Fredrik Nilsson, Wakil Presiden, Amerika, Axis Communications – Seri Wawancara

Fredrik Nilsson, Wakil Presiden, Amerika, Axis Communications, mengawasi operasi perusahaan di seluruh Amerika Utara dan Selatan, memimpin tim yang berfokus pada pengembangan dan penyediaan solusi keamanan berbasis jaringan untuk mitra dan pengguna akhir. Seorang eksekutif Axis yang lama, Nilsson telah memainkan peran penting dalam transisi industri keamanan dari televisi sirkuit tertutup analog ke video jaringan berbasis IP. Sejak mengambil tanggung jawab untuk wilayah Amerika pada tahun 2003, ia telah membantu meningkatkan pendapatan regional dari sekitar $20 juta menjadi lebih dari $1 miliar dan mendukung ekspansi lebih dari 20 Axis Experience Centers di seluruh Amerika. Ia bergabung dengan Axis pada tahun 1996, sebelumnya menjabat sebagai Manajer Produk dan Manajer Divisi di Swedia serta kemudian sebagai Direktur Pengembangan Bisnis, di mana ia membantu membangun kemitraan selama pengembangan awal video IP. Sebelumnya dalam kariernya, ia adalah Manajer Produk di ABB, dan saat ini menjabat di dewan direksi MSAB serta Kamar Dagang Swedia-Amerika di Washington, D.C.

Axis Communications adalah perusahaan teknologi berbasis Swedia yang berspesialisasi dalam keamanan fisik cerdas dan solusi jaringan, termasuk kamera jaringan, sistem pengawasan video, kontrol akses, interkom, audio jaringan, radar, dan analitik. Didirikan pada tahun 1984 dan berkantor pusat di Lund, Swedia, Axis mempekerjakan sekitar 5.000 orang di lebih dari 50 negara dan telah menjadi bagian dari Grup Canon sejak 2015. Perusahaan ini memperkenalkan apa yang disebutnya sebagai kamera jaringan pertama di dunia pada tahun 1996 dan sejak itu memperluas dari video jaringan ke portofolio teknologi keamanan terhubung yang lebih luas. Produk‑produknya saat ini semakin banyak mengintegrasikan analitik berbasis edge dan kecerdasan buatan untuk mengubah video, audio, dan data sensor menjadi wawasan yang dapat ditindaklanjuti untuk keamanan, keselamatan, efisiensi operasional, dan intelijen bisnis.

Karier Anda telah mencakup pemantauan jarak jauh di ABB, pengembangan awal penyimpanan terhubung jaringan dan teknologi Internet of Things, serta transisi dari pengawasan analog ke video jaringan di Axis Communications. Bagaimana latar belakang tersebut membentuk cara Anda memandang pergeseran menuju kamera berbasis AI dan infrastruktur fisik cerdas saat ini?

Saya melihat pergeseran menuju kamera berbasis AI sebagai langkah selanjutnya dalam evolusi yang telah saya ikuti sepanjang karier – dari teknologi terhubung dan konvergensi IP hingga edge cerdas saat ini. Ada benang merah yang konsisten sepanjang karier saya, yaitu membantu pelanggan memahami apa yang dapat dilakukan teknologi terhubung untuk mereka. ABB adalah sekolah yang luar biasa bagi saya. Itu adalah perusahaan global besar, sehingga saya memiliki kesempatan untuk bepergian ke seluruh dunia, termasuk menghabiskan satu tahun di Kanada, dan bekerja dengan pelanggan perusahaan besar, terutama utilitas listrik, pada proyek‑proyek kompleks. Peran saya adalah manajer produk untuk sistem pemantauan dan kontrol jarak jauh berbasis IP yang baru. Di Axis, saya kemudian bekerja pada kategori baru perangkat penyimpanan terhubung IP dan membantu menyebarkan pesan secara global tentang manfaat teknologi terhubung. Kemudian, pada masa awal konvergensi IP, saya membangun atas prinsip‑prinsip yang sama, membantu pelanggan perusahaan memahami nilai video yang terhubung jaringan dan peluang yang diciptakan oleh teknologi IP. Jadi, ketika saya melihat kamera berbasis AI hari ini, saya melihat langkah lain dalam evolusi yang sama. Teknologi terus menjadi lebih mampu, tetapi peluang nyata tetap tentang menghubungkan perangkat, menghasilkan data yang berguna, dan membantu pelanggan memanfaatkan lebih banyak darinya.

