Entrevistas

Andrew Nassar, diretor de tecnologia da IC Realtime – Série de entrevistas

Antoine Tardif
Adicione Unite.AI às suas fontes preferidas no Google
Andrew Nassar, CTO of IC Realtime, against a light gray background.
Pontos-chaveO Bunker executa a análise central de IA em um gateway local NVIDIA Jetson para reduzir…
Ver mais
  • O Bunker executa a análise central de IA em um gateway local NVIDIA Jetson para reduzir a dependência da nuvem e acelerar os alertas.
  • Nassar se recusa a criar recursos de identidade biométrica porque a vigilância deve descrever eventos em vez de traçar perfis de pessoas.
  • A IA de borda não é uma política de privacidade, pois os serviços em nuvem ainda lidam com acesso remoto e histórico de vídeo.

Andrew Nassar é diretor de tecnologia da IC Realtime, onde ajudou a orientar a empresa nas transições das câmeras analógicas para a gravação digital, o monitoramento remoto e a análise de vídeo assistida por IA. Com mais de 20 anos no setor de vigilância, seu foco é transformar avanços na visão computacional e na computação de borda em ferramentas práticas para compreender eventos, encontrar imagens e aprimorar as operações de segurança.

A IC Realtime desenvolve sistemas e softwares de videovigilância para ambientes residenciais e comerciais. Sua plataforma Bunker acrescenta análise por IA a sistemas de câmeras compatíveis por meio de um gateway dedicado equipado com NVIDIA Jetson, oferecendo alertas contextuais e busca de vídeos em linguagem natural. A plataforma combina análise local com serviços conectados à nuvem para acesso remoto e histórico de vídeos.

Você ajudou a conduzir a IC Realtime pelas transições das câmeras analógicas para a gravação digital, o monitoramento remoto e, agora, a IA. O que o convenceu de que a IA poderia transformar fundamentalmente a vigilância, e quais avanços tornaram prática a análise sofisticada de vídeo na borda?

Trabalhamos com aprendizado de máquina e visão computacional em nossas câmeras há anos. Essa possibilidade se tornou muito mais útil quando o sistema passou a ajudar as pessoas a entender um evento e encontrar as imagens relevantes, em vez de simplesmente produzir mais vídeos para analisar. Um proprietário quer saber o que merece atenção. Uma empresa quer encontrar um incidente sem passar horas procurando.

O Bunker leva essa abordagem a um gateway dedicado NVIDIA Jetson instalado no local. Aproximar das câmeras a análise central pode reduzir a dependência do envio de todas as tarefas analíticas para a nuvem e melhorar a capacidade de resposta. O avanço prático está na combinação de computação local com um software que transforma vídeos em alertas contextuais e eventos pesquisáveis.

Meu critério continua sendo o valor comprovado. A tecnologia precisa resolver um problema real no ambiente em que o cliente vai usá-la. Uma boa demonstração é o início desse processo.

Usando o Bunker como exemplo, você poderia explicar o que acontece desde que uma câmera captura um evento até o usuário receber um alerta? Quais funções de IA são executadas localmente, quais ainda dependem da nuvem e quais dados saem do local?

Em linhas gerais, uma câmera compatível envia o vídeo ao Bunker Gateway, e a análise central por IA é realizada nesse gateway, no local. A plataforma associa a atividade detectada a eventos de vídeo e pode enviar um alerta contextual com uma captura de imagem e uma descrição em linguagem simples. Em seguida, o usuário pode rever o vídeo no aplicativo.

O Bunker usa uma arquitetura híbrida. A conexão com a nuvem viabiliza o acesso remoto, os serviços por assinatura e o histórico de vídeos; portanto, seria enganoso dizer que a plataforma funciona sem nuvem ou que nenhum vídeo sai do local. O que importa é como esses dados são protegidos quando saem. Tudo é criptografado durante a transmissão, inclusive o vídeo ao vivo, que permanece criptografado desde o gateway até a tela de quem o assiste. A infraestrutura intermediária o retransmite, mas não consegue visualizá-lo. Cada gateway se autentica com seu próprio certificado, nunca com credenciais compartilhadas, e as imagens armazenadas na nuvem são criptografadas.

Os clientes devem receber uma explicação clara desse fluxo, incluindo quais recursos dependem da internet e o que acontece quando a conexão cai.

As câmeras de segurança operam sob chuva, no escuro, com reflexos e em ambientes que mudam constantemente. Qual foi a falha mais difícil que você encontrou no mundo real, e como vocês avaliam se as melhorias reduzem os alarmes falsos sem aumentar os incidentes não detectados?

