Interviews
Andrew Nassar, technisch directeur van IC Realtime – interviewreeks

Belangrijkste puntenBunker voert de kern-AI-analyse uit op een lokale NVIDIA Jetson-gateway om de…
Meer weergeven
- Bunker voert de kern-AI-analyse uit op een lokale NVIDIA Jetson-gateway om de afhankelijkheid van de cloud te verminderen en meldingen te versnellen.
- Nassar weigert biometrische identiteitsfuncties te bouwen omdat surveillance gebeurtenissen moet beschrijven in plaats van mensen te profileren.
- Edge-AI is geen privacybeleid, aangezien clouddiensten nog steeds externe toegang en videogeschiedenis beheren.
Andrew Nassar is technisch directeur van IC Realtime. Hij heeft het bedrijf mede begeleid bij de overstap van analoge camera’s naar digitale opnames, bewaking op afstand en AI-ondersteunde videoanalyse. Met meer dan 20 jaar ervaring in de bewakingssector richt hij zich op het omzetten van ontwikkelingen in computervisie en edge computing in praktische hulpmiddelen om gebeurtenissen te begrijpen, videobeelden terug te vinden en beveiligingsprocessen te verbeteren.
IC Realtime ontwerpt videobewakingssystemen en software voor woningen en bedrijven. Het Bunker-platform voegt AI-analyse toe aan compatibele camerasystemen via een speciale gateway met NVIDIA Jetson. Dit maakt contextuele meldingen en zoeken in videobeelden met natuurlijke taal mogelijk. Het platform combineert lokale analyse met clouddiensten voor toegang op afstand en een videogeschiedenis.
U hebt een leidende rol gespeeld bij de overstap van IC Realtime van analoge camera’s naar digitale opnames, bewaking op afstand en nu AI. Wat overtuigde u ervan dat AI de bewakingssector fundamenteel kon veranderen, en welke ontwikkelingen hebben geavanceerde videoanalyse aan de rand van het netwerk praktisch toepasbaar gemaakt?
We werken al jaren met machinelearning en computervisie op onze camera’s. De mogelijkheden werden veel relevanter toen het systeem mensen kon helpen een gebeurtenis te begrijpen en de bijbehorende beelden terug te vinden, in plaats van alleen maar meer videomateriaal te produceren dat bekeken moet worden. Een huiseigenaar wil weten wat aandacht verdient. Een bedrijf wil een incident kunnen terugvinden zonder urenlang te hoeven zoeken.
Bunker brengt die aanpak naar een speciale NVIDIA Jetson-gateway op de locatie. Door de belangrijkste analyses dichter bij de camera’s uit te voeren, hoeft niet elke analysetaak naar de cloud te worden gestuurd en kan het systeem sneller reageren. De praktische vooruitgang zit in de combinatie van lokaal rekenwerk en software die video omzet in contextuele meldingen en doorzoekbare gebeurtenissen.
Mijn maatstaf blijft bewezen meerwaarde. De technologie moet een echt probleem oplossen in de omgeving waarin de klant haar gebruikt. Een goede demonstratie is het begin van dat proces.
Kunt u aan de hand van Bunker uitleggen wat er gebeurt vanaf het moment dat een camera een gebeurtenis vastlegt tot het moment waarop een gebruiker een melding ontvangt? Welke AI-functies draaien lokaal, waarvoor is de cloud nog nodig en welke gegevens verlaten de locatie?
In grote lijnen stuurt een compatibele camera videobeelden naar de Bunker Gateway, waarna de belangrijkste AI-analyse op die gateway op de locatie plaatsvindt. Het platform koppelt gedetecteerde activiteit aan video-incidenten en kan een contextuele melding sturen met een momentopname en een beschrijving in gewone taal. Vervolgens kan de gebruiker de video in de app bekijken.
Bunker maakt gebruik van een hybride architectuur. De cloudverbinding biedt ondersteuning voor toegang op afstand, abonnementsdiensten en een videogeschiedenis. Het zou dus misleidend zijn om het platform cloudvrij te noemen of te beweren dat er geen videobeelden de locatie verlaten. Het gaat erom hoe die gegevens worden beschermd wanneer ze de locatie wel verlaten. Alles wordt tijdens verzending versleuteld, inclusief livevideo, die van de gateway tot aan het scherm van de kijker versleuteld blijft. De infrastructuur ertussen stuurt de beelden door, maar kan ze niet bekijken. Elke gateway wordt geverifieerd met een eigen certificaat; inloggegevens worden nooit gedeeld. Beelden die in de cloud zijn opgeslagen, zijn versleuteld.