Jenis beban kerja visi komputer apa yang paling cocok dijalankan langsung pada kamera, dan aplikasi apa yang masih mendapat manfaat dari diproses di pusat data lokal atau cloud?

Beberapa beban kerja yang paling cocok untuk dijalankan langsung pada kamera adalah yang memerlukan keputusan waktu nyata, latensi rendah, dan penggunaan bandwidth yang efisien. Misalnya, mendeteksi dan mengklasifikasikan orang atau objek, menghitung, melacak pergerakan, atau mengidentifikasi peristiwa tertentu. Dengan teknologi seperti Axis Object Analytics, kamera dapat secara akurat mendeteksi orang, kendaraan, warna, arah pergerakan, dan karakteristik lainnya. Kami juga dapat melatih kamera untuk objek atau skenario yang sangat spesifik melalui Axis Custom Analytics. Seiring analitik terus berkembang, semakin banyak kecerdasan tersebut dapat terjadi di edge. Untuk banyak kasus penggunaan, menjalankan analitik pada kamera dan mengirim hanya data atau metadata hasilnya ke server, atau ke cloud penting untuk skalabilitas dan biaya. Cloud dan server masih memiliki peran penting, terutama untuk hal‑hal seperti manajemen terpusat, penyimpanan jangka panjang, dan analisis metadata di antara banyak perangkat. Saya tidak melihatnya sebagai keputusan pilih‑satu. Edge dan cloud dapat saling melengkapi, masing‑masing melakukan apa yang paling cocok untuknya.

Menerapkan AI di edge memerlukan penyeimbangan akurasi model dengan keterbatasan daya pemrosesan, memori, konsumsi energi, dan panas. Bagaimana kemajuan pada chip khusus mengubah apa yang secara realistis dapat dicapai dalam sebuah kamera?

Sebenarnya ada dua tren yang mendorong hal ini. Pertama, kapasitas AI pada prosesor di tepi (edge) meningkat sangat cepat. ARTPEC-9, sistem‑on‑chip yang kami kembangkan secara internal, memiliki tiga kali kapasitas pemrosesan AI dibandingkan ARTPEC-8, memberi kami ruang yang jauh lebih besar untuk menjalankan model‑model canggih langsung pada kamera. Generasi mendatang akan terus meningkatkan kemampuan tersebut. Kedua, ukuran dan efektivitas model semakin membaik. Di sinilah kami telah melihat banyak kemajuan selama setahun terakhir. Tim R&D kami telah melakukan pekerjaan luar biasa dalam membuat lebih banyak bagian model berjalan langsung di tepi, sehingga dalam banyak skenario Anda hanya perlu menggunakan data dari kamera alih‑alih mengirim video ke tempat lain untuk diproses. Setahun yang lalu, kami memperkirakan sekitar 50% kebutuhan ditangani di dalam kamera. Hari ini, angka itu mendekati 90%, dan kami memperkirakan akan mencapai 95% atau lebih. Terobosan sebenarnya bukan hanya bahwa kami memiliki chip yang lebih kuat. Tetapi kami menggabungkan perangkat keras yang lebih mampu dengan model AI yang lebih efisien, memungkinkan semakin banyak kecerdasan terjadi langsung di tempat data dihasilkan. Hal ini membuat sistem pengawasan jauh lebih tidak bergantung pada server dan cloud untuk AI.

Kamera semakin diposisikan sebagai sensor operasional bukan hanya sebagai perangkat keamanan. Aplikasi apa di ritel, transportasi, perawatan kesehatan, manufaktur, atau logistik yang saat ini memberikan nilai bisnis paling jelas?

Manufaktur adalah contoh yang sangat baik karena nilainya dapat dihubungkan langsung dengan operasi. BMW Group, misalnya, menggunakan kamera jaringan sebagai bagian dari sistem inspeksi kualitas berbasis AI untuk menangkap gambar detail kendaraan secara real‑time dan mengidentifikasi cacat. Itu merupakan peran kamera yang sangat berbeda dibandingkan sekadar merekam suatu insiden. Kami juga melihat penggunaan video yang semakin meningkat untuk efisiensi operasional dan intelijen bisnis secara lebih luas. Dalam transportasi dan logistik, kamera dapat membantu organisasi memahami bagaimana orang, kendaraan, dan barang bergerak melalui fasilitas. Dalam ritel, video dapat memberikan wawasan tentang perilaku pelanggan, pemanfaatan ruang, dan penempatan staf. Tema umum adalah kamera menghasilkan informasi yang dapat digunakan untuk memperbaiki proses, bukan hanya merekam apa yang terjadi.

