Fredrik Nilsson, visepresident, Americas, Axis Communications – Intervjuserie

Fredrik Nilsson, visepresident, Americas, Axis Communications, har ansvar for selskapets virksomhet i Nord- og Sør-Amerika, og leder team som fokuserer på utvikling og levering av nettbaserte sikkerhetsløsninger for partnere og sluttbrukere. Som en langvarig Axis-leder har Nilsson spilt en betydelig rolle i sikkerhetsindustriens overgang fra analogt lukket krets-TV til IP-basert nettvideo. Siden han fikk ansvaret for Americas i 2003, har han bidratt til å øke regional omsetning fra omtrent $20 million til godt over $1 milliard og støttet utvidelsen av mer enn 20 Axis Experience Centers i Amerika. Han begynte i Axis i 1996, etter å ha vært produktansvarlig og divisjonsleder i Sverige, og senere som direktør for forretningsutvikling, hvor han bidro til å etablere partnerskap under den tidlige utviklingen av IP‑video. Tidligere i karrieren var han produktansvarlig i ABB, og han sitter i dag i styrene til MSAB og Swedish‑American Chamber of Commerce i Washington, D.C.

Axis Communications er et svenskbasert teknologiselskap som spesialiserer seg på intelligent fysisk sikkerhet og nettverksløsninger, inkludert nettkameraer, videoovervåkningssystemer, adgangskontroll, intercom‑systemer, nettlyd, radar og analyse. Selskapet ble grunnlagt i 1984 og har hovedkontor i Lund, Sverige, og har omtrent 5 000 ansatte i mer enn 50 land, og har vært en del av Canon‑gruppen siden 2015. Selskapet introduserte det de beskriver som verdens første nettkamera i 1996 og har siden utvidet seg fra nettvideo til en bredere portefølje av tilkoblede sikkerhetsteknologier. De nåværende produktene deres inneholder i økende grad kant‑basert analyse og kunstig intelligens for å omdanne video-, lyd‑ og sensordata til handlingsbare innsikter for sikkerhet, trygghet, operasjonell effektivitet og forretningsintelligens.

Karrieren din har omfattet fjernovervåkning hos ABB, den tidlige utviklingen av nettverkstilkoblet lagring og Internet of Things‑teknologier, samt overgangen fra analog overvåkning til nettvideo hos Axis Communications. Hvordan har denne bakgrunnen formet måten du tenker på dagens skifte mot AI‑drevne kameraer og intelligent fysisk infrastruktur?

Jeg ser overgangen til AI‑drevne kameraer som neste steg i en evolusjon jeg har vært en del av gjennom hele karrieren – fra tilkoblet teknologi og IP‑konvergens til dagens intelligente kant. En rød tråd i karrieren min er å hjelpe kunder med å forstå hva tilkoblet teknologi kan gjøre for dem. ABB var en utmerket skole for meg. Det var et stort globalt selskap, så jeg fikk muligheten til å reise verden rundt, blant annet tilbringe ett år i Canada, og arbeide med store bedriftskunder, spesielt energiverk, på komplekse prosjekter. Min rolle var produktansvarlig for et nytt IP‑tilkoblet fjernovervåknings‑ og kontrollsystem. Hos Axis arbeidet jeg senere med en ny kategori av IP‑tilkoblede lagringsenheter og bidro til å spre budskapet globalt om fordelene med tilkoblet teknologi. Deretter, i de tidlige dagene av IP‑konvergensen, bygde jeg videre på de samme prinsippene, og hjalp bedriftskunder med å forstå verdien av nettverkstilkoblet video og mulighetene som IP‑teknologien skapte. Så når jeg ser på AI‑drevne kameraer i dag, ser jeg et nytt steg i den samme evolusjonen. Teknologien blir stadig mer kapabel, men den egentlige muligheten handler fortsatt om å koble enheter sammen, generere nyttig data og hjelpe kunder med å få mer ut av den.

