasi lokal dan perangkat lunak yang mengubah video menjadi peringatan kontekstual serta kejadian yang dapat ditelusuri.
Standar saya tetaplah nilai yang terbukti. Teknologi harus menyelesaikan masalah nyata di lingkungan tempat pelanggan menggunakannya. Demonstrasi yang baik adalah awal dari proses tersebut.
Dengan Bunker sebagai contoh, dapatkah Anda menjelaskan proses yang berlangsung sejak kamera merekam suatu kejadian hingga pengguna menerima peringatan? Fungsi AI mana yang berjalan secara lokal, apa yang masih memerlukan cloud, dan data apa yang keluar dari lokasi?
Secara umum, kamera yang kompatibel mengirimkan video ke Bunker Gateway, lalu analisis AI inti berlangsung di gateway tersebut, di lokasi. Platform ini mengaitkan aktivitas yang terdeteksi dengan kejadian dalam video dan dapat mengirimkan peringatan kontekstual yang disertai cuplikan gambar dan deskripsi dalam bahasa yang mudah dipahami. Pengguna kemudian dapat meninjau video di aplikasi.
Bunker menggunakan arsitektur hibrida. Konektivitas cloud mendukung akses jarak jauh, layanan berlangganan, dan riwayat video. Karena itu, menyebut platform ini bebas cloud atau mengatakan bahwa tidak ada video yang keluar dari lokasi akan menyesatkan. Yang penting adalah bagaimana data tersebut dilindungi saat keluar. Semua data dienkripsi saat dikirim, termasuk video langsung, yang tetap terenkripsi sejak gateway hingga ke layar penonton. Infrastruktur perantara hanya meneruskan data tersebut dan tidak dapat melihatnya. Setiap gateway melakukan autentikasi dengan sertifikatnya sendiri, bukan dengan kredensial yang digunakan bersama, dan rekaman yang disimpan di cloud dienkripsi.
Pelanggan seharusnya mendapat penjelasan yang jelas mengenai alur tersebut, termasuk fitur mana yang bergantung pada internet dan apa yang terjadi ketika koneksi terputus.
Kamera keamanan beroperasi dalam kondisi hujan, gelap, silau, dan lingkungan yang terus berubah. Apa kegagalan paling sulit yang pernah Anda hadapi di lapangan, dan bagaimana Anda mengukur apakah peningkatan mengurangi alarm palsu tanpa menambah insiden yang terlewat?
Saya telah berkecimpung di industri ini selama lebih dari 20 tahun, dan teknologi kamera telah berkembang pesat, terutama dalam kondisi minim cahaya dan kondisi sulit. Kini, gambar malam hari dan gambar yang penuh gangguan hampir sejernih gambar siang hari. Meski begitu, hujan, silau, kabut, dan salju tetap dapat mengurangi akurasi model AI. Sensor yang lebih baik tidak menghilangkan faktor-faktor tersebut.
Karena itu, kami memilih pendekatan dinamis yang menyesuaikan diri dengan perubahan lingkungan dan waktu, alih-alih mengandalkan satu konfigurasi tetap. Selama dua tahun pengembangan terakhir, kami menghabiskan ribuan jam untuk menguji sistem di instalasi dunia nyata, bukan hanya menguji kamera di meja kerja, dan kami merancang sistem berdasarkan pelajaran dari penerapan tersebut.
Saya tidak akan menilai suatu peningkatan hanya dari berkurangnya jumlah notifikasi. Pertanyaannya adalah apakah peningkatan itu menghilangkan peringatan yang tidak relevan sambil tetap menangkap insiden yang penting. Mengurangi gangguan hanya bermanfaat jika sistem tetap berguna saat sesuatu yang penting terjadi.
Mendeteksi seseorang atau kendaraan berbeda dengan memutuskan bahwa perilakunya mencurigakan. Bagaimana Anda mendefinisikan anomali, menyesuaikan definisi itu untuk setiap lokasi, dan mencegah sistem menganggap aktivitas yang tidak berbahaya sebagai ancaman?
Objek yang terdeteksi saja tidak memberi tahu Anda apakah ada masalah. Pengantaran di pintu masuk depan dan aktivitas di area terbatas dapat melibatkan jenis objek yang sama, tetapi memerlukan respons yang sangat berbeda. Langkah awalnya haruslah memahami kebutuhan pelanggan dan konteks properti tertentu tersebut.
Saya akan membedakan antara peristiwa yang layak ditinjau dan kesimpulan bahwa seseorang merupakan ancaman. Sistem seharusnya membantu seseorang memahami apa yang teramati dan mengapa hal itu ditampilkan, serta menyediakan akses ke rekaman yang mendasarinya. Sistem tidak seharusnya mendorong pengguna untuk menganggap setiap aktivitas yang tidak biasa sebagai bukti pelanggaran.
Seiring makin canggihnya sistem-sistem ini, tantangannya adalah menjadikan konteks tersebut berguna tanpa melebih-lebihkan apa yang diketahui AI. Penilaian manusia tetap penting, terutama jika suatu peringatan dapat berujung pada tindakan yang berdampak besar.
