Sohaib Khan, mede-oprichter en CEO van Hazen.ai – Interviewreeks

Sohaib Khan is de mede-oprichter en CEO van Hazen.ai, een bedrijf dat computer vision en deep learning gebruikt om intelligente verkeersanalytische software te ontwerpen die de beweging van elk voertuig kan “begrijpen”.

Wat trok je aanvankelijk aan tot het vakgebied van AI?

Het was tijdens mijn undergraduate dat ik voor het eerst las over hoe stereo-vision (of binoculair zicht – diepte schatten met twee camera’s) werkt. Dat maakte me geïnteresseerd in het verder onderzoeken van computer vision. Interessant genoeg las ik hierover voor het eerst in een boek dat ik had opgepikt van een traditionele vrijdagmarkt waar ze oude, gebruikte boeken op een wegkant verkochten in onze thuisstad. Ik ging verder met een PhD in dit vakgebied van de VS.

Je was eerder professor aan een van de grootste universiteiten in Pakistan, The Lahore University of Management Sciences (LUMS). Wat waren je onderwijs- en onderzoeksinteresses?

Toen ik na mijn PhD bij LUMS kwam, bouwde ik wat de eerste graduate research lab in de universiteit was, met financiering die ik had ontvangen van een grote subsidie van een defensieorganisatie. Het graduate programma in CS was nog erg nieuw, en er waren nog geen onderzoekslabo’s op dat moment. Ik gaf computer vision les aan LUMS voor 12+ jaar en had een actief lab in dit vakgebied. Aanvankelijk werd computer vision bijna nergens in Pakistan onderwezen, maar later werd het een standaardvak, en eigenlijk geven veel van mijn studenten nu ook les aan Pakistaanse universiteiten.

Kun je bespreken wat je inspireerde om een startup te lanceren die gespecialiseerd is in computer vision en deep learning-algoritmen voor video-analyse?

Computer Vision was lange tijd voornamelijk een experimenteel onderzoeksgebied met beperkte toepassingen in producten. Dit kwam voornamelijk doordat de volwassenheid van algoritmen die nodig waren voor het bouwen van producten er nog niet was. Voor een product moet het beeldbegripsalgoritme werken in een verscheidenheid aan beeld- en lichtomstandigheden, en niet alleen in enkele gecontroleerde experimenten. We hadden een grap onder de graduate studenten in ons lab toen ik mijn PhD deed rond 2000, dat als je drie afbeeldingen kon vinden waarop je algoritme werkte, je een paper kon schrijven. Als het werkte op drie video’s, kreeg je een heel goede paper! Het punt is dat veel visie-algoritmen alleen werkten in zorgvuldig gecreëerde laboratoriumscenario’s en niet erg robuust waren.

Maar nu zijn de dingen veranderd. Met de opkomst van deep learning in 2012 hebben we enkele zeer snelle en fascinerende vooruitgang gezien in beeldbegrip. Toen we dat zagen, voelden we dat de tijd nu rijp was om misschien solide producten te bouwen die een significante impact konden hebben.

Welke soorten verkeersovertredingen kan Hazen.ai controleren?

Ons doel is om alle soorten gevaarlijk rijgedrag op de wegen te kunnen identificeren. Dit wordt gedreven door ons overkoepelende doel om verkeersdoden te verminderen. Elke 24 seconden sterft iemand in een verkeersongeluk, wat equivalent is aan ongeveer 15 787-8 Dreamliners die elke dag neerstorten! Dus dit is echt wat ons motiveert. Daarom bouwen we software die verschillende soorten gevaarlijk en onveilig gedrag kan detecteren, zoals onveilige baanwisselingen, illegale bochten, door rood rijden of een stopbord negeren, een voetgangersoversteekplaats blokkeren, geen gordel dragen of tekstberichten sturen tijdens het rijden. We werken ook aan het bouwen van functies in onze software specifiek voor de veiligheid van voetgangers en fietsers, omdat meer dan de helft van de dodelijke slachtoffers in verkeersongelukken voorkomt in de kwetsbare groep van voetgangers, fietsers en motorrijders.

