Fredrik Nilsson, Vice President, Americas, Axis Communications – 인터뷰 시리즈

Fredrik Nilsson, Vice President, Americas, Axis Communications,는 북미와 남미 전역에서 회사의 운영을 총괄하며 파트너와 최종 사용자를 위한 네트워크 기반 보안 솔루션 개발 및 제공에 집중하는 팀을 이끌고 있습니다. 오랜 기간 Axis의 임원으로 재직한 Nilsson은 아날로그 폐쇄 회로 텔레비전에서 IP 기반 네트워크 비디오로 전환되는 보안 산업에서 중요한 역할을 수행했습니다. 2003년 미국 지역을 담당하게 된 이후, 그는 약 2천만 달러에서 10억 달러가 넘는 규모로 지역 매출을 성장시켰으며, 미국 전역에 20개가 넘는 Axis Experience Center의 확장을 지원했습니다. 그는 1996년에 Axis에 입사했으며, 스웨덴에서 제품 관리자와 부서 관리자를 역임한 뒤 비즈니스 개발 이사로 근무하면서 초기 IP 비디오 개발 단계에서 파트너십 구축을 도왔습니다. 경력 초기에 ABB에서 제품 관리자로 일했으며, 현재 워싱턴 D.C.에 있는 MSAB와 Swedish-American Chamber of Commerce 이사회에 참여하고 있습니다.

Axis Communications은 스웨덴에 기반을 둔 기술 기업으로, 네트워크 카메라, 비디오 감시 시스템, 출입 통제, 인터콤, 네트워크 오디오, 레이더 및 분석을 포함한 지능형 물리 보안 및 네트워크 솔루션을 전문으로 합니다. 1984년에 설립되어 스웨덴 룬드에 본사를 두고 있으며, 약 5,000명의 직원을 50개가 넘는 국가에 두고 2015년부터 Canon Group의 일원입니다. 이 회사는 1996년에 세계 최초의 네트워크 카메라라고 설명하는 제품을 출시했으며, 이후 네트워크 비디오에서 보다 폭넓은 연결 보안 기술 포트폴리오로 확장했습니다. 현재 제품들은 에지 기반 분석과 인공지능을 점점 더 많이 통합하여 비디오, 오디오 및 센서 데이터를 보안, 안전, 운영 효율성 및 비즈니스 인텔리전스를 위한 실행 가능한 인사이트로 전환합니다.

귀하의 경력은 ABB에서 원격 모니터링, 초기 네트워크 연결 스토리지 및 사물인터넷 기술 개발, 그리고 Axis Communications에서 아날로그 감시에서 네트워크 비디오로의 전환을 아우릅니다. 이러한 배경이 오늘날 AI 기반 카메라와 지능형 물리 인프라로의 전환에 대한 귀하의 사고 방식을 어떻게 형성했습니까?

AI 기반 카메라로의 전환은 제가 경력 전반에 걸쳐 참여해 온 진화의 다음 단계라고 봅니다—연결 기술과 IP 융합에서 오늘날의 지능형 에지까지. 제 경력 전반에 걸친 공통된 흐름은 고객이 연결 기술을 통해 무엇을 얻을 수 있는지 이해하도록 돕는 것입니다. ABB는 저에게 훌륭한 교육 기관이었습니다. 대규모 글로벌 기업이었기에 전 세계를 여행할 기회를 얻었고, 캐나다에서 1년을 보내며 특히 전력 유틸리티와 같은 대기업 고객과 복잡한 프로젝트를 수행했습니다. 제 역할은 새로운 IP 연결 원격 모니터링 및 제어 시스템의 제품 관리자였습니다. Axis에서는 이후 IP 연결 스토리지 장치라는 새로운 카테고리에서 작업하며 연결 기술의 이점을 전 세계에 알리는 데 기여했습니다. 그리고 IP 융합 초기 단계에서는 동일한 원칙을 바탕으로 기업 고객이 네트워크 연결 비디오의 가치와 IP 기술이 만든 기회를 이해하도록 도왔습니다. 따라서 오늘날 AI 기반 카메라를 볼 때, 저는 같은 진화의 또 다른 단계라고 생각합니다. 기술은 점점 더 강력해지고 있지만, 실제 기회는 여전히 장치를 연결하고 유용한 데이터를 생성하여 고객이 이를 활용하도록 돕는 데 있습니다.

어떤 유형의 컴퓨터 비전 작업이 카메라에서 직접 실행하기에 가장 적합하며, 어떤 애플리케이션이 여전히 로컬 데이터 센터나 클라우드에서 처리될 때 이점을 얻나요?

