Ofir Mulla, Co-Founder dan CTO dari Lumana – Seri Wawancara

Ofir Mulla, Co-Founder dan CTO dari Lumana, membawa lebih dari satu dekade pengalaman mendalam di teknologi 3D dan visi komputer, telah mempelopori dan menskalakan solusi di seluruh kode cahaya, stereo, dan modalitas LiDAR sambil memimpin pengembangan antar disiplin di perangkat lunak, sistem listrik, robotika, ML/AI, dan perangkat medis. Sebelum posisinya saat ini di Lumana, dia menghabiskan hampir 15 tahun di Intel (INTC ) di mana dia merancang platform 3D RealSense dan memimpin tim yang mencakup perangkat keras, firmware, dan arsitektur sistem.

Lumana adalah perusahaan keamanan video dan kecerdasan visual yang maju, yang platformnya mengubah kamera yang ada menjadi agen pintar dan cerdas dengan menggunakan AI untuk mendeteksi dan merespons peristiwa di dunia nyata secara waktu nyata – dari akses tidak sah dan pelanggaran keamanan hingga wawasan operasional – memungkinkan perusahaan di seluruh pendidikan, pemerintah, ritel, manufaktur, dan hospitalitas untuk mengintegrasikan kecerdasan kamera, mengotomatisasi pemantauan, dan membuka analitik yang dapat ditindaklanjuti dari infrastruktur video mereka.

Bagaimana pengalaman Anda di Intel mempersiapkan Anda untuk Lumana dan mendirikan perusahaan?

Teknologi LiDAR adalah bagian inti dari RealSense, metode aktif untuk memproyeksikan cahaya laser untuk menangkap geometri dunia. Ini adalah teknologi cahaya kode yang indah yang ditemukan oleh insinyur brilian kami di Intel. Pemahaman geometri sangat penting untuk objek yang bergerak, seperti robot dan mobil, yang mengapa sebagian besar sistem robotik saat ini bergantung pada perangkat RealSense.

Namun, pertanyaan muncul: apa yang terjadi ketika sensor-sensor tersebut diam, di mana navigasi dan waktu-ke-dampak bukanlah tugas utama? Kami bertanya pada diri sendiri: teknologi apa yang dapat memberikan nilai terbesar kepada pengguna dalam konteks tersebut?

Melalui diskusi mendalam, kami menyadari bahwa sebagian besar sistem kamera stasioner yang ada tidak dapat diskalakan secara alami. Memantau setiap sistem sangat merepotkan. Pada saat yang sama, AI telah matang sehingga kami mulai bertanya: bagaimana sistem yang terjangkau di situs pelanggan dapat memberikan respons keamanan yang paling mendesak dan dapat diandalkan untuk peringatan kritis?

Kami membangun tim AI yang kuat yang dengan cepat mengubah visi ini menjadi produk yang berfungsi. Wawasan sederhana: kendaraan yang bergerak memerlukan pemahaman geometri, tetapi sensor stasioner, yang fokus pada memantau perilaku daripada merencanakan gerakan, lebih diuntungkan dari analisis video lanjutan tanpa rekonstruksi geometri eksplisit.

Pengalaman RealSense mengajarkan saya bahwa setiap masalah memerlukan solusi sendiri dan gangguan yang sebenarnya memerlukan inovasi. Tim saya di Lumana menjelmakan prinsip ini: profesional, inovatif, dan bersemangat. Bersama-sama, kami telah menciptakan sistem on-premise, waktu nyata yang membawa kinerja cloud-like ke tepi, terjangkau, scalable, dan responsif.

Bagaimana Physical AI melampaui analisis video tradisional seperti deteksi objek dan pelabelan pola?

Ketika kita berbicara tentang Physical AI, kita maksudkan sistem AI yang tidak berhenti pada persepsi, tetapi secara aktif berinteraksi dengan dunia nyata. Analisis video tradisional, seperti deteksi objek atau pelabelan pola, hanya lapisan pertama. Tantangan yang lebih dalam adalah apa yang datang setelahnya: mengatur, melacak, mengagregat, mengidentifikasi, mengambil, mencari, dan memverifikasi objek yang terdeteksi dan mempercepat respons. Ini juga termasuk memungkinkan akses berbasis teks dan bahkan mencari objek yang sistem tidak dilatih untuk mendeteksi sebelumnya.