Wat zijn enkele van de unieke uitdagingen achter het gebruik van computer vision om objecten te volgen die op zo hoge snelheden bewegen?

Er zijn twee soorten uitdagingen: Ten eerste is er de prestatie van computer vision-algoritmen zelf – je wilt een product hebben dat kan werken in uitdagende verkeersomstandigheden 24/7 in alle lichtvariaties. Terwijl er veel technische vooruitgang is geboekt naar dit doel, zijn er nog steeds landen waar de dichtheid van weggebruikers zo hoog is, zoals clusters van motorfietsen of voetgangers in zeer nabije proximiteit, dat het nog steeds een uitdaging is voor algoritmen om ze individueel te volgen en de scène te begrijpen. Maar ten tweede is een grotere uitdaging het maken van een solide product van computer vision-algoritmen, dat kan worden geïmplementeerd op beperkte hardwarebronnen aan de rand, en gemakkelijk kan worden gemonitord en beheerd ondanks dat het over de hele stad is verdeeld. Aangezien computer vision-producten veel videodata verwerken, blijft het implementeren ervan aan de rand, als een IoT-apparaat, en effectief beheren, een moeilijke taak.

Wat is het proces voor de eindgebruiker om de software te configureren voor verschillende wegconfiguraties?

Elke kruising biedt een unieke scenario, in termen van verkeersvolume, baanconfiguratie en het type voertuig, fietsers of voetgangersinteracties. Bovendien kunnen de belangen van verkeersmanagers specifiek zijn, om een bepaald type verkeersgedrag op elke locatie te identificeren. Bijvoorbeeld, het verkeerspolitie kan een U-bocht aan een kruising niet toestaan om het verkeer te vergemakkelijken, en zijn geïnteresseerd in het vastleggen van die statistiek. Daarom hebben we onze software zo ontworpen dat deze kan worden geconfigureerd voor verschillende scenario’s. Wanneer een camera wordt ingesteld met onze software, configureren we deze via een eenvoudig proces voor wat de eindgebruiker op die locatie nodig heeft. Intern hebben we een hoog niveau taal gebouwd waarin we verkeersscenario’s van interesse op een eenvoudige manier kunnen beschrijven. Dit stelt ons in staat om een locatie snel voor onze klanten in te stellen.

Welk type hardware is nodig om dit systeem te laten werken?

Video-analyse vereist aanzienlijke rekenkracht. We hebben onze code geoptimaliseerd om te draaien op de kleinere Nvidia GPUs die kunnen worden geïmplementeerd aan de rand, zoals hun Jetson-serie, en ook op Intel CPUs voor bepaalde functies die we aanbieden. In recente jaren wordt krachtigere randhardware tegen een redelijke prijs beschikbaar, dus dit drijft veel spannende toepassingen aan.

Kun je bespreken of er op dit moment rechtsgebieden zijn die de Hazen.ai-technologie testen of gebruiken?

We hebben momenteel lopende tests in verschillende landen, VK, VS, Egypte, Saoedi-Arabië, Pakistan, Oman, Peru en zijn bezig met potentiële klanten in andere landen.

Is er nog iets anders dat je over Hazen.ai wilt delen?

Over het algemeen voelen we dat verkeersveiligheidstechnologieën niet genoeg zijn geëvolueerd, vergeleken met de omvang van het probleem. Echter, nu is de tijd rijp, vanwege de enorme vooruitgang in computer vision en deep learning, evenals de goedkope beschikbaarheid van camera’s en compute-hardware. We zullen in de komende jaren veel meer toepassingen van rand-gebaseerde computer vision zien. Dit zijn de fundamenten die Hazen.ai aandrijven.

Bedankt voor het interview, lezers die meer willen leren, moeten Hazen.ai bezoeken