카메라에서 직접 실행하기에 가장 적합한 작업은 실시간 의사결정, 낮은 지연 시간 및 효율적인 대역폭 사용이 필요한 경우입니다. 예를 들어 사람이나 물체를 감지하고 분류하거나, 카운팅, 움직임 추적, 특정 이벤트 식별 등이 있습니다. Axis Object Analytics와 같은 기술을 사용하면 카메라가 사람, 차량, 색상, 이동 방향 및 기타 특성을 정확하게 감지할 수 있습니다. 또한 Axis Custom Analytics를 통해 매우 특정한 물체나 시나리오에 맞게 카메라를 학습시킬 수 있습니다. 분석 기술이 지속적으로 향상됨에 따라 이러한 지능이 에지에서 더 많이 수행될 수 있습니다. 많은 사용 사례에서 분석을 카메라에서 실행하고 결과 데이터나 메타데이터만 서버나 클라우드로 전송하는 것이 확장성과 비용 측면에서 중요합니다. 클라우드와 서버는 특히 중앙 집중식 관리, 장기 저장, 다수 디바이스에 걸친 메타데이터 분석과 같은 분야에서 여전히 중요한 역할을 합니다. 저는 이를 양자택일의 결정으로 보지 않습니다. 에지와 클라우드는 서로 보완할 수 있으며, 각각이 가장 적합한 역할을 수행합니다.

에지에서 AI를 배포하려면 모델 정확도와 처리 능력, 메모리, 에너지 소비 및 발열 제한 사이의 균형을 맞춰야 합니다. 특수 칩의 발전이 카메라 내에서 현실적으로 달성할 수 있는 범위를 어떻게 변화시키고 있습니까?

실제로 이 현상을 주도하는 두 가지 추세가 있습니다. 첫 번째는 엣지에서의 프로세서 AI 용량이 매우 빠르게 향상되고 있다는 점입니다. 우리 자체 개발 시스템‑온‑칩인 ARTPEC-9는 ARTPEC-8에 비해 AI 처리 용량이 세 배이며, 이를 통해 카메라에서 직접 복잡한 모델을 실행할 여유가 크게 늘었습니다. 향후 세대에서도 이 능력은 계속 증가할 것입니다. 두 번째는 모델의 크기와 효율성이 개선되고 있다는 점입니다. 이는 지난 1년 동안 우리가 많은 진전을 이룬 부분입니다. 우리 R&D 팀은 모델의 더 많은 부분을 엣지에서 직접 실행하도록 하는 데 놀라운 성과를 거두었으며, 많은 시나리오에서 비디오를 다른 곳으로 전송해 처리할 필요 없이 카메라의 데이터만 사용하면 됩니다. 1년 전에는 필요의 약 50%가 카메라에서 처리된다고 이야기했지만, 오늘은 90%에 가깝고 95% 이상에 이를 것으로 예상합니다. 진정한 돌파구는 더 강력한 칩을 갖게 된 것만이 아니라, 보다 효율적인 AI 모델과 결합된 더 능력 있는 하드웨어를 통해 데이터가 생성되는 바로 그곳에서 점점 더 많은 인텔리전스를 구현할 수 있게 된 것입니다. 이는 감시 시스템이 AI를 위해 서버와 클라우드에 의존하는 정도를 크게 낮춥니다.

카메라가 단순히 보안 장치가 아니라 운영 센서로 점점 더 자리매김하고 있습니다. 소매, 운송, 의료, 제조 또는 물류 분야에서 현재 가장 명확한 비즈니스 가치를 제공하고 있는 적용 사례는 무엇입니까?

제조업은 가치가 운영에 직접 연결될 수 있기 때문에 매우 좋은 예시입니다. 예를 들어 BMW Group은 AI 기반 품질 검사 시스템의 일환으로 네트워크 카메라를 활용해 차량의 상세 이미지를 실시간으로 촬영하고 결함을 식별하고 있습니다. 이는 카메라가 단순히 사건을 기록하는 역할과는 매우 다른 역할입니다. 우리는 또한 비디오가 운영 효율성 및 비즈니스 인텔리전스를 위해 보다 넓게 활용되는 추세를 목격하고 있습니다. 운송 및 물류 분야에서는 카메라가 사람, 차량, 물품이 시설 내에서 어떻게 이동하는지를 파악하는 데 도움을 줍니다. 소매업에서는 비디오가 고객 행동, 공간 활용도 및 인력 배치에 대한 통찰을 제공합니다. 공통된 주제는 카메라가 발생한 일을 단순히 기록하는 것이 아니라 프로세스를 개선하는 데 활용될 수 있는 정보를 생성한다는 점입니다.