Klanten moeten helder uitgelegd krijgen hoe die gegevensstroom verloopt, inclusief welke functies afhankelijk zijn van internet en wat er gebeurt als de verbinding uitvalt.
Beveiligingscamera’s werken in de regen, in het donker, bij schittering en in voortdurend veranderende omgevingen. Wat is de lastigste praktijksituatie waarin het systeem faalde die u bent tegengekomen, en hoe meet u of verbeteringen het aantal valse alarmen verminderen zonder dat er meer incidenten worden gemist?
Ik werk al meer dan 20 jaar in deze sector en cameratechnologie is enorm verbeterd, vooral bij weinig licht en onder moeilijke omstandigheden. Nachtbeelden en beelden met veel ruis zijn inmiddels bijna net zo helder als overdag. Toch kunnen regen, schittering, mist en sneeuw de nauwkeurigheid van een AI-model nog steeds verminderen. Betere sensoren nemen die variabelen niet weg.
Daarom hebben we gekozen voor een dynamische aanpak die zich aanpast aan veranderende omgevingen en het tijdstip van de dag, in plaats van te vertrouwen op één vaste configuratie. Tijdens de ontwikkeling van de afgelopen twee jaar hebben we duizenden uren besteed aan tests op locaties in de praktijk, niet alleen met camera’s op een testbank. We hebben het systeem opgebouwd rond de lessen die we uit die toepassingen hebben getrokken.
Ik zou een verbetering niet alleen beoordelen aan de hand van een lager aantal meldingen. De vraag is of irrelevante meldingen verdwijnen terwijl belangrijke incidenten nog steeds worden opgemerkt. Minder ruis is alleen waardevol als het systeem bruikbaar blijft wanneer er iets belangrijks gebeurt.
Een persoon of voertuig detecteren is iets anders dan bepalen of gedrag verontrustend is. Hoe definieert u een afwijking, past u die definitie aan elke locatie aan en voorkomt u dat het systeem onschuldig gedrag als een bedreiging beschouwt?
Een gedetecteerd object vertelt op zichzelf niet of er een probleem is. Bij een bezorging bij de voordeur en activiteit in een verboden zone kan het om hetzelfde type object gaan, terwijl er heel verschillende reacties nodig zijn. Het uitgangspunt moet de gebruikssituatie van de klant zijn, samen met de context van die specifieke locatie.
Ik zou onderscheid maken tussen een gebeurtenis die nader onderzoek verdient en de conclusie dat iemand een bedreiging vormt. Het systeem moet mensen helpen begrijpen wat er is waargenomen en waarom dat onder hun aandacht is gebracht, met toegang tot de onderliggende beelden. Het mag gebruikers er niet toe aanzetten elke onbekende activiteit als bewijs van wangedrag te beschouwen.
Naarmate deze systemen meer mogelijkheden krijgen, wordt het een uitdaging om die context nuttig te maken zonder te overdrijven wat de AI weet. Menselijk oordeel blijft belangrijk, vooral wanneer een waarschuwing aanleiding kan geven tot ingrijpende maatregelen.
Zoeken in natuurlijke taal belooft uren handmatig beeldmateriaal bekijken overbodig te maken. Hoe koppelt uw systeem een beschrijving van een gebruiker aan de juiste video, en hoe test u op gemiste gebeurtenissen, onjuiste overeenkomsten of door AI gegenereerde beschrijvingen die niet door de beelden worden ondersteund?
Het idee is om video doorzoekbaar te maken met de woorden die iemand van nature zou gebruiken. Wanneer er activiteit wordt gedetecteerd, maakt Bunker beschrijvingen met tijdstempels die aan video-events zijn gekoppeld. De vraag van een gebruiker wordt gebruikt om in dat geïndexeerde bestand te zoeken en relevante beelden te tonen. Zo krijgt de gebruiker een beginpunt, zonder de hele opname handmatig te hoeven doorspoelen.
