Ofir Mulla, Co-Fondatore e CTO di Lumana – Serie di Interviste

Ofir Mulla, Co-Fondatore e CTO di Lumana, porta con sé oltre un decennio di esperienza approfondita nelle tecnologie 3D e di visione artificiale, avendo sviluppato e scalato soluzioni attraverso modalità di luce codificata, stereo e LiDAR mentre guidava lo sviluppo interdisciplinare di software, sistemi elettrici, robotica, ML/AI e dispositivi medici. Prima del suo attuale ruolo in Lumana, ha trascorso quasi 15 anni in Intel dove ha progettato la piattaforma RealSense 3D e guidato team che coprivano hardware, firmware e architettura di sistema.

Lumana è un’azienda avanzata di video-sicurezza e intelligenza visiva la cui piattaforma trasforma le telecamere esistenti in agenti intelligenti e percepiti sfruttando l’AI per rilevare e rispondere a eventi del mondo reale in tempo reale – dall’accesso non autorizzato e violazioni della sicurezza a informazioni operative – abilitando imprese in settori come istruzione, governo, retail, produzione e ospitalità a unificare l’intelligenza delle telecamere, automatizzare il monitoraggio e sbloccare analisi azionabili dalla loro infrastruttura video.

Come le tue esperienze in Intel ti hanno preparato per Lumana e la fondazione dell’azienda?

La tecnologia LiDAR è stata una parte fondamentale di RealSense, un metodo attivo di proiezione di luce laser per catturare la geometria del mondo. È una bellissima tecnologia di luce codificata che i nostri ingegneri brillanti in Intel hanno inventato. La sensazione della geometria è critica per gli oggetti in movimento, come robot e auto, ed è per questo che la maggior parte dei sistemi robotici di oggi si basa su dispositivi RealSense.

Ma è sorta una domanda: cosa succede quando i sensori sono stazionari, dove la navigazione e il tempo di impatto non sono le principali attività? Ci siamo chiesti quale tecnologia potesse fornire il maggior valore agli utenti in quel contesto.

Attraverso discussioni approfondite, ci siamo resi conto che la maggior parte dei sistemi di telecamere stazionarie esistenti non può essere scalata naturalmente. Monitorare ogni sistema è faticoso. Allo stesso tempo, l’AI era maturata al punto in cui abbiamo iniziato a chiederci: come può un sistema economico sul sito del cliente fornire le risposte di sicurezza più urgenti e affidabili agli avvisi critici?

Abbiamo costruito un forte team di AI che ha rapidamente trasformato questa visione in un prodotto funzionante. L’intuizione era semplice: i veicoli in movimento richiedono la sensazione geometrica, ma i sensori stazionari, concentrati sul monitoraggio del comportamento piuttosto che sulla pianificazione del movimento, traggono maggior beneficio dall’analisi video avanzata senza la ricostruzione geometrica esplicita.

Il viaggio di RealSense mi ha insegnato che ogni problema richiede la sua soluzione e che la vera innovazione richiede innovazione. Il mio team in Lumana incarna questo principio: professionale, innovativo e motivato. Insieme abbiamo creato un sistema on-premise in tempo reale che porta le prestazioni del cloud ai margini, economico, scalabile e reattivo.

Come il Physical AI va oltre l’analisi video tradizionale come il rilevamento di oggetti e l’etichettatura dei modelli?

Quando parliamo di Physical AI, intendiamo un sistema di AI che non si ferma alla percezione, ma interagisce attivamente con il mondo reale. L’analisi video tradizionale, come il rilevamento di oggetti o l’etichettatura dei modelli, è solo il primo livello. La sfida più profonda è ciò che segue: organizzare, tracciare, aggregare, identificare, recuperare, cercare e verificare gli oggetti rilevati e accelerare la risposta. Ciò include anche l’abilitazione dell’accesso basato su testo e persino la ricerca di oggetti che il sistema non era stato originariamente addestrato a rilevare.