비디오와 오디오 분석, 레이더, 출입 통제 시스템 및 환경 센서를 결합하면 시각 데이터만으로는 얻을 수 없는 통찰을 어떻게 만들 수 있습니까?

더 많은 컨텍스트를 결합할수록 시스템이 상황을 이해하는 능력이 향상됩니다. 서로 다른 입력을 결합하면 비디오만으로는 얻기 어렵고 때로는 불가능한 통찰을 얻을 수 있습니다. 예를 들어, 객체의 외형과 움직임을 결합하거나 조명이나 가시성이 어려운 상황에서 열영상과 시각 정보를 함께 사용할 수 있습니다. 레이더는 객체의 움직임과 속도 정보를 추가하고, 오디오는 소리를 식별하거나 양방향 통신을 제공하며, 환경 센서는 주변 환경에 대한 추가 컨텍스트를 제공합니다. 다중 센서는 시스템이나 사용자가 감지한 내용에 대한 신뢰성을 높일 수도 있습니다. 기술을 결합하는 것은 핵심 인프라와 같은 중요한 영역을 보호하는 데 매우 중요합니다.

우리는 이미 이 방향으로 나아가고 있습니다. 예를 들어 GSX에서는 시각, 열, 레이더, 오디오 및 환경 감지를 결합한 솔루션을 도입했습니다. 목표는 올바른 데이터를 결합해 조직이 더 빠르고 더 나은 의사결정을 내릴 수 있도록 하는 것입니다. 이는 특히 중요한 인프라를 보호하는 응용 분야에서 여러 정보원을 통해 상황을 보다 완전하게 파악할 수 있기 때문에 중요합니다.

엣지 처리로 전송하거나 저장해야 하는 원시 비디오 양을 줄일 수 있지만, AI 지원 카메라는 여전히 중요한 프라이버시 및 거버넌스 문제를 제기합니다. 필요한 최소한의 개인 데이터만 수집하면서도 유용한 시스템을 설계하기 위해 조직이 따라야 할 원칙은 무엇입니까?

시작점은 시스템이 실제로 달성해야 할 목표가 무엇인지 묻고, 그 목적에 필요한 정보만 수집하도록 하는 것입니다. 프라이버시와 투명성도 중요합니다. 사람들은 비디오가 왜 사용되는지, 그들의 정보가 어떻게 처리되는지 이해하고 싶어합니다. 최근 연구에 따르면 사람들은 비디오 감시에 점점 더 편안함을 느끼고 있지만, 이러한 수용은 당연히 여겨서는 안 됩니다. AI 지원 감시와 관련된 가장 큰 우려는 오탐이나 부정확한 정보, 그리고 데이터의 오용 또는 부적절한 처리입니다. 이는 조직과 기술 제공업체가 시스템을 처음부터 프라이버시와 보안을 내재화하도록 하는 실질적인 책임을 부과합니다. 엣지 처리는 여기서 도움이 될 수 있습니다. 정보를 로컬에서 분석하고 필요한 데이터만 전송함으로써 지속적인 원시 비디오를 네트워크에 전송할 필요가 없기 때문입니다.

물리적 인프라는 수년간 배치된 상태로 남아 있을 수 있지만, AI 모델과 사이버 보안 위협은 빠르게 진화합니다. 카메라 및 기타 엣지 장치를 설계할 때 분석 기능이 보안성을 유지하고, 유지 관리가 가능하며, 운영 수명 전반에 걸쳐 적응 가능하도록 하려면 어떻게 해야 합니까?

이것은 카메라를 독립적인 보안 장치가 아니라 보다 넓은 IT 및 운영 인프라의 일부로 보는 이유 중 하나입니다. 사이버 보안은 장치가 처음부터 보안 소프트웨어, 정기적인 업데이트 및 전체 수명 주기에 걸친 강력한 사이버 보안 보호와 함께 구축되어야 합니다. 예를 들어 Axis에서는 Edge Vault가 장치 무결성을 보호하고 암호화 키를 안전하게 관리하며 신뢰 체인을 구축하기 위한 하드웨어 기반 기반을 제공합니다. 또한 보안 부팅 및 서명된 소프트웨어와 같은 기능을 지원하여 신뢰할 수 있는 소프트웨어만 장치에서 실행되도록 보장합니다.