Bagaimana penggabungan video dengan analitik audio, radar, sistem kontrol akses, dan sensor lingkungan menghasilkan wawasan yang tidak mungkin didapatkan hanya dari data visual?

Semakin banyak konteks yang Anda gabungkan, semakin baik sistem dapat memahami apa yang terjadi. Ketika Anda menggabungkan berbagai masukan, Anda dapat memperoleh wawasan yang sulit, bahkan kadang tidak mungkin, didapatkan hanya dari video. Misalnya, Anda dapat menggabungkan penampilan suatu objek dengan cara ia bergerak, atau menggunakan informasi termal dan visual bersama ketika pencahayaan atau visibilitas menantang. Radar dapat menambahkan informasi tentang pergerakan dan kecepatan objek, audio dapat mengidentifikasi suara atau menyediakan komunikasi dua arah, dan sensor lingkungan dapat memberikan konteks tambahan tentang apa yang terjadi di lingkungan sekitar. Beberapa sensor juga dapat meningkatkan kepercayaan terhadap apa yang dideteksi oleh sistem atau pengguna. Penggabungan teknologi sangat penting untuk melindungi area kunci kehidupan seperti infrastruktur kritis.

Kami sudah bergerak ke arah ini. Di GSX, misalnya, kami memperkenalkan solusi yang menggabungkan sensor visual, termal, radar, audio, dan lingkungan. Tujuannya adalah menyatukan data yang tepat sehingga organisasi dapat membuat keputusan yang lebih cepat dan lebih terinformasi. Hal ini sangat penting untuk aplikasi seperti melindungi infrastruktur kritis, di mana memiliki banyak sumber informasi dapat memberikan gambaran yang lebih lengkap tentang apa yang terjadi.

Pemrosesan di tepi dapat mengurangi jumlah video mentah yang perlu ditransmisikan atau disimpan, tetapi kamera yang didukung AI tetap menimbulkan pertanyaan penting tentang privasi dan tata kelola. Prinsip apa yang harus diikuti organisasi saat merancang sistem yang berguna tanpa mengumpulkan data pribadi lebih banyak daripada yang diperlukan?

Titik awalnya harus dengan menanyakan apa yang sebenarnya perlu dicapai sistem dan mengumpulkan hanya informasi yang diperlukan untuk tujuan tersebut. Privasi dan transparansi juga penting. Orang ingin memahami mengapa video digunakan dan bagaimana informasi mereka ditangani. Penelitian terbaru kami menunjukkan bahwa orang semakin nyaman dengan pengawasan video, namun penerimaan itu tidak dapat dianggap begitu saja. Kekhawatiran terbesar terkait pengawasan berbasis AI adalah positif palsu atau informasi yang tidak akurat serta potensi penyalahgunaan atau penanganan data yang salah. Hal itu menempatkan tanggung jawab nyata pada organisasi dan penyedia teknologi untuk membangun privasi dan keamanan ke dalam sistem sejak awal. Pemrosesan di tepi dapat membantu karena Anda dapat menganalisis informasi secara lokal dan mengirim hanya data yang diperlukan, alih‑alih memindahkan video mentah secara terus‑menerus melalui jaringan.

Infrastruktur fisik mungkin tetap dipasang selama bertahun‑tahun, sementara model AI dan ancaman keamanan siber berkembang dengan cepat. Bagaimana kamera dan perangkat tepi lainnya harus dirancang agar analitiknya tetap aman, dapat dipelihara, dan dapat beradaptasi sepanjang masa operasinya?

Ini adalah salah satu alasan mengapa saya menganggap kamera sebagai bagian dari infrastruktur TI dan operasional yang lebih luas, bukan sebagai perangkat keamanan yang berdiri sendiri. Keamanan siber harus dibangun ke dalam perangkat sejak awal, dengan perangkat lunak yang aman, pembaruan rutin, dan perlindungan siber yang kuat sepanjang siklus hidupnya. Di Axis, misalnya, Edge Vault menyediakan fondasi berbasis perangkat keras untuk melindungi integritas perangkat, mengamankan kunci kriptografi, dan membangun rantai kepercayaan. Ia juga mendukung kemampuan seperti secure boot dan perangkat lunak yang ditandatangani, membantu memastikan hanya perangkat lunak tepercaya yang berjalan pada perangkat.