Semua ini harus dicapai dalam perangkat komputasi yang kompak dan terjangkau. Itulah di mana Physical AI melampaui analisis tradisional: itu mengubah deteksi mentah menjadi intelijen yang dapat ditindaklanjuti dan dapat diakses. Ini bukan tentang menemukan hukum fisika, suatu upaya ilmiah yang masih diperdebatkan, tetapi tentang memberikan cara praktis dan efisien untuk mengakses dan bertindak atas konten visual dan audio dalam lingkungan dunia nyata.

Apa yang menjadi pilar teknis yang memungkinkan Lumana untuk menggabungkan data dari beberapa kamera, menafsirkan perilaku secara waktu nyata, dan terus beradaptasi berdasarkan input kontekstual dan historis?

Pertanyaan yang bagus. Salah satu pilar teknis inti kami adalah kemampuan sistem on-premise untuk terus beradaptasi dengan adegan yang diamati, apa yang sekarang sering disebut pembelajaran terus-menerus. Anda dapat memikirkannya sebagai sistem yang berkembang dengan lingkungannya, meningkatkan kinerja seiring waktu. Pendekatan ini telah memungkinkan kami untuk memberikan kinerja tinggi dengan biaya sangat rendah dan kecepatan luar biasa.

Pilar lain yang penting adalah arsitektur hierarkis kami, yang dengan cerdas meningkatkan upaya komputasi hanya ketika diperlukan. Ini memastikan bahwa tindakan kompleks menerima sumber daya yang dibutuhkan tanpa membebani seluruh sistem.

Diambil bersama, prinsip-prinsip ini membentuk platform yang sederhana, efisien, dan sangat scalable, memungkinkan pengguna untuk mengalami wawasan waktu nyata yang kuat dan interpretasi perilaku pada biaya terendah.

Apakah Anda dapat membagikan satu atau dua contoh penerapan dunia nyata di mana sistem Lumana mendeteksi peristiwa seperti eskalasi kekerasan, pelanggaran batas keamanan, atau mengembara, dan menjelaskan dampak yang mereka miliki pada keamanan atau respons operasional?

Penerapan Lumana di kota menunjukkan perbaikan yang jelas dalam kesadaran waktu nyata dan respons. Di sebuah kota besar di Israel, sistem ini mengubah jaringan video yang ada menjadi lapisan peringatan dini yang cerdas yang mendeteksi mengembara di zona terlarang, anomali kerumunan, invasi setelah jam kerja, dan gerakan tidak teratur. Ini menyebabkan fewer break-ins, vandalisme yang berkurang, dan intervensi yang lebih cepat di daerah berisiko tinggi.

Sebuah munisipalitas AS melihat keuntungan serupa di sebuah distrik bersejarah yang bergelut dengan vandalisme, pencurian mobil, gangguan, dan mengembara. Lumana memberikan pemantauan terus-menerus dan peringatan segera, memungkinkan patroli proaktif dan respons yang lebih cepat. Ini menghasilkan ruang publik yang lebih aman dan pemborosan operasional yang lebih sedikit untuk kota.

Contoh-contoh ini menunjukkan bagaimana deteksi waktu nyata perilaku, seperti mengembara dan pelanggaran batas, memperkuat keamanan publik dan merapikan operasi.

Dengan sistem AI yang menafsirkan perilaku fisik yang sensitif, apa yang menjadi pengaman privasi yang tertanam dalam desain dan proses penerapan Anda?

Teknologi dan desain Lumana menekankan pemerintahan yang kuat dan pergerakan data minimal. Pengolahan dilakukan di tepi, kapan pun memungkinkan, untuk membatasi paparan dan memperkuat privasi. Akses dibatasi melalui kontrol yang jelas dan jejak audit sehingga tim dapat mengikuti setiap alur kerja. Sistem ini menjaga video tetap lokal, hanya berbagi metadata yang diperlukan, yang mendukung harapan privasi di lingkungan yang diatur.

Pengaman ini memastikan bahwa data visual yang sensitif ditangani secara bertanggung jawab, sambil mempertahankan kinerja yang diperlukan untuk operasi waktu nyata.

Apa yang mendorong arsitektur hybrid-cloud Anda, dan bagaimana itu mendukung pemrosesan waktu nyata dan pembelajaran terus-menerus?

Lumana menggunakan pendekatan hybrid untuk menggabungkan kinerja sistem on-premise dengan fleksibilitas cloud. Pengolahan tepi memberikan kinerja AI waktu nyata, penyimpanan, dan manajemen video secara lokal secara default. Ini mengurangi permintaan bandwidth dan memperkuat privasi, sambil masih memungkinkan dukungan cloud ketika diperlukan untuk koordinasi yang lebih luas atau pembelajaran di seluruh penerapan.