Pencarian dengan bahasa alami menjanjikan penggantian berjam-jam peninjauan rekaman secara manual. Bagaimana sistem Anda menghubungkan deskripsi pengguna dengan video yang tepat, dan bagaimana Anda menguji apakah ada peristiwa yang terlewat, hasil yang keliru, atau deskripsi buatan AI yang tidak didukung oleh rekaman?
Konsepnya adalah membuat video dapat dicari menggunakan bahasa yang biasa digunakan seseorang. Saat aktivitas terdeteksi, Bunker membuat deskripsi bertanda waktu yang dikaitkan dengan peristiwa dalam video. Pertanyaan pengguna digunakan untuk mencari rekaman yang telah diindeks tersebut dan menampilkan rekaman yang relevan. Dengan begitu, pengguna memiliki titik awal tanpa harus menelusuri seluruh rekaman secara manual.
Rekaman seharusnya tetap menjadi dasar untuk memeriksa hasilnya. Deskripsi yang dihasilkan berguna sebagai panduan, tetapi tidak boleh dianggap lebih otoritatif daripada apa yang benar-benar ditangkap kamera.
Untuk pengujian, saya akan memisahkan tiga pertanyaan: Apakah sistem melewatkan peristiwa yang relevan? Apakah sistem mengambil sesuatu yang tidak sesuai dengan permintaan? Apakah deskripsinya mencakup sesuatu yang tidak didukung oleh rekaman? Itu adalah jenis kegagalan yang berbeda. Menilai hanya apakah pencarian menghasilkan jawaban yang tampak masuk akal tidaklah cukup.
Apa konsekuensi penggunaan perangkat keras NVIDIA Jetson terhadap ukuran model, akurasi, konsumsi daya, dan jumlah umpan kamera yang dapat Anda analisis? Bagaimana Anda menjaga kinerja tetap andal saat menggunakan kamera pihak ketiga yang lebih lama, mencapai kapasitas pemrosesan, atau kehilangan koneksi internet?
Pertanyaan dalam perancangan adalah bagaimana memberikan analisis yang berguna dengan sumber daya yang tersedia di lokasi. Kompleksitas model, jumlah video yang diproses, dan waktu respons yang dibutuhkan semuanya harus sesuai dengan batas operasional gateway. Karena itu, jumlah aliran video yang didukung saja tidak cukup untuk menggambarkan keseluruhan kinerja.
Rencana peluncuran Bunker mendukung hingga 10 aliran kamera. Kamera ONVIF yang kompatibel memungkinkan pelanggan tetap menggunakan perangkat keras yang sudah mereka miliki, tetapi kompatibilitasnya tetap perlu diverifikasi untuk setiap pemasangan. Profil, firmware, kualitas gambar, dan fitur yang digunakan semuanya berpengaruh.
Kita juga perlu menjelaskan ketahanan sistem secara tepat. Pemrosesan lokal dan layanan yang terhubung ke cloud merupakan bagian sistem yang berbeda, dan keberadaan gateway tepi tidak berarti setiap fitur akan berfungsi normal saat koneksi internet terputus. Pembaruan juga merupakan bagian dari keandalan. Setiap pembaruan ditandatangani dan diverifikasi di gateway sebelum dipasang, versi lama yang rentan ditolak, dan pembaruan yang gagal secara otomatis dikembalikan ke versi sebelumnya. Pembaruan yang buruk seharusnya tidak sampai membuat sistem keamanan suatu properti luring.
Inferensi lokal saja tidak menjawab semua pertanyaan tentang privasi. Di mana Bunker menyimpan rekaman, kueri pencarian, dan metadata yang dihasilkan AI, berapa lama data tersebut disimpan, dan siapa yang dapat mengaksesnya? Bagaimana Anda meningkatkan model tanpa menganggap bahwa Anda memiliki akses ke rekaman pribadi pelanggan?
Saya setuju. “AI tepi” bukanlah kebijakan privasi yang lengkap. Pelanggan perlu memahami ke mana data mereka dikirim, data apa yang disimpan, dan siapa yang dapat mengaksesnya; ini mencakup kueri pencarian dan deskripsi yang dihasilkan, serta video.
Rekaman dan basis data yang mendukung layanan ini dienkripsi saat tersimpan. Kata sandi di-hash dan sesi kedaluwarsa, sehingga bahkan jika terjadi kebocoran basis data, tidak ada yang akan memperoleh kredensial login yang dapat digunakan. Gateway itu sendiri juga dienkripsi, sehingga perangkat yang dicuri tidak akan memberikan akses ke rekaman maupun kredensial. Penawaran peluncuran Bunker mencakup riwayat video cloud selama 60 hari pada paket Standard dan 365 hari pada paket Premium, serta Video Vault untuk klip yang dipilih pelanggan untuk disimpan.