De beelden moeten de basis blijven om het resultaat te controleren. Een gegenereerde beschrijving is handig om beelden te vinden, maar mag niet als betrouwbaarder worden beschouwd dan wat de camera daadwerkelijk heeft vastgelegd.
Bij het testen zou ik drie vragen afzonderlijk beoordelen: heeft het systeem een relevante gebeurtenis gemist? Heeft het iets gevonden dat niet overeenkomt met de zoekopdracht? Bevatte de beschrijving iets wat niet door de beelden wordt ondersteund? Dat zijn verschillende soorten fouten. Alleen beoordelen of de zoekfunctie een aannemelijk antwoord oplevert, is niet voldoende.
Welke afwegingen brengt NVIDIA Jetson-hardware met zich mee op het gebied van modelgrootte, nauwkeurigheid, energieverbruik en het aantal camerabeelden dat u kunt analyseren? Hoe zorgt u voor betrouwbare prestaties bij oudere camera’s van derden, wanneer de verwerkingscapaciteit wordt bereikt of als de internetverbinding wegvalt?
De ontwerpvraag is hoe je nuttige analyses kunt leveren binnen de middelen die op de locatie beschikbaar zijn. De complexiteit van het model, de hoeveelheid video die wordt verwerkt en de vereiste reactietijd moeten allemaal binnen de operationele grenzen van de gateway passen. Daarom vertelt alleen het aantal ondersteunde streams niet het hele verhaal over de prestaties.
Bij de introductie ondersteunt Bunker maximaal 10 camerastreams. Dankzij compatibele ONVIF-camera’s kunnen klanten hun bestaande apparatuur blijven gebruiken, maar de compatibiliteit moet voor elke installatie worden gecontroleerd. Profielen, firmware, beeldkwaliteit en de gebruikte functies spelen allemaal een rol.
We moeten ook precies zijn over de veerkracht van het systeem. Lokale verwerking en clouddiensten zijn verschillende onderdelen van het systeem, en een edgegateway betekent niet dat alle functies normaal werken tijdens een internetstoring. Ook updates dragen bij aan de betrouwbaarheid. Elke update wordt ondertekend en op de gateway gecontroleerd voordat deze wordt geïnstalleerd; oudere kwetsbare versies worden geweigerd en na een mislukte update wordt automatisch teruggekeerd naar de vorige versie. Een slechte update mag er niet toe leiden dat het beveiligingssysteem van een locatie uitvalt.
Lokale inferentie beantwoordt niet alle privacyvragen. Waar slaat Bunker beelden, zoekopdrachten en door AI gegenereerde metadata op, hoe lang worden die bewaard en wie heeft er toegang toe? Hoe verbetert u uw modellen zonder ervan uit te gaan dat u toegang hebt tot de privébeelden van klanten?
Dat ben ik met u eens. ‘Edge AI’ is geen volledig privacybeleid. Klanten moeten weten waar hun gegevens naartoe gaan, welke gegevens worden bewaard en wie er toegang toe heeft. Dat geldt niet alleen voor video, maar ook voor zoekopdrachten en gegenereerde beschrijvingen.
Beelden en de databases achter de dienst worden versleuteld opgeslagen. Wachtwoorden worden gehasht en sessies verlopen, zodat zelfs een datalek in een database niemand werkende inloggegevens oplevert. Ook de gateway zelf is versleuteld, zodat een gestolen apparaat geen beelden of inloggegevens prijsgeeft. Het aanbod van Bunker bij de introductie omvatte 60 dagen cloudgeschiedenis van video bij Standard en 365 dagen bij Premium, plus Video Vault voor clips die een klant zelf wil bewaren.
We gebruiken geen beelden van klanten om onze modellen te trainen en maken geen biometrische sjablonen van personen die door camera’s worden vastgelegd. Het feit dat een klant ons product gebruikt, geeft ons geen toestemming om diens privévideo opnieuw te gebruiken.
De controverse rond Flock Safety heeft vragen opgeworpen over wie in bewakingsgegevens kan zoeken en of toegangsrechten op de juiste manier worden ingetrokken. Hoewel uw implementatiemodel anders is, welke lessen zijn op uw systemen van toepassing en welke beveiligingsmaatregelen zouden verplicht moeten zijn in plaats van optioneel?
