Ofir Mulla, mede-oprichter en CTO van Lumana – Interviewreeks

Ofir Mulla, mede-oprichter en CTO van Lumana, heeft meer dan een decennium diepe expertise in 3D- en computervisietechnologieën, waarbij hij oplossingen heeft gepionierd en geschaald over coded-light-, stereo- en LiDAR-modi, terwijl hij leiding gaf aan interdisciplinaire ontwikkeling in software, elektrische systemen, robotica, ML/AI en medische apparaten. Voordat hij zijn huidige functie bij Lumana bekleedde, werkte hij bijna 15 jaar bij Intel, waar hij de RealSense 3D-platform architecteerde en teams leidde die hardware, firmware en systeemarchitectuur omvatten.

Lumana is een geavanceerd video-beveiligings- en visueel intelligentiebedrijf wiens platform bestaande camera’s transformeert in slimme, waarnemende agenten door AI te gebruiken om real-world gebeurtenissen in real-time te detecteren en te reageren – van ongeautoriseerde toegang en veiligheidsinbreuken tot operationele inzichten – waardoor ondernemingen in onderwijs, overheid, detailhandel, productie en hospitality hun cameraintelligentie kunnen unificeren, bewaking kunnen automatiseren en actiegerichte analyses van hun video-infrastructuur kunnen deblokkeren.

Hoe hebben uw ervaringen bij Intel u voorbereid op Lumana en het oprichten van het bedrijf?

LiDAR-technologie was een kernonderdeel van RealSense, een actieve methode om laserlicht te projecteren om de geometrie van de wereld te detecteren. Het is een prachtig stuk coded light-technologie dat onze briljante ingenieurs bij Intel hebben uitgevonden. Geometrie-sensing is essentieel voor bewegende objecten, zoals robots en auto’s, waarom de meeste robotische systemen vandaag de dag afhankelijk zijn van RealSense-apparaten.

Maar een vraag rees: wat gebeurt er als de sensoren stationair zijn, waar navigatie en tijd-tot-impact niet de belangrijkste taken zijn? We vroegen ons af welke technologie de grootste waarde voor gebruikers in die context kon bieden.

Door diepe discussies realiseerden we ons dat de meeste bestaande stationaire camerasystemen niet natuurlijk kunnen worden geschaald. Het bewaken van elk systeem is omslachtig. Tegelijkertijd was AI zo ver gevorderd dat we ons afvroegen: hoe kan een betaalbaar systeem op de klantlocatie de meest dringende, betrouwbare beveiligingsreacties op kritieke waarschuwingen leveren?

We bouwden een sterk AI-team dat deze visie snel omzette in een werkend product. De inzicht was eenvoudig: bewegende voertuigen vereisen geometrie-sensing, maar stationaire sensoren, gericht op het bewaken van gedrag in plaats van beweging, profiteren meer van geavanceerde video-analyse zonder expliciete geometrie-reconstructie.

De RealSense-reis leerde me dat elk probleem zijn eigen oplossing vereist en dat echte disruptie innovatie vereist. Mijn team bij Lumana belichaamt dit principe: professioneel, innovatief en gedreven. Samen hebben we een on-premise, real-time systeem gecreëerd dat cloud-achtige prestaties naar de rand brengt, betaalbaar, schaalbaar en responsief.

Hoe gaat Physical AI verder dan traditionele video-analyse zoals objectdetectie en patroonlabeling?

Wanneer we het over Physical AI hebben, bedoelen we een AI-systeem dat niet stopt bij perceptie, maar actief met de echte wereld interacteert. Traditionele video-analyse, zoals objectdetectie of patroonlabeling, zijn slechts de eerste laag. De diepere uitdaging is wat daarna komt: rangschikken, volgen, aggregeren, identificeren, ophalen, zoeken en verifiëren van de gedetecteerde objecten en versnellen van de reactie. Het omvat ook het mogelijk maken van tekstgebaseerde toegang en zelfs zoeken naar objecten die het systeem oorspronkelijk niet was getraind om te detecteren.