Kami tidak menggunakan rekaman pelanggan untuk melatih model kami, dan kami tidak membuat templat biometrik siapa pun yang terekam kamera. Penggunaan produk oleh pelanggan bukanlah izin bagi kami untuk menggunakan kembali video pribadi mereka.
Kontroversi seputar Flock Safety menyoroti pertanyaan tentang siapa yang dapat mencari data pengawasan dan apakah akses dicabut dengan semestinya. Meskipun model penerapan Anda berbeda, pelajaran apa yang berlaku bagi sistem Anda, dan perlindungan apa yang seharusnya wajib, bukan opsional?
Kecaman terhadap Flock sebenarnya bukan soal AI. Persoalannya adalah siapa yang dapat masuk dan mencari data. Sebagian besar sorotan tertuju pada keamanan akun, termasuk anggota parlemen yang mempertanyakan mengapa autentikasi multifaktor tidak diwajibkan. Jika kata sandi yang dicuri saja cukup untuk mencari di sistem pengawasan, lokasi pemrosesan model tidak lagi penting.
Di Bunker, hanya pengguna yang diberi akses oleh pemilik sistem yang dapat mengakses data sistem tersebut. Kami tidak membagikannya kepada pihak ketiga, tidak menggunakan data pelanggan untuk melatih model kami, dan tidak membuat templat biometrik.
Keamanan harus dimulai dari perangkat dan berlanjut hingga ke akun. Setiap gateway Bunker dilengkapi identitas kriptografisnya sendiri, sehingga tidak ada kata sandi bawaan yang perlu diganti atau dicari tahu oleh penyerang. Firmware diverifikasi setiap kali perangkat dinyalakan, pembaruan ditandatangani dan diperiksa sebelum dipasang, dan proses masuk dilindungi dengan autentikasi multifaktor. Selain itu, akses harus segera dicabut ketika tidak lagi diperlukan, dan aktivitas sensitif harus meninggalkan catatan yang dapat diaudit. Kepercayaan bergantung pada kemampuan untuk menjelaskan siapa melakukan apa.
Orang yang terekam kamera sering kali bukan orang yang membelinya. Bagaimana seharusnya pengawasan berbasis AI mempertimbangkan privasi tetangga, karyawan, pengunjung, dan orang yang melintas, serta adakah kemampuan yang sengaja tidak akan Anda kembangkan?
Instalasi harus memiliki tujuan yang jelas, dan tujuan tersebut harus menjadi panduan mengenai apa yang direkam, apa yang dianalisis, serta siapa yang dapat melihat hasilnya. Keinginan untuk mengamankan pintu masuk bukan berarti setiap aktivitas di properti tetangga harus menjadi bagian dari catatan yang dapat ditelusuri.
Salah satu batasan yang kami tetapkan adalah terkait identitas. Bunker tidak membuat templat biometrik dan tidak mengaitkan identitas dengan siapa pun yang terdeteksi. Sistem ini menjelaskan apa yang terjadi, bukan siapa seseorang. Dengan begitu, sistem tetap berfokus pada peristiwa, bukan melacak atau membuat profil orang.
Kemampuan yang lebih banyak tidak serta-merta berarti nilai yang lebih besar. Jika suatu fitur menimbulkan masalah kepercayaan yang serius tanpa menyelesaikan masalah pelanggan yang jelas, itu menjadi alasan untuk tidak mengembangkannya.
Menilik tiga hingga lima tahun ke depan, kemampuan bermakna apa yang menurut Anda akan dihadirkan AI edge di luar kemampuan deteksi dan pencarian saat ini—dan masalah teknis atau kepercayaan apa yang harus diatasi sebelum teknologi ini layak diadopsi secara luas?
Sejujurnya, masa depan AI saat ini belum terpetakan, dan perkembangannya berlangsung lebih cepat daripada apa pun yang pernah saya lihat sepanjang karier. Kami hampir setiap hari mengikuti perubahan tersebut dan mencari tahu bagaimana perubahan itu benar-benar dapat bermanfaat bagi orang-orang yang menggunakan platform kami.
Hal yang paling penting bagi kami adalah konteks, pemahaman, serta sistem yang terus belajar dan berkembang. Nilainya terletak pada kemampuannya membantu seseorang memahami situasi yang sedang berkembang dan menentukan hal yang perlu mendapat perhatian, alih-alih harus merangkai sendiri serangkaian notifikasi yang terpisah.
Tantangan teknisnya adalah memastikan kemampuan tersebut bekerja secara andal di lingkungan yang berubah-ubah dan tetap sesuai dengan keterbatasan perangkat keras setempat. Tantangan kepercayaannya adalah membuat batasan sistem dan praktik pengelolaan datanya mudah dipahami. Orang perlu mengetahui apa yang diamati sistem, apa yang disimpulkannya, dan kapan keputusan perlu diambil oleh manusia.
Terima kasih atas wawancara yang luar biasa. Pembaca yang ingin melihat kamera keamanan profesional, perekam, dan sistem pengawasan video bertenaga AI sebaiknya mengunjungi IC Realtime.












