Ofir Mulla, medgrunnlegger og CTO i Lumana – Intervju-serie

Ofir Mulla, medgrunnlegger og CTO i Lumana, bringer over et tiår med dypt ekspertise innen 3D og datavisjonsteknologier, etter å ha banebrytende og skalert løsninger over kodet lys, stereo og LiDAR-modaler mens han ledet tverrfaglig utvikling i programvare, elektriske systemer, robotikk, ML/AI og medisinske enheter. Før hans nåværende rolle i Lumana, tilbrakte han nesten 15 år i Intel hvor han designet RealSense 3D-plattformen og ledet team som omfattet hårdvara, firmware og systemarkitektur.

Lumana er et avansert video-sikkerhets- og visuell intelligensselskap hvis plattform transformerer eksisterende kameraer til smarte, perceptive agenter ved å utnytte AI til å detektere og reagere på virkelige hendelser i sanntid – fra uautorisert tilgang og sikkerhetsbrudd til operasjonelle innsikter – og muliggjør bedrifter over utdanning, regjering, detaljhandel, produksjon og hotell å forene kameraintelligens, automatisere overvåking og låse opp handlebare analyser fra deres video-infrastruktur.

Hvordan har dine erfaringer i Intel forberedt deg for Lumana og grunnleggelsen av selskapet?

LiDAR-teknologi var en kjernedel av RealSense, en aktiv metode for å projicere laserlys for å fange geometrien til verden. Det er en vakker del av kodet lys-teknologi som våre briljante ingeniører i Intel oppfant. Geometri-sansning er kritisk for flytende objekter, som roboter og biler, som er hvorfor de fleste robot-systemer i dag avhenger av RealSense-enhetene.

Men en spørsmål oppstod: hva skjer når sensorene er stasjonære, hvor navigasjon og tid-til-påvirkning ikke er hovedoppgavene? Vi spurte oss selv hvilken teknologi som kunne gi den største verdien til brukerne i den konteksten.

Gjennom dypt diskusjoner, innsett vi at de fleste eksisterende stasjonære kamera-systemer ikke kan skaleres naturlig. Overvåking av hvert system er tungvint. Samtidig hadde AI modnet til et punkt hvor vi begynte å spørre: hvordan kan et rimelig system på kundesiden levere de mest kritiske, pålitelige sikkerhetsresponsene til kritiske varsler?

Vi bygget et sterkt AI-team som raskt transformerte denne visjonen til et fungerende produkt. Innsikten var enkel: flytende kjøretøy krever geometri-sansning, men stasjonære sensorer, fokusert på å overvåke atferd heller enn å planlegge bevegelse, nyter mer avansert video-analyse uten eksplisitt geometri-rekonstruksjon.

RealSense-reisen lærte meg at hvert problem krever sin egen løsning og virkelig innovasjon krever innovasjon. Mitt team i Lumana inkorporerer denne prinsippet: profesjonell, innovativ og driven. Sammen har vi skapt et on-premise, sanntids-system som bringer sky-liknende ytelse til kanten, rimelig, skalerbart og responsivt.

Hvordan går Physical AI utover tradisjonell video-analyse som objekt-detteksjon og mønster-merking?

Når vi snakker om Physical AI, mener vi et AI-system som ikke stopper ved persepsjon, men aktivt samhandler med den virkelige verden. Tradisjonell video-analyse, som objekt-detteksjon eller mønster-merking, er bare det første laget. Den dypere utfordringen er hva som kommer etter: arrangering, sporing, aggregasjon, identifisering, innhenting, søking og verifisering av detekterte objekter og akselerasjon av respons. Det inkluderer også å muliggjøre tekst-basert tilgang og sogar søking etter objekter systemet ikke var opprinnelig trent til å detektere.

Alt dette må oppnås innenfor en kompakt, rimelig beregningsenhet. Det er der Physical AI går utover tradisjonell analyse: det transformerer rå deteksjon til handlebar, tilgjengelig intelligens. Det handler ikke om å oppdage lovene om fysikk, en vitenskapelig jakts på fortsatt debatt, men om å tilby praktiske, effektive måter å få tilgang til og handle på visuell og audio-innhold i virkelige miljøer.

Hva er de tekniske pillarene som muliggjør Lumana å fusjonere data fra multiple kameraer, tolke atferd i sanntid og kontinuerlig tilpasse basert på kontekstuelle og historiske innputt?

Flott spørsmål. En av våre kjerne-tekniske pillarene er evnen til at det on-premise-systemet kontinuerlig tilpasser seg scenen det observerer, hva som nå ofte kalles kontinuerlig læring. Du kan tenke på det som et system som utvikler seg med sin omgivelse, forbedrer seg over tid. Denne tilnærmingen har tillatt oss å levere høy ytelse med svært lav kostnad og unik fleksibilitet.

En annen nøkkel-pilar er vår hierarkiske arkitektur, som intelligently eskalerer beregningsinnsats bare når det er nødvendig. Dette sikrer at komplekse handlinger mottar de ressursene de trenger uten å belaste hele systemet.

Tatt sammen, former disse prinsippene en plattform som er enkel, effektiv og høyt skalerbar, muliggjør brukerne å oppleve kraftfulle sanntids-innsikter og atferd-tolkning på lavest mulig kostnad.

Kan du dele ett eller to virkelige verdens-deployments hvor Lumana-systemet detekterte hendelser som vold- eskalering, sikkerhets-grense-brudd eller luring, og forklare innvirkningen disse hadde på sikkerhet eller operasjonell respons?