Hvilke typer datamaskinsyn‑arbeidsbelastninger er best egnet til å kjøres direkte på et kamera, og hvilke applikasjoner drar fortsatt nytte av å bli behandlet i et lokalt datasenter eller i skyen?

De arbeidsbelastningene som er best egnet til å kjøres direkte på et kamera, er de hvor du trenger beslutninger i sanntid, lav latens og effektiv båndbreddebruk. For eksempel å oppdage og klassifisere personer eller objekter, telle, spore bevegelse eller identifisere spesifikke hendelser. Med teknologier som Axis Object Analytics kan kameraer nøyaktig oppdage personer, kjøretøy, farger, reiseretning og andre egenskaper. Vi kan også trene et kamera for svært spesifikke objekter eller scenarier gjennom Axis Custom Analytics. Etter hvert som analysene forbedres, kan mer av denne intelligensen foregå i kanten. For mange bruksområder er det viktig for skalerbarhet og kostnad å kjøre analysene på kameraet og kun sende de resulterende dataene eller metadataene til en server eller skyen. Skyen og serverne har fortsatt en viktig rolle, spesielt for sentralisert administrasjon, langtidslagring og analyse av metadata på tvers av store mengder enheter. Jeg ser ikke dette som et enten‑eller‑valg. Kanten og skyen kan utfylle hverandre, der hver gjør det den er best egnet til.

Å distribuere AI i kanten krever en balanse mellom modellnøyaktighet og begrensninger i prosesseringskraft, minne, energiforbruk og varme. Hvordan påvirker fremskritt innen spesialiserte brikker hva som realistisk kan oppnås i et kamera?

Det er egentlig to trender som driver dette. Først forbedres AI‑kapasiteten til prosessoren i kanten svært raskt. ARTPEC-9, vår egenutviklede system‑on‑chip, har tre ganger AI‑behandlingskapasiteten til ARTPEC-8, og gir oss betydelig mer rom til å kjøre sofistikerte modeller direkte på kameraet. Fremtidige generasjoner vil fortsette å øke denne kapasiteten. For det andre blir størrelsen og effektiviteten til modellene bedre. Det er her vi har sett store fremskritt det siste året. Vårt FoU‑team har gjort en fantastisk jobb med å få mer av modellen til å kjøre direkte i kanten, så i mange scenarier trenger du bare data fra kameraet i stedet for å sende videoen et annet sted for behandling. For ett år siden snakket vi om at omtrent 50 % av behovene ble håndtert i kameraet. I dag er det nærmere 90 %, og vi forventer at det vil nå 95 % eller mer. Det virkelige gjennombruddet er ikke bare at vi har kraftigere brikker. Det er at vi kombinerer mer kapabel maskinvare med mer effektive AI‑modeller, noe som gjør at en økende mengde intelligens kan skje direkte der dataene genereres. Det gjør overvåkingssystemer mye mindre avhengige av servere og skyen for AI.

Kameraer blir i økende grad posisjonert som operative sensorer snarere enn kun som sikkerhetsenheter. Hvilke bruksområder innen detaljhandel, transport, helsevesen, produksjon eller logistikk leverer for tiden den tydeligste forretningsverdien?

Produksjon er et svært godt eksempel fordi verdien kan knyttes direkte til driften. BMW Group bruker for eksempel nettverkskameraer som en del av sitt AI‑drevne kvalitetssjekksystem for å fange detaljerte bilder av kjøretøy i sanntid og identifisere feil. Det er en helt annen rolle for et kamera enn bare å registrere en hendelse. Vi ser også en økende bruk av video for operasjonell effektivitet og forretningsinnsikt generelt. Innen transport og logistikk kan kameraer hjelpe organisasjoner med å forstå hvordan personer, kjøretøy og varer beveger seg gjennom en fasilitet. Innen detaljhandel kan video gi innsikt i kundeadferd, arealutnyttelse og bemanning. Det felles temaet er at kameraet genererer informasjon som kan brukes til å forbedre en prosess, ikke bare registrere hva som skjedde.

