Ofir Mulla, współzałożyciel i CTO Lumana – seria wywiadów

Ofir Mulla, współzałożyciel i CTO Lumana, posiada ponad dekadę doświadczenia w dziedzinie technologii 3D i komputerowego widzenia, mając na swoim koncie pionierskie i skalowalne rozwiązania w zakresie kodowanego światła, stereo i LiDAR, a także kierowanie zespołami zajmującymi się oprogramowaniem, systemami elektrycznymi, robotyką, ML/AI i urządzeniami medycznymi. Przed objęciem obecnej funkcji w Lumana, spędził prawie 15 lat w firmie Intel (INTC ), gdzie zaprojektował platformę RealSense 3D i kierował zespołami zajmującymi się sprzętem, oprogramowaniem i architekturą systemów.

Lumana to zaawansowana firma zajmująca się bezpieczeństwem wideo i wywiadem wizualnym, której platforma przekształca istniejące kamery w inteligentne, percepcyjne agenci, wykorzystując AI do wykrywania i reagowania na zdarzenia w świecie rzeczywistym – od nieautoryzowanego dostępu i naruszeń bezpieczeństwa do wglądu w działanie – umożliwiając przedsiębiorstwom z różnych branż, takich jak edukacja, rząd, handel detaliczny, produkcja i hotelarstwo, scentralizowanie inteligencji kamer, automatyzację monitorowania i odblokowanie analityki z ich infrastruktury wideo.

Jak Twoje doświadczenia w Intel przygotowały Cię do Lumana i założenia tej firmy?

Technologia LiDAR była kluczową częścią RealSense, aktywną metodą projekcji światła laserowego w celu przechwycenia geometrii świata. Jest to piękny kawałek technologii kodowanego światła, który nasz genialny zespół inżynierów w Intel wymyślił. Poczucie geometrii jest kluczowe dla poruszających się obiektów, takich jak roboty i samochody, dlatego większość systemów roboczych dzisiaj opiera się na urządzeniach RealSense.

Ale powstało pytanie: co się dzieje, gdy czujniki są stacjonarne, gdzie nawigacja i czas do zderzenia nie są głównymi zadaniami? Zapytaliśmy się, jaka technologia mogłaby dostarczyć największą wartość użytkownikom w tym kontekście.

Przez głębokie dyskusje, zrealizowaliśmy, że większość istniejących stacjonarnych systemów kamer nie może być naturalnie skalowana. Monitorowanie każdego systemu jest uciążliwe. W tym samym czasie AI dojrzało do punktu, w którym zaczęliśmy się pytać: jak tanie systemy u klienta mogą dostarczyć najpilniejsze, najbardziej niezawodne odpowiedzi bezpieczeństwa na krytyczne alerty?

Zbudowaliśmy silny zespół AI, który szybko przekształcił tę wizję w działający produkt. Wgląd był prosty: poruszające się pojazdy wymagają poczucia geometrii, ale stacjonarne czujniki, skupione na monitorowaniu zachowania, a nie planowaniu ruchu, korzystają bardziej z zaawansowanej analizy wideo bez jawnej rekonstrukcji geometrii.

Podróż z RealSense nauczyła mnie, że każdy problem wymaga własnego rozwiązania, a prawdziwa dezintegracja wymaga innowacji. Mój zespół w Lumana uosabia tę zasadę: profesjonalny, innowacyjny i zmotywowany. Razem stworzyliśmy system na miejscu, w czasie rzeczywistym, który przynosi wydajność chmury na krawędzi, przystępny, skalowalny i responsywny.

Jak Fizyczna AI wykracza poza tradycyjną analitykę wideo, taką jak wykrywanie obiektów i etykietowanie wzorców?

Gdy mówimy o Fizycznej AI, mamy na myśli system AI, który nie zatrzymuje się na percepcji, ale aktywnie wchodzi w interakcję ze światem rzeczywistym. Tradycyjna analityka wideo, taka jak wykrywanie obiektów lub etykietowanie wzorców, to tylko pierwsza warstwa. Głębszym wyzwaniem jest to, co następuje: organizowanie, śledzenie, agregowanie, identyfikowanie, pobieranie, wyszukiwanie i weryfikowanie wykrytych obiektów oraz przyspieszanie odpowiedzi. Obejmuje to również umożliwienie dostępu opartego na tekście i nawet wyszukiwanie obiektów, których system nie był pierwotnie przeszkolony do wykrycia.

