Fredrik Nilsson, Vice President, Americas, Axis Communications – Interviewserie

Fredrik Nilsson, Vicepresident, Americas, Axis Communications, houdt toezicht op de bedrijfsactiviteiten in Noord- en Zuid-Amerika en leidt teams die zich richten op het ontwikkelen en leveren van netwerkgebaseerde beveiligingsoplossingen voor partners en eindgebruikers. Als een lange tijd bij Axis werkende leidinggevende heeft Nilsson een belangrijke rol gespeeld in de transitie van de beveiligingsindustrie van analoge gesloten‑circuit televisie naar IP‑gebaseerde netwerkvideo. Sinds hij in 2003 de verantwoordelijkheid voor de Americas op zich nam, heeft hij de regionale omzet laten groeien van ongeveer $20 miljoen tot ruim $1 miljard en de uitbreiding van meer dan 20 Axis Experience Centers in de Americas ondersteund. Hij kwam in 1996 bij Axis, na eerder te hebben gewerkt als productmanager en divisiemanager in Zweden en later als directeur Business Development, waar hij partnerschappen hielp opzetten tijdens de vroege ontwikkeling van IP‑video. In een eerdere fase van zijn carrière was hij productmanager bij ABB, en hij zit momenteel in de raden van MSAB en de Swedish‑American Chamber of Commerce in Washington, D.C.

Axis Communications is een in Zweden gevestigd technologiebedrijf dat zich specialiseert in intelligente fysieke beveiliging en netwerkoplossingen, waaronder netwerkcamera’s, video‑bewakingssystemen, toegangscontrole, intercoms, netwerk‑audio, radar en analytics. Opgericht in 1984 en gevestigd in Lund, Zweden, heeft Axis ongeveer 5.000 medewerkers in meer dan 50 landen en maakt sinds 2015 deel uit van de Canon Group. Het bedrijf introduceerde wat het beschrijft als ’s werelds eerste netwerkcamera in 1996 en heeft sindsdien uitgebreid van netwerkvideo naar een breder portfolio van verbonden beveiligingstechnologieën. De huidige producten bevatten steeds vaker edge‑gebaseerde analytics en kunstmatige intelligentie om video‑, audio‑ en sensorgegevens om te zetten in bruikbare inzichten voor beveiliging, veiligheid, operationele efficiëntie en business intelligence.

Uw carrière omvatte remote monitoring bij ABB, de vroege ontwikkeling van netwerk‑attached storage en Internet‑of‑Things‑technologieën, en de transitie van analoge bewaking naar netwerkvideo bij Axis Communications. Hoe heeft die achtergrond de manier waarop u denkt over de huidige verschuiving naar AI‑aangedreven camera’s en intelligente fysieke infrastructuur gevormd?

Ik zie de verschuiving naar AI‑aangedreven camera’s als de volgende stap in een evolutie waar ik gedurende mijn carrière deel van uitmaak – van verbonden technologie en IP‑convergentie tot het huidige intelligente edge. Een rode draad door mijn loopbaan is het helpen van klanten om te begrijpen wat verbonden technologie voor hen kan betekenen. ABB was een uitstekende leeromgeving voor mij. Het was een groot wereldwijd bedrijf, waardoor ik de kans kreeg om de wereld rond te reizen, onder meer een jaar in Canada door te brengen, en te werken met grote enterprise‑klanten, vooral energiebedrijven, aan complexe projecten. Mijn functie was productmanager voor een nieuw IP‑verbonden remote‑monitoring‑ en controlesysteem. Bij Axis werkte ik later aan een nieuwe categorie IP‑verbonden opslagapparaten en hielp ik wereldwijd de boodschap over de voordelen van verbonden technologie te verspreiden. Vervolgens, in de vroege dagen van IP‑convergentie, bouwde ik voort op diezelfde principes, waarbij ik enterprise‑klanten hielp de waarde van netwerk‑verbonden video en de kansen die IP‑technologie biedt te begrijpen. Dus wanneer ik vandaag naar AI‑aangedreven camera’s kijk, zie ik weer een stap in diezelfde evolutie. De technologie wordt steeds capabeler, maar de echte kans blijft het verbinden van apparaten, het genereren van bruikbare data en het helpen van klanten om er meer mee te doen.