Perangkat juga memerlukan arsitektur yang dapat beradaptasi seiring perubahan analitik dan kebutuhan pelanggan. Platform terbuka penting di sini karena memungkinkan organisasi mengintegrasikan aplikasi dan teknologi baru tanpa harus mengganti seluruh sistem setiap kali ada evolusi. Pada saat yang sama, organisasi memerlukan tata kelola yang baik atas perangkat terhubung mereka. Seiring semakin banyak video, sensor, dan sistem perusahaan yang bersatu, keamanan siber dan perlindungan data harus diperlakukan sebagai bagian dari desain sistem secara keseluruhan, bukan sebagai sesuatu yang ditambahkan belakangan.

Axis mendukung ekosistem aplikasi terbuka yang memungkinkan pengembang pihak ketiga membangun dan menyebarkan analitik khusus pada perangkatnya. Seberapa penting platform terbuka dan interoperabilitas akan menjadi ketika organisasi berusaha menjalankan model mereka sendiri pada armada kamera yang besar?

Saya pikir hal itu akan menjadi sangat penting. Pelanggan tidak ingin terkunci pada satu teknologi atau satu cara kerja, terutama karena AI dan analitik terus berkembang dengan sangat cepat. Platform terbuka memudahkan integrasi kamera dengan sistem lain, membawa aplikasi khusus, dan memperluas skala pada penyebaran yang besar. Ini juga memberi pelanggan lebih banyak fleksibilitas saat kebutuhan mereka berubah. Dengan menghilangkan ketergantungan pada vendor dan menyederhanakan integrasi, ekosistem terbuka yang dapat berinteroperasi memudahkan penskalaan solusi edge cerdas sambil menyesuaikan diri dengan permintaan bisnis yang berubah. Pada akhirnya, nilai tidak hanya terletak pada kamera itu sendiri. Nilainya terletak pada cara kamera, sensor, analitik, dan aplikasi perusahaan bekerja bersama.

Bagaimana organisasi harus mengevaluasi kinerja sistem visi komputer setelah diterapkan, terutama ketika pencahayaan, posisi kamera, perilaku manusia, atau kondisi operasional dapat berubah dan berpotensi memengaruhi akurasi?

Semua tergantung pada kasus penggunaan, tetapi hal terpenting adalah menguji kamera dan model AI di lingkungan nyata tempat mereka akan benar‑benar digunakan. Anda mungkin memiliki model yang berkinerja sangat baik dalam pengaturan terkendali, tetapi ujian sesungguhnya adalah apa yang terjadi dengan pencahayaan, posisi kamera, cuaca, latar belakang, dan perilaku yang Anda temui di lokasi. Itulah mengapa kami mendorong pelanggan untuk mengevaluasi analitik seperti Axis Object Analytics atau Axis Custom Analytics di lingkungan nyata dan memastikan akurasi cukup tinggi untuk aplikasi tersebut. Pabrik BMW merupakan contoh yang baik dari pendekatan ini. Kamera digunakan dalam lingkungan produksi nyata, di mana kualitas gambar dan analitik yang dihasilkan harus mendukung proses manufaktur yang sesungguhnya.

Seiring AI edge menjadi lebih mampu, bagaimana Anda memperkirakan peran kamera jaringan akan berkembang dalam dekade berikutnya, dan kemampuan baru apa yang dapat muncul ketika kamera menjadi komponen aktif dari lingkungan cerdas yang responsif?

Kamera jaringan menjadi jauh lebih sentral dalam sistem. Ia tidak lagi sekadar kamera yang menghasilkan video. Ia menjadi sensor yang menghasilkan data yang dapat dianalisis dan dibagikan ke berbagai sistem. Seiring daya pemrosesan terus meningkat, saya memperkirakan kamera akan menjadi lebih baik dalam memahami apa yang terjadi di sekitarnya dan memberikan informasi berguna secara real‑time. Itulah gagasan di balik Scene Intelligence, di mana kamera dapat menggunakan pemahaman yang lebih mendalam tentang adegan untuk memberikan informasi yang lebih bermakna tentang objek, karakteristiknya, dan apa yang terjadi di sekitarnya.

Hal itu dapat berarti deteksi objek dan perilaku yang lebih canggih, integrasi yang lebih besar dengan sensor lain dan sistem perusahaan, serta otomatisasi yang lebih luas dalam cara organisasi merespons peristiwa. Perubahan yang lebih besar adalah video menjadi satu bagian dari lapisan data dan intelijen yang lebih luas. Kamera tetap merekam apa yang terjadi, tetapi semakin sering ia juga dapat membantu menjelaskan apa yang terjadi dan apa yang mungkin ingin dilakukan organisasi selanjutnya.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mengetahui lebih lanjut dapat mengunjungi Axis Communications.