De kritiek op Flock gaat eigenlijk niet over de AI. Het gaat erom wie toegang krijgt tot de gegevens en erin kan zoeken. Veel van de kritiek draaide om accountbeveiliging; zo vroegen volksvertegenwoordigers waarom multifactorauthenticatie niet verplicht was. Als een gestolen wachtwoord voldoende is om in een bewakingssysteem te zoeken, maakt het niet uit waar het model draait.
Bij Bunker hebben alleen de gebruikers die door de eigenaar van een systeem toegang hebben gekregen toegang tot de gegevens van dat systeem. We delen die gegevens niet met derden, gebruiken klantgegevens niet om onze modellen te trainen en maken geen biometrische sjablonen.
Beveiliging moet beginnen bij het apparaat en doorlopen tot aan het account. Elke Bunker-gateway wordt geleverd met een eigen cryptografische identiteit, zodat er geen standaardwachtwoorden zijn die moeten worden gewijzigd of die een aanvaller kan achterhalen. De firmware wordt bij elke keer opstarten geverifieerd, updates worden ondertekend en gecontroleerd voordat ze worden geïnstalleerd, en aanmeldingen worden beveiligd met meervoudige authenticatie. Daarnaast moet toegang direct worden ingetrokken zodra die niet langer nodig is, en moet van gevoelige activiteiten een controleerbaar logboek worden bijgehouden. Vertrouwen hangt af van de mogelijkheid om uit te leggen wie wat heeft gedaan.
De mensen die door een camera worden vastgelegd, zijn vaak niet degenen die de camera hebben gekocht. Hoe moet AI-videobewaking rekening houden met de privacy van buren, werknemers, bezoekers en voorbijgangers, en zijn er mogelijkheden die u bewust niet zou willen ontwikkelen?
De installatie moet een duidelijk omschreven doel hebben, en dat doel moet bepalen wat er wordt vastgelegd, wat er wordt geanalyseerd en wie de resultaten kan inzien. Een ingang willen beveiligen betekent niet dat elke activiteit op een naburig terrein onderdeel moet worden van een doorzoekbaar logboek.
Een grens die we hebben getrokken, betreft identiteit. Bunker maakt geen biometrische sjablonen aan en koppelt geen identiteit aan iemand die het systeem detecteert. Het beschrijft wat er is gebeurd, niet wie iemand is. Zo blijft het systeem gericht op gebeurtenissen in plaats van op het volgen of profileren van mensen.
Meer mogelijkheden betekenen niet automatisch meer waarde. Als een functie een ernstig vertrouwensprobleem veroorzaakt zonder een duidelijk probleem van klanten op te lossen, is dat een reden om die functie niet te ontwikkelen.
Welke betekenisvolle mogelijkheden verwacht u dat edge-AI de komende drie tot vijf jaar zal ontsluiten, naast de detectie- en zoekfuncties van nu, en welk technisch probleem of vertrouwensprobleem moet worden opgelost voordat deze technologie op grote schaal kan worden toegepast?
Eerlijk gezegd is de toekomst van AI op dit moment onontgonnen terrein, en ontwikkelt die zich sneller dan alles wat ik in mijn loopbaan heb meegemaakt. We volgen die veranderingen vrijwel dagelijks en bekijken waar ze daadwerkelijk voordeel kunnen opleveren voor de mensen die ons platform gebruiken.
Voor ons zijn context, begrip en systemen die blijven leren en verbeteren het belangrijkst. De meerwaarde zit in iemand helpen een situatie in ontwikkeling te begrijpen en te bepalen wat aandacht nodig heeft, in plaats van een reeks afzonderlijke meldingen bij elkaar te moeten puzzelen.
De technische uitdaging is om dat betrouwbaar te doen in veranderende omgevingen en binnen de grenzen van de lokale hardware. De uitdaging op het gebied van vertrouwen is om de beperkingen en gegevenspraktijken van het systeem begrijpelijk te maken. Mensen moeten weten wat het systeem heeft waargenomen, wat het daaruit heeft afgeleid en wanneer een mens de beslissing moet nemen.
Bedankt voor het fijne interview. Lezers die professionele beveiligingscamera’s, recorders en AI-aangedreven videobewakingssystemen willen ontdekken, kunnen terecht bij IC Realtime.