Welke soorten computer‑vision‑werkbelastingen zijn het meest geschikt om direct op een camera uit te voeren, en welke toepassingen profiteren nog steeds van verwerking in een lokaal datacenter of de cloud?

De werkbelastingen die het meest geschikt zijn om direct op een camera uit te voeren, zijn die waarbij realtime beslissingen, lage latentie en efficiënt bandbreedtegebruik vereist zijn. Bijvoorbeeld het detecteren en classificeren van personen of objecten, tellen, het volgen van bewegingen of het identificeren van specifieke gebeurtenissen. Met technologieën zoals Axis Object Analytics kunnen camera’s nauwkeurig personen, voertuigen, kleuren, rijrichting en andere kenmerken detecteren. Via Axis Custom Analytics kunnen we een camera ook trainen voor zeer specifieke objecten of scenario’s. Naarmate analytics verbetert, kan steeds meer van die intelligentie aan de edge plaatsvinden. Voor veel toepassingen is het belangrijk om de analytics op de camera uit te voeren en alleen de resulterende data of metadata naar een server of de cloud te sturen, voor schaalbaarheid en kosten. De cloud en servers blijven een belangrijke rol spelen, met name voor zaken als gecentraliseerd beheer, langdurige opslag en het analyseren van metadata over een groot aantal apparaten. Ik zie het niet als een keuze tussen het één of het ander. De edge en de cloud kunnen elkaar aanvullen, elk door te doen waar ze het best in zijn.

Het inzetten van AI aan de edge vereist een afweging tussen modelnauwkeurigheid en beperkingen in verwerkingskracht, geheugen, energieverbruik en warmte. Hoe veranderen ontwikkelingen in gespecialiseerde chips wat realistisch binnen een camera kan worden bereikt?

Er zijn eigenlijk twee trends die dit aandrijven. Ten eerste verbetert de AI-capaciteit van de processor aan de rand zeer snel. ARTPEC-9, onze intern ontwikkelde system-on-chip, heeft drie keer de AI-verwerkingscapaciteit van ARTPEC-8, waardoor we aanzienlijk meer ruimte hebben om geavanceerde modellen direct op de camera uit te voeren. Toekomstige generaties zullen die capaciteit blijven vergroten. Ten tweede verbeteren de grootte en effectiviteit van de modellen. Dat is waar we het afgelopen jaar veel vooruitgang hebben gezien. Ons R&D‑team heeft fantastisch werk geleverd om meer van het model direct aan de rand te laten draaien, zodat u in veel scenario’s alleen de gegevens van de camera hoeft te gebruiken in plaats van de video ergens anders te verwerken. Een jaar geleden spraken we over ongeveer 50 % van de behoeften die in de camera werden afgehandeld. Vandaag is dat dichter bij 90 %, en we verwachten dat dit 95 % of meer zal bereiken. De echte doorbraak is niet alleen dat we krachtigere chips hebben. Het is dat we krachtigere hardware combineren met efficiëntere AI‑modellen, waardoor een toenemende hoeveelheid intelligentie direct plaatsvindt waar de data wordt gegenereerd. Dat maakt bewakingssystemen veel minder afhankelijk van servers en de cloud voor AI.

Camera’s worden steeds meer gepositioneerd als operationele sensoren in plaats van uitsluitend als beveiligingsapparaten. Welke toepassingen in detailhandel, transport, gezondheidszorg, productie of logistiek leveren momenteel de duidelijkste zakelijke waarde?

Productie is een zeer goed voorbeeld omdat de waarde direct aan de operatie kan worden gekoppeld. BMW Group, bijvoorbeeld, gebruikt netwerkcamera’s als onderdeel van hun AI‑gedreven kwaliteitsinspectiesysteem om gedetailleerde beelden van voertuigen in realtime vast te leggen en defecten te identificeren. Dat is een heel andere rol voor een camera dan simpelweg een incident opnemen. We zien ook een groeiend gebruik van video voor operationele efficiëntie en bredere business intelligence. In transport en logistiek kunnen camera’s organisaties helpen te begrijpen hoe mensen, voertuigen en goederen zich door een faciliteit bewegen. In de detailhandel kan video inzicht geven in klantgedrag, ruimtebenutting en personeelsbezetting. Het gemeenschappelijke thema is dat de camera informatie genereert die kan worden gebruikt om een proces te verbeteren, niet alleen om vast te leggen wat er is gebeurd.