Alles moet worden bereikt binnen een compacte, betaalbare computerapparaat. Dat is waar Physical AI verder gaat dan traditionele analytics: het transformeert ruwe detectie in actiegerichte, toegankelijke intelligentie. Het gaat niet over het ontdekken van de wetten van de natuurkunde, een wetenschappelijke onderneming die nog steeds in discussie is, maar over het bieden van praktische, efficiënte manieren om visuele en audio-inhoud in real-world omgevingen te benaderen en te activeren.

Wat zijn de technische pijlers die Lumana in staat stellen om gegevens van meerdere camera’s te combineren, gedrag in real-time te interpreteren en voortdurend aan te passen op basis van contextuele en historische invoer?

Goede vraag. Een van onze kernpijlers is de mogelijkheid van het on-premise systeem om voortdurend aan te passen aan de scène die het waarneemt, wat nu vaak wordt genoemd als continue leren. U kunt het zien als een systeem dat evolueert met zijn omgeving, zich verbetert over tijd. Deze aanpak heeft ons in staat gesteld om hoge prestaties te leveren met zeer lage kosten en uitzonderlijke wendbaarheid.

Een andere belangrijke pijler is onze hiërarchische architectuur, die computationele inspanning intelligent alleen maar verhoogt wanneer dat nodig is. Dit zorgt ervoor dat complexe acties de middelen krijgen die ze nodig hebben zonder de hele systeem te belasten.

Samengevat vormen deze principes een platform dat eenvoudig, efficiënt en uiterst schaalbaar is, waardoor gebruikers krachtige real-time inzichten en gedragsinterpretatie kunnen ervaren tegen de laagst mogelijke kosten.

Kunt u een of twee real-world implementaties delen waarin Lumana’s systeem gebeurtenissen zoals geweldsescalatie, veiligheidsbreuken of rondhangen detecteerde, en leg uit wat de impact was op veiligheid of operationele reactie?

Lumana-implementaties in steden laten duidelijke verbeteringen zien in real-time bewustzijn en reactie. In een grote stad in Israël transformeerde het systeem een bestaand videonetwerk in een intelligente vroegwaarschuwingslaag die rondhangen in beperkte zones, menigte-anomalieën, nachtelijke indringers en onregelmatige bewegingen detecteerde. Dit leidde tot minder inbraken, minder vandalisme en snellere interventie in hoge-risicogebieden.

Een Amerikaanse gemeente zag soortgelijke winst in een historisch district dat kampte met vandalisme, auto-inbraken, verstoringen en rondhangen. Lumana leverde continue bewaking en onmiddellijke waarschuwingen, waardoor proactieve patrouilles en snellere reactie mogelijk werden. Dit resulteerde in veiligere openbare ruimtes en minder operationeel afval voor de stad.

Deze voorbeelden laten zien hoe real-time detectie van gedrag, zoals rondhangen en grensoverschrijdingen, de openbare veiligheid versterkt en operaties stroomlijnt.

Met AI-systemen die gevoelige fysieke gedragingen interpreteren, welke privacysafeguards zijn ingebouwd in uw ontwerp- en implementatieprocessen?

Lumana-technologie en -ontwerp benadrukken sterke governance en minimale gegevensoverdracht. Verwerking gebeurt op de rand, wanneer mogelijk, om blootstelling te beperken en privacy te versterken. Toegang is beperkt via duidelijke controles en audit-trails, zodat teams elke workflow kunnen volgen. Het systeem houdt video’s lokaal, deelt alleen noodzakelijke metadata, wat de privacyverwachtingen in gereguleerde omgevingen ondersteunt.

Deze safeguards zorgen ervoor dat gevoelige visuele gegevens verantwoordelijk worden behandeld, terwijl de prestaties voor real-time operaties worden gehandhaafd.

Wat drijft uw hybride-cloudarchitectuur, en hoe ondersteunt deze real-time verwerking en continue leren?

Lumana gebruikt een hybride aanpak om de prestaties van on-premise systemen te combineren met cloud-flexibiliteit. Edge-verwerking levert real-time AI, opslag en videobeheer lokaal, standaard. Dit vermindert bandbreedte-eisen en versterkt privacy, terwijl het nog steeds cloud-ondersteuning mogelijk maakt wanneer nodig voor bredere coördinatie of leren over implementaties.