Hvordan skaper kombinasjonen av video med lydanalyse, radar, adgangskontrollsystemer og miljøsensorer innsikt som ikke ville vært mulig kun med visuelle data?

Jo mer kontekst du kan samle, desto bedre kan systemet forstå hva som skjer. Når du kombinerer ulike innganger, kan du få innsikt som ville vært vanskelig, og noen ganger umulig, å utlede kun fra video. For eksempel kan du kombinere hvordan et objekt ser ut med hvordan det beveger seg, eller bruke termisk og visuell informasjon sammen når lysforholdene eller siktigheten er utfordrende. Radar kan tilføre informasjon om et objekts bevegelse og hastighet, lyd kan identifisere lyder eller gi to‑veis kommunikasjon, og miljøsensorer kan gi ekstra kontekst om hva som skjer i omgivelsene. Flere sensorer kan også øke tilliten til det systemet eller brukeren oppdager. Kombinering av teknologi er utrolig viktig for å beskytte nøkkelområder i livet, som kritisk infrastruktur.

Vi er allerede på vei i denne retningen. På GSX introduserte vi for eksempel løsninger som kombinerer visuell, termisk, radar, lyd‑ og miljøsansning. Målet er å samle riktig data slik at organisasjoner kan ta raskere og bedre informerte beslutninger. Dette er spesielt viktig for applikasjoner som beskytter kritisk infrastruktur, hvor flere informasjonskilder kan gi et mer komplett bilde av hva som skjer.

Kantbehandling kan redusere mengden råvideo som må overføres eller lagres, men AI‑aktiverte kameraer reiser fortsatt viktige personvern‑ og styringsspørsmål. Hvilke prinsipper bør organisasjoner følge når de designer systemer som er nyttige uten å samle inn mer persondata enn nødvendig?

Utgangspunktet bør være å spørre hva systemet faktisk skal oppnå og kun samle inn den informasjonen som er nødvendig for dette formålet. Personvern og åpenhet er også viktig. Folk vil forstå hvorfor video brukes og hvordan deres informasjon håndteres. Vår nylige forskning viser at folk blir mer komfortable med videoovervåkning, men denne aksepten kan ikke tas for gitt. De største bekymringene rundt AI‑drevet overvåkning er falske positiver eller unøyaktig informasjon samt potensiell misbruk eller feilbehandling av data. Det pålegger et reelt ansvar på organisasjoner og teknologileverandører om å bygge personvern og sikkerhet inn i systemene fra starten. Kantbehandling kan hjelpe her fordi du kan analysere informasjon lokalt og kun sende de dataene som trengs, i stedet for å flytte kontinuerlig råvideo over nettverket.

Fysisk infrastruktur kan forbli i drift i mange år, mens AI‑modeller og cybersikkerhetstrusler utvikler seg raskt. Hvordan bør kameraer og andre kant‑enheter designes slik at deres analyser forblir sikre, vedlikeholdbare og tilpasningsdyktige gjennom hele deres operasjonelle levetid?

Dette er en av grunnene til at jeg ser på kameraet som en del av den bredere IT- og driftsinfrastrukturen, snarere enn som en frittstående sikkerhetsenhet. Cybersikkerhet må bygges inn i enheten fra starten, med sikker programvare, jevnlige oppdateringer og sterke cybersikkerhetsbeskyttelser gjennom hele livssyklusen. Hos Axis, for eksempel, gir Edge Vault et maskinvarebasert fundament for å beskytte enhetens integritet, sikre kryptografiske nøkler og etablere en tillitskjede. Den støtter også funksjoner som sikker oppstart og signert programvare, og bidrar til å sikre at kun pålitelig programvare kjører på enheten.