Hoe creëert het combineren van video met audio‑analyse, radar, toegangscontrolesystemen en omgevingssensoren inzichten die niet mogelijk zouden zijn met alleen visuele data?

Hoe meer context u kunt samenbrengen, hoe beter het systeem kan begrijpen wat er gebeurt. Wanneer u verschillende inputs combineert, kunt u inzichten verkrijgen die moeilijk, en soms onmogelijk, te verkrijgen zouden zijn uit alleen video. Bijvoorbeeld, u kunt combineren hoe een object eruitziet met hoe het beweegt, of thermische en visuele informatie samen gebruiken wanneer verlichting of zichtbaarheid een uitdaging vormt. Radar kan informatie toevoegen over de beweging en snelheid van een object, audio kan geluiden identificeren of tweerichtingscommunicatie bieden, en omgevingssensoren kunnen extra context geven over wat er in de omgeving gebeurt. Meerdere sensoren kunnen ook het vertrouwen in wat het systeem of de gebruiker detecteert vergroten. Het combineren van technologie is ongelooflijk belangrijk om kritieke levensgebieden zoals kritieke infrastructuur te beschermen.

Wij bewegen ons al in deze richting. Bij GSX hebben we bijvoorbeeld oplossingen geïntroduceerd die visueel, thermisch, radar, audio en omgevingsdetectie combineren. Het doel is om de juiste data samen te brengen zodat organisaties sneller en beter onderbouwde beslissingen kunnen nemen. Dit is bijzonder belangrijk voor toepassingen zoals het beschermen van kritieke infrastructuur, waar meerdere informatiebronnen een completer beeld van wat er gebeurt kunnen geven.

Edge‑verwerking kan de hoeveelheid ruwe video die moet worden verzonden of opgeslagen verminderen, maar AI‑ingeschakelde camera’s roepen nog steeds belangrijke privacy‑ en governance‑vragen op. Welke principes moeten organisaties volgen bij het ontwerpen van systemen die nuttig zijn zonder meer persoonlijke gegevens te verzamelen dan noodzakelijk?

Het uitgangspunt moet zijn om te vragen wat het systeem daadwerkelijk moet bereiken en alleen de informatie te verzamelen die daarvoor nodig is. Privacy en transparantie zijn ook belangrijk. Mensen willen begrijpen waarom video wordt gebruikt en hoe hun informatie wordt behandeld. Ons recent onderzoek toont aan dat mensen steeds meer op hun gemak zijn met videobewaking, maar die acceptatie kan niet als vanzelfsprekend worden beschouwd. De grootste zorgen rond AI‑ingeschakelde bewaking zijn valse positieven of onnauwkeurige informatie en het potentiële misbruik of onjuiste handling van data. Dat legt een echte verantwoordelijkheid bij organisaties en technologie‑leveranciers om privacy en beveiliging vanaf het begin in systemen te integreren. Edge‑verwerking kan hier helpen omdat u informatie lokaal kunt analyseren en alleen de benodigde data kunt verzenden, in plaats van continue ruwe video door het netwerk te verplaatsen.

Fysieke infrastructuur kan vele jaren in gebruik blijven, terwijl AI‑modellen en cyberbeveiligingsdreigingen zich snel ontwikkelen. Hoe moeten camera’s en andere edge‑apparaten worden ontworpen zodat hun analyses veilig, onderhoudbaar en aanpasbaar blijven gedurende hun operationele levensduur?

Dit is een van de redenen waarom ik de camera zie als onderdeel van de bredere IT- en operationele infrastructuur, in plaats van een losstaand beveiligingsapparaat. Cybersecurity moet vanaf het begin in het apparaat worden ingebouwd, met veilige software, regelmatige updates en sterke cyberbeveiligingsmaatregelen gedurende de hele levenscyclus. Bij Axis biedt Edge Vault bijvoorbeeld een hardwaregebaseerde basis voor het beschermen van de apparaatintegriteit, het beveiligen van cryptografische sleutels en het tot stand brengen van een vertrouwensketen. Het ondersteunt ook functionaliteiten zoals secure boot en ondertekende software, waardoor alleen vertrouwde software op het apparaat kan draaien.