Wszystko to musi być osiągnięte w ramach kompaktowego, przystępnego urządzenia obliczeniowego. To tam Fizyczna AI wykracza poza tradycyjną analitykę: przekształca surowe wykrywanie w działającą, dostępną inteligencję. Nie chodzi o odkrywanie praw fizyki, naukowego przedsięwzięcia, które nadal jest przedmiotem debaty, ale o dostarczanie praktycznych, wydajnych sposobów dostępu i działania na treści wizualnej i audio w środowiskach rzeczywistych.

Jakie są techniczne filary, które umożliwiają Lumana połączenie danych z wielu kamer, interpretację zachowania w czasie rzeczywistym i ciągłe dostosowywanie się do kontekstowych i historycznych danych?

Świetne pytanie. Jednym z naszych podstawowych filarów technicznych jest zdolność systemu na miejscu do ciągłego dostosowywania się do sceny, którą obserwuje, co jest obecnie określane jako ciągłe uczenie. Można to uznać za system, który ewoluuje ze swoim środowiskiem, poprawiając się z czasem. Ten podejście pozwoliło nam dostarczyć wysoką wydajność przy bardzo niskim koszcie i wyjątkowej elastyczności.

Kolejnym kluczowym filarem jest nasza hierarchiczna architektura, która inteligentnie eskaluje wysiłek obliczeniowy tylko wtedy, gdy jest to wymagane. Zapewnia to, że złożone akcje otrzymują niezbędne im zasoby bez obciążania całego systemu.

Biorąc to razem, te zasady tworzą platformę, która jest prosta, wydajna i bardzo skalowalna, umożliwiając użytkownikom doświadczenie potężnych wglądów w czasie rzeczywistym i interpretację zachowania przy najniższych możliwych kosztach.

Czy możesz podzielić się jednym lub dwoma przypadkami wdrożenia systemu Lumana, który wykrył zdarzenia, takie jak eskalacja przemocy, naruszenia granic bezpieczeństwa lub zaczepianie, i wyjaśnij, jaki wpływ miało to na bezpieczeństwo lub odpowiedź operacyjną?

Wdrożenia Lumana w miastach pokazują wyraźne poprawy w czasie rzeczywistym i odpowiedzi. W dużym mieście w Izraelu system przekształcił istniejącą sieć wideo w inteligentną warstwę wczesnego ostrzegania, która wykryła zaczepianie w strefach ograniczonych, anomalie tłumu, wtargnięcia po godzinach i nieprawidłowe ruchy. To doprowadziło do mniejszej liczby włamań, zmniejszenia wandali i szybszego interweniowania w obszarach wysokiego ryzyka.

Amerykańska gmina zobaczyła podobne korzyści w historycznym okręgu, który miał problemy z wandalem, włamaniami do samochodów, zakłóceniami i zaczepianiem. Lumana dostarczyła ciągłe monitorowanie i natychmiastowe alerty, umożliwiając proaktywne patrole i szybszą odpowiedź. To skutkowało bezpieczniejszymi przestrzeniami publicznymi i mniej odpadkami operacyjnymi dla miasta.

Te przykłady ilustrują, jak wykrywanie zachowań w czasie rzeczywistym, takich jak zaczepianie i naruszenia granic, wzmacnia bezpieczeństwo publiczne i upraszcza operacje.

Z systemami AI interpretującymi wrażliwe zachowania fizyczne, jakie zabezpieczenia są wbudowane w procesy projektowania i wdrożenia?

Technologia i projekt Lumana kładą nacisk na silne zarządzanie i minimalny ruch danych. Przetwarzanie jest wykonywane na krawędzi, gdy jest to możliwe, w celu ograniczenia dostępu i wzmocnienia prywatności. Dostęp jest ograniczony za pomocą wyraźnych kontroli i śladów audytowych, dzięki czemu zespoły mogą śledzić każdy proces roboczy. System trzyma wideo lokalnie, udostępniając tylko niezbędne metadane, co wspiera oczekiwania dotyczące prywatności w środowiskach regulowanych.

Te zabezpieczenia zapewniają, że wrażliwe dane wizualne są traktowane odpowiedzialnie, przy jednoczesnym utrzymaniu wymaganej wydajności do operacji w czasie rzeczywistym.

Czym napędza Twoją hybrydową architekturę chmury, i jak wspiera przetwarzanie w czasie rzeczywistym i ciągłe uczenie?