Enheten trenger også en arkitektur som kan tilpasse seg når analyser og kundekrav endres. Åpne plattformer er viktige her fordi de gjør det mulig for organisasjoner å integrere nye applikasjoner og teknologier i stedet for å måtte erstatte et helt system hver gang noe utvikles. Samtidig trenger organisasjoner god styring av sine tilkoblede enheter. Etter hvert som mer video, sensorer og bedriftsystemer samles, må cybersikkerhet og databeskyttelse behandles som en del av den overordnede systemdesignen, ikke som noe som legges til senere.

Axis støtter et åpent applikasjonsøkosystem som gjør det mulig for tredjepartsutviklere å bygge og distribuere spesialiserte analyser på sine enheter. Hvor viktig vil åpne plattformer og interoperabilitet være når organisasjoner ønsker å kjøre sine egne modeller på store flåter av kameraer?

Jeg tror det vil bli ekstremt viktig. Kundene ønsker ikke å bli låst til én teknologi eller én arbeidsmetode, spesielt ettersom AI og analyser utvikler seg så raskt. En åpen plattform gjør det enklere å integrere kameraer med andre systemer, innføre spesialiserte applikasjoner og skalere over en stor distribusjon. Den gir også kundene mer fleksibilitet etter hvert som deres behov endres. Ved å eliminere leverandørlåsing og forenkle integrasjon, gjør åpne, interoperable økosystemer det lettere å skalere intelligente edge‑løsninger mens de tilpasses skiftende forretningsbehov. Til syvende og sist ligger verdien ikke bare i selve kameraet. Den ligger i hvordan kameraet, sensorene, analysene og bedriftsapplikasjonene fungerer sammen.

Hvordan bør organisasjoner evaluere ytelsen til datasynssystemer etter utrulling, spesielt når belysning, kameraposisjonering, menneskelig atferd eller driftsforhold kan endres og potensielt påvirke nøyaktigheten?

Alt avhenger av bruksområdet, men det viktigste er å teste kameraene og AI-modellene i det faktiske miljøet der de skal brukes. Man kan ha en modell som presterer svært bra i et kontrollert oppsett, men den virkelige testen er hva som skjer med den faktiske belysningen, kameraposisjonen, været, bakgrunnen og atferden på stedet. Derfor oppfordrer vi kundene til å evaluere analyser som Axis Object Analytics eller Axis Custom Analytics i det virkelige miljøet og sikre at nøyaktigheten er høy nok for applikasjonen. BMW-fabrikken er et godt eksempel på denne tilnærmingen. Kameraene brukes i et ekte produksjonsmiljø, hvor bildekvaliteten og de resulterende analysene må støtte en reell produksjonsprosess.

Etter hvert som edge‑AI blir mer kapabel, hvordan forventer du at rollen til nettverkskameraet vil utvikle seg i løpet av det neste tiåret, og hvilke nye funksjoner kan dukke opp når kameraer blir aktive komponenter i intelligente, responsive miljøer?

Nettverkskameraet blir stadig mer sentralt i systemet. Det er ikke lenger bare et kamera som genererer video. Det er en sensor som genererer data som kan analyseres og deles på tvers av ulike systemer. Etter hvert som behandlingskraften fortsetter å øke, forventer jeg at kameraene blir enda bedre til å forstå hva som skjer i deres miljø og levere nyttig informasjon i sanntid. Det er idéen bak Scene Intelligence, hvor kameraet kan bruke en dypere forståelse av scenen for å gi mer meningsfull informasjon om objekter, deres egenskaper og hva som skjer rundt dem.

Det kan bety mer avansert gjenkjenning av objekter og atferd, større integrasjon med andre sensorer og bedriftsystemer, samt mer automatisering av hvordan organisasjoner reagerer på hendelser. Den større endringen er at video blir en del av et bredere data‑ og intelligenslag. Kameraet fanger fortsatt opp hva som skjer, men i økende grad kan det også bidra til å forklare hva som skjer og hva en organisasjon eventuelt vil gjøre neste.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Axis Communications.