Lumana-deployments i byer viser klare forbedringer i sanntids-bevissthet og respons. I en stor by i Israel, transformerte systemet et eksisterende video-nettverk til en intelligent tidlig varsling-lag som detekterte luring i begrensede soner, folkemengde-anomalier, etter-timers-inntrengninger og uregelmessige bevegelser. Dette ledet til færre innbrudd, redusert vandalisme og raskere inngripen i høy-risiko-områder.

En amerikansk kommune så lignende gevinster i et historisk distrikt som kjempet med vandalisme, bil-innbrudd, forstyrrelser og luring. Lumana levert kontinuerlig overvåking og umiddelbare varsler, muliggjorde proaktive patruljer og raskere respons. Dette resulterte i tryggere offentlige rom og mindre operasjonell spill for byen.

Disse eksemplene illustrerer hvordan sanntids-detteksjon av atferd, som luring og grense-brudd, styrker offentlig sikkerhet og strømlinjeformer operasjoner.

Med AI-systemer som tolker følsom fysisk atferd, hva slags privatlivssikringer er innbygget i din design- og deploy-prosesser?

Lumana-teknologi og design betoner sterk styring og minimal data-bevegelse. Prosessering utføres på kanten, når det er mulig, for å begrense eksponering og styrke privatliv. Tilgang er begrenset gjennom klare kontroller og audit-spor, så team kan følge hver arbeidsflyt. Systemet holder video lokalt, deler bare nødvendig metadata, som støtter privatlivs-forventninger i regulerte miljøer.

Disse sikringer sikrer at følsom visuell data håndteres ansvarlig, mens det opprettholder ytelsen som kreves for sanntids-operasjoner.

Hva driver din hybrid-sky-arkitektur, og hvordan støtter det sanntids-prosessering og kontinuerlig læring?

Lumana bruker en hybrid-tilnærming til å kombinere ytelsen til on-premise-systemer med sky-fleksibilitet. Kant-prosessering leverter sanntids-AI, lagring og video-håndtering lokalt som standard. Dette reduserer bandbredds-krav og styrker privatliv, mens det fortsatt muliggjør sky-støtte når det er nødvendig for videre koordinering eller læring over deployeringer.

Denne arkitekturen gir brukerne umiddelbar responsivitet mens det opprettholder evnen til å skalerer og forbedre seg gjennom kontinuerlig tilpasning over steder.

Hvordan ble selv-læringsevnen arkitektet, og hvordan forbedrer den seg over tid i multi-sted-deployments?

Arkitekturen til vår selv-læringsevne er bygget rundt skala. Jo flere steder vi deployer, jo bredere blir vår perspektiv over kanten av enheter. Hvert nytt miljø bidrar med fersk data, utvider mangfoldet av scenarier og scener systemet kan lære fra.

Vår kontinuerlig læring-metodologi tar fordel av denne kollektive kunnskapen. Mens systemet forbedrer seg over deployeringer, blir prosessen med online-trening enklere og mer effektiv. I praktiske termer, jo bredere deployeringen, jo raskere og mer nøyaktig tilpasningen, resulterer i et system som kontinuerlig forbedrer seg over tid over alle steder.

Hvem ser du som dine hoved-konkurrenter eller samarbeidspartnere i dette rommet, og hva gjør Lumana unikt?

Vår sanne unikhet ligger i våre mennesker. Bak Lumana står et team av briljante ingeniører og innovatører, startende med vår AI-gruppe, støttet av våre sky-spesialister, UX/UI-designere og styrket av kundeservice og salg. Mens AI danner ryggraden i vår teknologi, er det våre menneskelige motor som driver vår suksess. Kreativiteten, profesjonaliteten og dedikasjonen til vårt team er hva som skiller Lumana fra andre, enten i konkurranse eller samarbeid.

Lumana betoner “Tenk stort,” “Kunde-først,” “En team,” og “Mester din ferdighet.” Hvordan operationaliserer du disse verdiene i rekruttering, produktutvikling og daglig liv?

Vi rekrutterer innovatører som tenker stort, løser problemer, samarbeider og er dedikert til vekst.

Produkt-team utvikler skalerbart AI med en ambisiøs visjon, itererer via kunde-tilbakemelding, fremmer samarbeid og stræber etter eksellense.

Daglige operasjoner bruker agile metoder til å muliggjøre dristige ideer, prioritere kunde-behov, bygge team-enhet og støtte profesjonell utvikling.

Disse praksisene driver innovasjon, kunde-suksess og innvirkning i AI-video-sikkerhet.

Ser du for deg Lumana-rollen utvikle seg i det bredere AI-økosystemet – og hva slags innvirkning håper du Physical AI vil ha på industrier som sikkerhet, produksjon eller smarte byer om fem år?

Ser fem år fremover, ser vi Lumana-rollen utvikle seg som en nøkkel-aktør for praktisk Physical AI over industrier. Mens å avkode de grunnleggende lovene om fysikk fortsatt er en vitenskapelig gåte, er vårt fokus i dag på kunde-verdi, utvikle verktøy som tillater organisasjoner å overvåke og reagere bedre på verden rundt dem, over enhver anvendelse.

Vi har allerede langvarige samarbeid med medisinske sentre, og utforsker utvidelse inn i flytende plattformer som robotikk og transport. Over tid, mens vi vokser og skalerer, har vi også til hensikt å investere i mer grunnleggende forskningsspørsmål: kan AI avdekke dypere mønster i naturen, eller sogar hjelpe oss å ramme nye teorier om lovene om fysikk? Kan konsepter som dimensjonen av tid bli belyst av læringssystemer?

Vår ambisjon er å drive innvirkning over sikkerhet, produksjon og smarte byer, mens vi holder øye på den større horisonten, presser grensene for hva AI kan hjelpe oss å oppdage.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Lumana.