장치는 분석 및 고객 요구 사항이 변함에 따라 적응할 수 있는 아키텍처가 필요합니다. 오픈 플랫폼은 새로운 애플리케이션과 기술을 통합할 수 있게 해 주어 매번 시스템 전체를 교체하지 않아도 되기 때문에 여기서 중요합니다. 동시에 조직은 연결된 장치에 대한 적절한 거버넌스가 필요합니다. 비디오, 센서 및 엔터프라이즈 시스템이 더 많이 결합됨에 따라 사이버 보안 및 데이터 보호는 전체 시스템 설계의 일부로 다루어져야 하며, 나중에 추가되는 것이 아닙니다.

Axis는 타사 개발자가 장치에 특화된 분석을 구축하고 배포할 수 있는 오픈 애플리케이션 생태계를 지원합니다. 조직이 대규모 카메라 군집에 자체 모델을 실행하려 할 때 오픈 플랫폼과 상호 운용성은 얼마나 중요해질까요?

매우 중요해질 것이라고 생각합니다. 고객은 특히 AI와 분석이 빠르게 진화함에 따라 하나의 기술이나 방식에 얽매이고 싶어하지 않습니다. 오픈 플랫폼은 카메라를 다른 시스템과 쉽게 통합하고 특화된 애플리케이션을 도입하며 대규모 배포를 확장하는 데 도움을 줍니다. 또한 고객의 요구가 변함에 따라 더 큰 유연성을 제공합니다. 공급업체 종속성을 없애고 통합을 단순화함으로써, 오픈하고 상호 운용 가능한 생태계는 변화하는 비즈니스 요구에 맞춰 지능형 엣지 솔루션을 확장하기 쉽게 만듭니다. 궁극적으로 가치는 카메라 자체에만 있는 것이 아니라 카메라, 센서, 분석 및 엔터프라이즈 애플리케이션이 어떻게 함께 작동하느냐에 달려 있습니다.

조명, 카메라 위치, 인간 행동 또는 운영 조건이 변동하여 정확도에 영향을 미칠 수 있는 상황에서, 조직은 배포 후 컴퓨터 비전 시스템의 성능을 어떻게 평가해야 할까요?

모든 것은 사용 사례에 따라 다르지만 가장 중요한 것은 카메라와 AI 모델을 실제 사용될 환경에서 테스트하는 것입니다. 통제된 환경에서 매우 좋은 성능을 보이는 모델도 실제 현장의 조명, 카메라 위치, 날씨, 배경 및 행동에 따라 결과가 달라질 수 있습니다. 그래서 우리는 고객이 실제 환경에서 Axis Object Analytics 또는 Axis Custom Analytics와 같은 분석을 평가하고 해당 애플리케이션에 충분히 높은 정확도를 확보하도록 권장합니다. BMW 공장은 이러한 접근 방식을 보여주는 좋은 사례입니다. 카메라는 실제 생산 현장에서 사용되고 있으며, 이미지 품질과 그에 따른 분석이 실제 제조 공정을 지원해야 합니다.

에지 AI가 더욱 강력해짐에 따라, 향후 10년 동안 네트워크 카메라의 역할은 어떻게 진화할 것이며, 카메라가 지능형·반응형 환경의 활성 구성 요소가 되면서 어떤 새로운 기능이 등장할 수 있을까요?

네트워크 카메라는 시스템에서 훨씬 중심적인 역할을 차지하고 있습니다. 이제 단순히 영상을 생성하는 카메라가 아니라 데이터를 생성하고 이를 다양한 시스템에 분석·공유할 수 있는 센서가 되었습니다. 처리 능력이 계속 증가함에 따라 카메라는 주변 환경을 이해하고 실시간으로 유용한 정보를 제공하는 능력이 더욱 향상될 것으로 기대합니다. 이것이 바로 Scene Intelligence의 개념으로, 카메라가 장면에 대한 깊은 이해를 바탕으로 객체, 특성 및 주변 상황에 대한 보다 의미 있는 정보를 제공할 수 있게 합니다.

이는 보다 정교한 객체 및 행동 감지, 다른 센서 및 엔터프라이즈 시스템과의 통합 강화, 그리고 조직이 이벤트에 대응하는 방식을 자동화하는 것을 의미할 수 있습니다. 더 큰 변화는 비디오가 보다 넓은 데이터·인텔리전스 계층의 한 부분이 된다는 점입니다. 카메라는 여전히 현상을 촬영하지만, 점점 더 그 현상을 설명하고 조직이 다음에 취할 조치를 제시하는 데 도움을 줄 수 있습니다.

훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶은 독자는 Axis Communications을 방문하십시오.