Het apparaat heeft ook een architectuur nodig die zich kan aanpassen naarmate analytics en klantvereisten veranderen. Open platforms zijn hier belangrijk omdat ze organisaties in staat stellen nieuwe toepassingen en technologieën te integreren in plaats van telkens een volledig systeem te moeten vervangen wanneer er iets evolueert. Tegelijkertijd hebben organisaties goed bestuur nodig rond hun verbonden apparaten. Naarmate meer video, sensoren en enterprise‑systemen samenkomen, moeten cybersecurity en gegevensbescherming worden behandeld als onderdeel van het algehele systeemontwerp, en niet als iets dat later wordt toegevoegd.

Axis ondersteunt een open applicatie‑ecosysteem dat derde‑partijontwikkelaars in staat stelt gespecialiseerde analytics op zijn apparaten te bouwen en te implementeren. Hoe belangrijk zullen open platforms en interoperabiliteit zijn wanneer organisaties hun eigen modellen willen draaien over grote vloten camera’s?

Ik denk dat het extreem belangrijk zal zijn. Klanten willen niet vastzitten aan één technologie of één manier van werken, vooral nu AI en analytics zich zo snel blijven ontwikkelen. Een open platform maakt het makkelijker om camera’s met andere systemen te integreren, gespecialiseerde toepassingen toe te voegen en op te schalen naar een grote uitrol. Het geeft klanten bovendien meer flexibiliteit naarmate hun behoeften veranderen. Door vendor lock‑in te elimineren en integratie te vereenvoudigen, maken open, interoperabele ecosystemen het eenvoudiger om intelligente edge‑oplossingen op te schalen terwijl ze zich aanpassen aan veranderende bedrijfsbehoeften. Uiteindelijk ligt de waarde niet alleen in de camera zelf, maar in hoe de camera, sensoren, analytics en enterprise‑toepassingen samenwerken.

Hoe moeten organisaties de prestaties van computer‑visiesystemen evalueren na implementatie, met name wanneer verlichting, camerahoek, menselijk gedrag of bedrijfsomstandigheden kunnen veranderen en mogelijk de nauwkeurigheid beïnvloeden?

Het hangt allemaal af van het gebruiksscenario, maar het belangrijkste is om de camera’s en AI‑modellen te testen in de echte omgeving waarin ze daadwerkelijk worden ingezet. Een model kan uitstekend presteren in een gecontroleerde setting, maar de echte test is wat er gebeurt met de feitelijke verlichting, camerahoek, weer, achtergrond en gedrag op de locatie. Daarom raden we klanten aan om analytics zoals Axis Object Analytics of Axis Custom Analytics in de werkelijke omgeving te evalueren en te zorgen dat de nauwkeurigheid hoog genoeg is voor de toepassing. De BMW‑fabriek is een goed voorbeeld van deze aanpak. De camera’s worden gebruikt in een echte productieomgeving, waar de beeldkwaliteit en de resulterende analytics een daadwerkelijk productieproces moeten ondersteunen.

Naarmate edge‑AI krachtiger wordt, hoe verwacht u dat de rol van de netwerkcamera zich de komende tien jaar zal ontwikkelen, en welke nieuwe mogelijkheden zouden kunnen ontstaan nu camera’s actieve componenten worden van intelligente, responsieve omgevingen?

De netwerkcamera wordt steeds centraler in het systeem. Het is niet langer alleen een camera die video genereert, maar een sensor die data produceert die kan worden geanalyseerd en gedeeld met verschillende systemen. Naarmate de verwerkingskracht blijft toenemen, verwacht ik dat camera’s nog beter worden in het begrijpen van wat er in hun omgeving gebeurt en in het leveren van bruikbare informatie in realtime. Dat is het idee achter Scene Intelligence, waarbij de camera een dieper begrip van de scène gebruikt om meer betekenisvolle informatie te geven over objecten, hun kenmerken en wat er om hen heen gebeurt.

Dat kan betekenen dat er geavanceerdere detectie van objecten en gedrag komt, een grotere integratie met andere sensoren en enterprise‑systemen, en meer automatisering van hoe organisaties reageren op gebeurtenissen. De grotere verschuiving is dat video een onderdeel wordt van een bredere data‑ en intelligentielaag. De camera legt nog steeds vast wat er gebeurt, maar steeds vaker kan hij ook helpen verklaren wat er gebeurt en wat een organisatie vervolgens zou willen doen.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht op Axis Communications.