Estou neste setor há mais de 20 anos, e a tecnologia das câmeras melhorou muito, especialmente em condições de pouca luz e em situações difíceis. Hoje, as imagens noturnas e com ruído são quase tão nítidas quanto as diurnas. Ainda assim, chuva, reflexos, neblina e neve podem reduzir a precisão de um modelo de IA. Sensores melhores não eliminam essas variáveis.

Por isso, optamos por uma abordagem dinâmica, que se ajusta às mudanças no ambiente e nos horários do dia, em vez de depender de uma configuração fixa. Ao longo dos dois anos de desenvolvimento, dedicamos milhares de horas a testes em instalações reais, não apenas com câmeras em uma bancada, e construímos o sistema com base no que aprendemos nessas implantações.

Eu não avaliaria uma melhoria apenas pela redução no número de notificações. A questão é se ela elimina alertas irrelevantes sem deixar de detectar os incidentes importantes. Reduzir o ruído só tem valor se o sistema continuar sendo útil quando algo importante acontecer.

Detectar uma pessoa ou um veículo é diferente de decidir que um comportamento é preocupante. Como vocês definem uma anomalia, adaptam essa definição a cada local e impedem que o sistema trate atividades inofensivas como ameaças?

Um objeto detectado, por si só, não indica se há um problema. Uma entrega na entrada principal e uma atividade em uma área restrita podem envolver o mesmo tipo de objeto, mas exigir respostas muito diferentes. O ponto de partida deve ser o caso de uso do cliente e o contexto daquela propriedade específica.

Eu distinguiria um evento que merece ser analisado de uma conclusão de que alguém representa uma ameaça. O sistema deve ajudar a pessoa a entender o que foi observado e por que aquilo foi sinalizado, dando acesso às imagens originais. Não deve incentivar o usuário a tratar toda atividade desconhecida como prova de má conduta.

À medida que esses sistemas se tornam mais capazes, o desafio é tornar esse contexto útil sem exagerar o que a IA sabe. O julgamento humano continua sendo importante, especialmente quando um alerta pode levar a uma ação de consequências significativas.

A busca em linguagem natural promete substituir horas de análise manual de imagens. Como o seu sistema relaciona a descrição do usuário ao vídeo certo e como vocês testam se há eventos não identificados, correspondências incorretas ou descrições geradas por IA que não sejam sustentadas pelas imagens?

A ideia é permitir que as pessoas pesquisem vídeos usando a linguagem que empregariam naturalmente. Quando uma atividade é detectada, o Bunker cria descrições com marcação de horário associadas aos eventos registrados em vídeo. A pergunta do usuário é usada para pesquisar esse registro indexado e localizar imagens relevantes. Isso oferece ao usuário um ponto de partida, sem que precise percorrer manualmente toda a gravação.

As imagens devem continuar sendo a base para verificar o resultado. Uma descrição gerada é útil para orientar a busca, mas não deve ser considerada mais confiável do que aquilo que a câmera realmente registrou.

Nos testes, eu separaria três perguntas: o sistema deixou passar algum evento relevante? Recuperou algo que não corresponde à solicitação? A descrição incluiu algo que não é sustentado pelas imagens? Esses são modos de falha diferentes. Não bastaria avaliar apenas se a busca retorna uma resposta aparentemente plausível.

Que concessões o hardware NVIDIA Jetson impõe em relação ao tamanho dos modelos, à precisão, ao consumo de energia e ao número de imagens de câmeras que podem ser analisadas? Como vocês mantêm um desempenho confiável ao usar câmeras de terceiros mais antigas, atingir o limite da capacidade de processamento ou perder a conexão com a internet?

A questão de projeto é como oferecer análises úteis com os recursos disponíveis no local. A complexidade do modelo, a quantidade de vídeo processada e o tempo de resposta necessário precisam estar dentro dos limites operacionais do gateway. Por isso, o número de fluxos compatíveis, por si só, não conta toda a história do desempenho.

Os planos de lançamento do Bunker permitem até 10 fluxos de câmeras. As câmeras ONVIF compatíveis permitem que os clientes mantenham os equipamentos existentes, mas a compatibilidade ainda precisa ser verificada em cada instalação. Os perfis, o firmware, a qualidade da imagem e os recursos utilizados são fatores importantes.

Também precisamos ser precisos ao falar de resiliência. O processamento local e os serviços conectados à nuvem são partes diferentes do sistema, e ter um gateway de borda não significa que todos os recursos funcionem normalmente durante uma interrupção da internet. As atualizações também fazem parte da confiabilidade. Cada atualização é assinada e verificada no gateway antes da instalação; versões antigas vulneráveis são rejeitadas, e uma atualização malsucedida é revertida automaticamente. Uma atualização defeituosa não deveria ser o motivo pelo qual o sistema de segurança de um imóvel fica fora de serviço.