Lumana wykorzystuje podejście hybrydowe, aby połączyć wydajność systemów na miejscu z elastycznością chmury. Przetwarzanie na krawędzi dostarcza AI w czasie rzeczywistym, przechowywanie i zarządzanie wideo lokalnie domyślnie. To redukuje wymagania dotyczące przepustowości i wzmacnia prywatność, jednocześnie umożliwiając wsparcie chmury, gdy jest to potrzebne do szerszej koordynacji lub uczenia się wdrożeń.

Ta architektura daje użytkownikom natychmiastową responsywność, jednocześnie utrzymując możliwość skalowania i poprawy za pomocą ciągłego dostosowywania się do miejsc.

Jak została zaprojektowana możliwość samouczenia, i jak poprawia się w czasie w wdrożeniach wielomiejscowych?

Architektura naszej możliwości samouczenia jest zbudowana wokół skali. Im więcej miejsc wdrożeniowych, tym szersza staje się nasza perspektywa na krajobraz urządzeń krawędziowych. Każe nowe środowisko wnosi świeże dane, rozszerzając różnorodność scenariuszy i scen, których system może się nauczyć.

Nasza metoda ciągłego uczenia się korzysta z tej zbiorowej wiedzy. Im system udoskonala się wdrożeniach, tym proces szkolenia online staje się prostszy i bardziej wydajny. W praktyce, im szersze wdrożenie, tym szybsze i bardziej dokładne adaptacja, w wyniku czego system ciągle poprawia się w czasie we wszystkich miejscach.

Kogo widzisz jako Twoich głównych konkurentów lub współpracowników w tym obszarze, i co sprawia, że Lumana jest wyjątkowa?

Nasza prawdziwa wyjątkowość leży w naszych ludziach. Za Lumana stoi zespół genialnych inżynierów i innowatorów, zaczynając od naszej grupy AI, wspieranej przez specjalistów od chmury, projektantów UX/UI i wzmocnionych przez wsparcie klienta i sprzedaży. Chociaż AI tworzy podstawę naszej technologii, to nasz silnik ludzki napędza nasz sukces. Kreatywność, profesjonalizm i poświęcenie naszego zespołu to to, co wyróżnia Lumana, czy to w konkurencji, czy we współpracy.

Lumana podkreśla „Myśl wielko”, „Klient na pierwszym miejscu”, „Jeden zespół” i „Opanuj swoje rzemiosło”. Jak operacjonalizujesz te wartości w rekrutacji, rozwoju produktu i codziennym życiu?

Zatrudniamy innowatorów, którzy myślą wielko, rozwiązują problemy, współpracują i zobowiązują się do wzrostu.

Zespoły produkcyjne rozwijają skalowalną AI z ambitną wizją, iterują za pomocą opinii klientów, wspierają pracę zespołową i dążą do doskonałości.

Codzienne operacje wykorzystują metody zwinne, aby umożliwić śmiałe pomysły, priorytet dla potrzeb klienta, budować jedność zespołu i wspierać rozwój zawodowy.

Te praktyki napędzają innowacje, sukces klienta i wpływ na AI wideo bezpieczeństwa.

Spójrzając w przyszłość, jak widzisz rolę Lumana w szerszym ekosystemie AI – i jaki wpływ, masz nadzieję, że Fizyczna AI będzie miała na branże, takie jak bezpieczeństwo, produkcja czy inteligentne miasta, za pięć lat?

Spójrzając w przyszłość, widzimy rolę Lumana jako kluczowego dostawcy praktycznej Fizycznej AI w branżach. Chociaż rozwiązywanie fundamentalnych praw fizyki pozostaje naukową zagadką, naszym celem dzisiaj jest dostarczanie wartości klientom, rozwijanie narzędzi, które pozwalają organizacjom lepiej monitorować i reagować na świat wokół nich, we wszystkich aplikacjach.

Już utrzymujemy długoterminowe współprace z ośrodkami medycznymi i badamy rozszerzenie na platformy ruchome, takie jak robotyka i transport. Z czasem, gdy będziemy rosli i skalować, zamierzamy również zainwestować w bardziej podstawowe badania naukowe: czy AI może odkryć głębsze wzorce w naturze, czy nawet pomóc nam sformułować nowe teorie o prawach fizyki? Czy pojęcia, takie jak wymiar czasu, mogą być oświetlone przez systemy uczące się?

Nasza ambicja jest taka, aby wpłynąć na bezpieczeństwo, produkcję i inteligentne miasta, jednocześnie zachowując wzrok na horyzoncie, popychając granice tego, co AI może ostatecznie pomóc nam odkryć.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Lumana.