Arsitektur ini memberikan pengguna responsivitas segera sambil mempertahankan kemampuan untuk menskalakan dan meningkatkan melalui adaptasi terus-menerus di seluruh situs.

Bagaimana kemampuan self-learning dirancang, dan bagaimana itu meningkatkan dari waktu ke waktu di penerapan multi-situs?

Arsitektur kemampuan self-learning kami dibangun di sekitar skala. Semakin banyak situs yang kami terapkan, semakin luas perspektif kami menjadi di seluruh lanskap perangkat tepi. Setiap lingkungan baru memberikan data segar, memperluas keragaman skenario dan adegan yang sistem dapat belajar dari.

Metodologi pembelajaran terus-menerus kami memanfaatkan pengetahuan kolektif ini. Ketika sistem memperbarui diri di seluruh penerapan, proses pelatihan online menjadi lebih sederhana dan lebih efisien. Dalam istilah praktis, semakin luas penerapan, semakin cepat dan akurat adaptasi, menghasilkan sistem yang terus-menerus meningkat dari waktu ke waktu di seluruh situs.

Siapa yang Anda lihat sebagai pesaing utama atau kolaborator di ruang ini, dan apa yang membuat Lumana unik?

Keunikan kami yang sebenarnya terletak pada orang-orang kami. Di balik Lumana adalah tim insinyur dan inovator yang brilian, dimulai dengan grup AI kami, didukung oleh spesialis cloud kami, perancang UX/UI, dan diperkuat oleh dukungan pelanggan dan penjualan. Sementara AI membentuk tulang punggung teknologi kami, itu adalah mesin manusia yang menggerakkan kesuksesan kami. Kreativitas, profesionalisme, dan dedikasi tim kami adalah apa yang membedakan Lumana, baik dalam persaingan maupun kolaborasi.

Lumana menekankan “Think big,” “Customer-first,” “One team,” dan “Master your craft.” Bagaimana Anda mengoperasikan nilai-nilai tersebut dalam perekrutan, pengembangan produk, dan kehidupan sehari-hari?

Kami merekrut inovator yang berpikir besar, memecahkan masalah, berkolaborasi, dan berkomitmen untuk pertumbuhan.

Tim produk mengembangkan AI yang scalable dengan visi ambisius, mengulangi melalui umpan balik pelanggan, memupuk kerja sama, dan berusaha untuk keunggulan.

Operasi sehari-hari menggunakan metode agile untuk memungkinkan ide-ide berani, memprioritaskan kebutuhan pelanggan, membangun kesatuan tim, dan mendukung pengembangan profesional.

Praktik-praktik ini menggerakkan inovasi, kesuksesan pelanggan, dan dampak dalam keamanan video AI.

Menghadap ke depan lima tahun, bagaimana Anda membayangkan peran Lumana berkembang dalam ekosistem AI yang lebih luas – dan apa dampak yang Anda harapkan Physical AI akan memiliki pada industri seperti keamanan, manufaktur, atau kota pintar pada saat itu?

Menghadap ke depan lima tahun, kami melihat peran Lumana berkembang sebagai pemungkit praktis Physical AI di seluruh industri. Sementara memecahkan hukum fisika dasar masih menjadi teka-teki ilmiah, fokus kami saat ini adalah pada nilai pelanggan, mengembangkan alat yang memungkinkan organisasi untuk memantau dan merespons dunia di sekitar mereka dengan lebih baik, di seluruh aplikasi.

Kami sudah mempertahankan kolaborasi jangka panjang dengan pusat medis, dan sedang menjelajahi ekspansi ke platform yang bergerak seperti robotika dan transportasi. Seiring waktu, ketika kami tumbuh dan menskalakan, kami juga berencana untuk berinvestasi dalam pertanyaan penelitian dasar: apakah AI dapat menemukan pola yang lebih dalam di alam, atau bahkan membantu kita merumuskan teori baru tentang hukum fisika? Apakah konsep seperti dimensionalitas waktu dapat diterangi oleh sistem pembelajaran?

Ambisi kami adalah untuk menggerakkan dampak di seluruh keamanan, manufaktur, dan kota pintar, sambil mempertahankan pandangan pada cakrawala yang lebih luas, mendorong batas-batas apa yang AI dapat bantu kita temukan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Lumana.