Tutto ciò deve essere realizzato all’interno di un dispositivo di calcolo compatto ed economico. È qui che il Physical AI va oltre l’analisi tradizionale: trasforma il rilevamento grezzo in intelligenza azionabile e accessibile. Non si tratta di scoprire le leggi della fisica, un’impresa scientifica ancora in discussione, ma di fornire modi pratici ed efficienti per accedere e agire sul contenuto visivo e audio in ambienti del mondo reale.

Quali sono i pilastri tecnici che consentono a Lumana di fondere i dati da più telecamere, interpretare il comportamento in tempo reale e adattarsi continuamente in base agli input contestuali e storici?

Ottima domanda. Uno dei nostri pilastri tecnici fondamentali è la capacità del sistema on-premise di adattarsi continuamente alla scena che osserva, ciò che ora viene spesso chiamato apprendimento continuo. Puoi pensarlo come un sistema che evolve con il suo ambiente, migliorando nel tempo. Questo approccio ci ha permesso di offrire prestazioni elevate con un costo molto basso e un’eccezionale agilità.

Un altro pilastro chiave è la nostra architettura gerarchica, che escalation intelligentemente lo sforzo computazionale solo quando necessario. Ciò garantisce che le azioni complesse ricevano le risorse di cui hanno bisogno senza gravare sull’intero sistema.

Presi insieme, questi principi formano una piattaforma che è semplice, efficiente e altamente scalabile, consentendo agli utenti di sperimentare potenti intuizioni in tempo reale e interpretazione del comportamento al minor costo possibile.

Puoi condividere uno o due esempi di distribuzione nel mondo reale in cui il sistema di Lumana ha rilevato eventi come l’escalation di violenza, la violazione dei confini di sicurezza o il vagabondaggio, e spiegare l’impatto che questi hanno avuto sulla sicurezza o sulla risposta operativa?

Le distribuzioni di Lumana nelle città mostrano chiari miglioramenti nella consapevolezza e nella risposta in tempo reale. In una grande città in Israele, il sistema ha trasformato una rete video esistente in uno strato di allarme precoce intelligente che ha rilevato il vagabondaggio in aree restrittive, anomalie di folla, intrusioni dopo ore e movimenti erratici. Ciò ha portato a meno intrusioni, meno vandalismi e interventi più rapidi in aree ad alto rischio.

Un comune degli Stati Uniti ha visto guadagni simili in un distretto storico che lottava con il vandalismo, i furti d’auto, le distrazioni e il vagabondaggio. Lumana ha fornito monitoraggio continuo e avvisi immediati, consentendo pattuglie proattive e risposte più rapide. Ciò ha portato a spazi pubblici più sicuri e meno sprechi operativi per la città.

Questi esempi illustrano come il rilevamento in tempo reale del comportamento, come il vagabondaggio e la violazione dei confini, rafforzi la sicurezza pubblica e razionalizzi le operazioni.

Con i sistemi di AI che interpretano il comportamento fisico sensibile, quali salvaguardie sulla privacy sono incorporate nel tuo design e processo di distribuzione?

La tecnologia e il design di Lumana enfatizzano una forte governance e un minimo spostamento dei dati. L’elaborazione viene eseguita sull’orlo, quando possibile, per limitare l’esposizione e rafforzare la privacy. L’accesso è limitato attraverso controlli chiari e registri di audit in modo che i team possano seguire ogni flusso di lavoro. Il sistema mantiene il video locale, condividendo solo i metadati necessari, il che supporta le aspettative di privacy in ambienti regolamentati.

Queste salvaguardie garantiscono che i dati visivi sensibili siano gestiti in modo responsabile, mantenendo al contempo le prestazioni richieste per le operazioni in tempo reale.

Cosa guida la tua architettura ibrida cloud, e come supporta l’elaborazione in tempo reale e l’apprendimento continuo?

Lumana utilizza un approccio ibrido per combinare le prestazioni dei sistemi on-premise con la flessibilità del cloud. L’elaborazione sull’orlo fornisce AI in tempo reale, archiviazione e gestione video localmente per impostazione predefinita. Ciò riduce le richieste di larghezza di banda e rafforza la privacy, consentendo comunque il supporto cloud quando necessario per una più ampia coordinazione o apprendimento tra le distribuzioni.