Deze architectuur biedt gebruikers onmiddellijke responsiviteit, terwijl het nog steeds mogelijk is om te schalen en te verbeteren door continue aanpassing over sites.

Hoe is de zelflerende capaciteit gearchitecteerd, en hoe verbetert deze over tijd in multi-site implementaties?

De architectuur van onze zelflerende capaciteit is gebouwd rond schaal. Hoe meer sites we implementeren, hoe breder ons perspectief wordt over de landschap van randapparaten. Elke nieuwe omgeving draagt verse gegevens bij, waardoor de diversiteit van scenario’s en scènes die het systeem kan leren, toeneemt.

Onze continue leren methode maakt gebruik van deze collectieve kennis. Naarmate het systeem zich over implementaties verfijnt, wordt het proces van online training eenvoudiger en efficiënter. In praktische zin, hoe breder de implementatie, hoe sneller en nauwkeuriger de aanpassing, waardoor een systeem ontstaat dat voortdurend over tijd verbetert over alle sites.

Wie ziet u als uw belangrijkste concurrenten of samenwerkers in deze ruimte, en wat maakt Lumana uniek?

Onze echte uniciteit ligt in onze mensen. Achter Lumana staat een team van briljante ingenieurs en innovators, beginnend met onze AI-groep, ondersteund door onze cloud-specialisten, UX/UI-ontwerpers en versterkt door klantondersteuning en verkoop. Terwijl AI de ruggengraat van onze technologie vormt, is het onze menselijke motor die Lumana’s succes aandrijft. De creativiteit, professionaliteit en toewijding van ons team zijn wat Lumana onderscheidt, of het nu gaat om concurrentie of samenwerking.

Lumana benadrukt “Denk groot”, “Klant-eerst”, “Eén team” en “Meester uw ambacht”. Hoe operationaliseert u deze waarden in werving, productontwikkeling en dagelijks leven?

We werven innovators die groot denken, problemen oplossen, samenwerken en zich committeren aan groei.

Productteams ontwikkelen schaalbare AI met een ambitieuze visie, itereren via klantfeedback, bevorderen samenwerkingsverbanden en streven naar excellentie.

Dagelijkse operaties gebruiken agile methoden om innovatieve ideeën te faciliteren, klantbehoeften te prioriteren, team-eenheid te bouwen en professionele ontwikkeling te ondersteunen.

Deze praktijken stimuleren innovatie, klantensucces en impact in AI-video-beveiliging.

Kijkend naar de toekomst, over vijf jaar, hoe ziet u Lumana’s rol evolueren in het bredere AI-ecosysteem – en wat voor impact hoopt u dat Physical AI zal hebben op industrieën zoals beveiliging, productie of slimme steden tegen die tijd?

Kijkend naar de toekomst, over vijf jaar, zien we Lumana’s rol evolueren als een sleutelonderdeel van praktische Physical AI over industrieën heen. Terwijl het ontrafelen van de fundamentele wetten van de natuurkunde nog steeds een wetenschappelijk raadsel is, ligt onze focus vandaag op klantwaarde, het ontwikkelen van instrumenten die organisaties in staat stellen de wereld om hen heen beter te monitoren en te reageren, over elke toepassing heen.

We onderhouden al langdurige samenwerkingen met medische centra en verkennen de uitbreiding naar bewegende platforms zoals robotica en transport. Naarmate we groeien en schalen, zijn we van plan om ook te investeren in meer fundamentele onderzoeksverragen: kan AI diepere patronen in de natuur ontdekken, of zelfs helpen bij het formuleren van nieuwe theorieën over de wetten van de natuurkunde? Kunnen concepten zoals de dimensionaliteit van tijd worden verlicht door lerende systemen?

Onze ambitie is om impact te hebben over beveiliging, productie en slimme steden heen, terwijl we het grotere horizon in zicht houden, de grenzen van wat AI uiteindelijk kan helpen ontdekken.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Lumana bezoeken.