Questa architettura fornisce agli utenti una risposta immediata mentre mantiene la capacità di scalare e migliorare attraverso l’adattamento continuo tra i siti.

Come è stata progettata la capacità di auto-apprendimento, e come migliora nel tempo nelle distribuzioni multi-sito?

L’architettura della nostra capacità di auto-apprendimento è costruita intorno alla scala. Più siti distribuiamo, più ampia diventa la nostra prospettiva sul paesaggio dei dispositivi sull’orlo. Ogni nuovo ambiente contribuisce con nuovi dati, ampliando la diversità di scenari e scene che il sistema può apprendere.

Il nostro metodo di apprendimento continuo sfrutta questa conoscenza collettiva. Man mano che il sistema si raffina attraverso le distribuzioni, il processo di formazione online diventa più semplice e più efficiente. In termini pratici, più ampia è la distribuzione, più rapida e precisa è l’adattamento, portando a un sistema che continua a migliorare nel tempo su tutti i siti.

Chi vedi come i tuoi principali concorrenti o collaboratori in questo spazio, e cosa rende Lumana unica?

La nostra vera unicità risiede nelle nostre persone. Dietro Lumana c’è un team di ingegneri brillanti e innovatori, a partire dal nostro gruppo di AI, supportato dai nostri specialisti cloud, designer UX/UI e rafforzato dal supporto clienti e vendite. Mentre l’AI forma la spina dorsale della nostra tecnologia, è il nostro motore umano che guida il nostro successo. La creatività, la professionalità e la dedizione del nostro team sono ciò che distinguono Lumana, sia in competizione che in collaborazione.

Lumana enfatizza “Pensare in grande”, “Cliente al primo posto”, “Un team” e “Mastery della tua arte”. Come operazionalizzi questi valori nel reclutamento, nello sviluppo del prodotto e nella vita quotidiana?

Assumiamo innovatori che pensano in grande, risolvono problemi, collaborano e si impegnano a crescere.

I team di prodotto sviluppano AI scalabile con una visione ambiziosa, iterano attraverso il feedback dei clienti, favoriscono il lavoro collaborativo e aspirano all’eccellenza.

Le operazioni quotidiane utilizzano metodi agili per consentire idee audaci, priorizzare le esigenze dei clienti, costruire l’unità del team e supportare lo sviluppo professionale.

Queste pratiche guidano l’innovazione, il successo dei clienti e l’impatto nell’AI per la sicurezza video.

Guardando avanti di cinque anni, come immagini il ruolo di Lumana nell’ecosistema AI più ampio – e quale impatto spera che il Physical AI avrà su settori come la sicurezza, la produzione o le città intelligenti entro allora?

Guardando cinque anni avanti, vediamo il ruolo di Lumana evolversi come un fattore chiave di Physical AI pratico attraverso i settori. Mentre decifrare le leggi fondamentali della fisica rimane un enigma scientifico, la nostra attenzione oggi è sul valore per il cliente, sviluppando strumenti che consentano alle organizzazioni di monitorare e rispondere meglio al mondo intorno a loro, in qualsiasi applicazione.

Siamo già impegnati in collaborazioni a lungo termine con centri medici e stiamo esplorando l’espansione in piattaforme mobili come robotica e trasporto. Col tempo, man mano che cresciamo e ci espandiamo, intenderemmo anche investire in questioni di ricerca più fondamentali: può l’AI scoprire modelli più profondi nella natura, o aiutarci a formulare nuove teorie sulle leggi della fisica? Potrebbero concetti come la dimensionalità del tempo essere illuminati dai sistemi di apprendimento?

La nostra ambizione è guidare l’impatto attraverso la sicurezza, la produzione e le città intelligenti, mantenendo allo stesso tempo la vista sull’orizzonte più ampio, spingendo i confini di ciò che l’AI può aiutarci a scoprire.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Lumana.