A inferência local, por si só, não responde a todas as questões de privacidade. Onde o Bunker armazena as imagens, as consultas de pesquisa e os metadados gerados por IA, por quanto tempo os mantém e quem pode acessá-los? Como vocês aprimoram os modelos sem presumir que têm acesso às imagens privadas dos clientes?

Concordo. “IA de borda” não é uma política de privacidade completa. Os clientes precisam entender para onde vão seus dados, o que é mantido e quem pode acessá-los; isso inclui consultas de pesquisa e descrições geradas, além dos vídeos.

As imagens e os bancos de dados que sustentam o serviço são criptografados quando armazenados. As senhas são submetidas a hash e as sessões expiram, portanto, mesmo uma violação do banco de dados não daria a ninguém credenciais de acesso válidas. O próprio gateway também é criptografado, de modo que um dispositivo roubado não fornece acesso a imagens nem a credenciais. A oferta de lançamento do Bunker incluía 60 dias de histórico de vídeo na nuvem no Standard e 365 dias no Premium, além do Video Vault para clipes que o cliente decide salvar.

Não usamos imagens dos clientes para treinar nossos modelos e não criamos modelos biométricos de ninguém que apareça nas gravações das câmeras. O fato de um cliente usar o produto não nos dá permissão para reutilizar seus vídeos privados.

A controvérsia em torno da Flock Safety trouxe à tona questões sobre quem pode pesquisar dados de vigilância e se o acesso é revogado adequadamente. Embora o modelo de implantação de vocês seja diferente, que lições se aplicam aos seus sistemas e quais medidas de proteção deveriam ser obrigatórias, em vez de opcionais?

A reação negativa à Flock não diz respeito propriamente à IA. Diz respeito a quem pode acessar os dados e pesquisá-los. Grande parte do escrutínio se concentrou na segurança das contas, incluindo questionamentos de parlamentares sobre por que a autenticação multifator não era obrigatória. Quando uma senha roubada basta para pesquisar em um sistema de vigilância, não importa onde o modelo é executado.

No Bunker, somente as pessoas às quais o proprietário do sistema concedeu acesso podem acessar os dados desse sistema. Não os compartilhamos com terceiros, não usamos dados dos clientes para treinar nossos modelos e não criamos modelos biométricos.

A segurança precisa começar no dispositivo e se estender até a conta. Cada gateway Bunker vem com sua própria identidade criptográfica, portanto não há senhas padrão para trocar nem para um invasor descobrir. O firmware é verificado a cada inicialização, as atualizações são assinadas e verificadas antes da instalação, e os logins são protegidos por autenticação multifator. Além disso, o acesso deve ser removido prontamente quando não for mais necessário, e as atividades confidenciais devem deixar um registro auditável. A confiança depende da capacidade de explicar quem fez o quê.

As pessoas captadas por uma câmera muitas vezes não são as que a compraram. Como a vigilância por IA deve levar em conta a privacidade de vizinhos, funcionários, visitantes e transeuntes? E há recursos que vocês se recusariam deliberadamente a desenvolver?

A instalação precisa ter uma finalidade definida, e essa finalidade deve orientar o que é captado, o que é analisado e quem pode ver os resultados. Querer proteger uma entrada não significa que todas as atividades em uma propriedade vizinha devam fazer parte de um registro pesquisável.

Um limite que estabelecemos diz respeito à identidade. O Bunker não cria modelos biométricos nem associa uma identidade a ninguém que detecta. Ele descreve o que aconteceu, não quem é alguém. Isso mantém o sistema concentrado nos eventos, em vez de rastrear ou traçar perfis de pessoas.

Mais recursos não significam automaticamente mais valor. Se um recurso criar um sério problema de confiança sem resolver um problema claro do cliente, esse é um motivo para não desenvolvê-lo.

Olhando para os próximos três a cinco anos, que capacidade significativa você espera que a IA de borda possibilite, além dos recursos atuais de detecção e busca, e que desafio técnico ou de confiança precisa ser resolvido antes que ela mereça ampla adoção?

Sinceramente, o futuro da IA ainda é desconhecido, e o setor está avançando mais rápido do que qualquer coisa que vi na minha carreira. Acompanhamos essas mudanças quase diariamente e avaliamos onde elas podem realmente beneficiar as pessoas que usam nossa plataforma.

As áreas que mais importam para nós são o contexto, a compreensão e os sistemas que continuam aprendendo e melhorando. O valor está em ajudar alguém a entender uma situação em evolução e decidir o que exige atenção, em vez de ter de juntar uma série de notificações isoladas.

O desafio técnico é fazer isso de forma confiável em ambientes variáveis e dentro dos limites do hardware local. O desafio em relação à confiança é tornar fáceis de entender os limites do sistema e suas práticas de uso de dados. As pessoas precisam saber o que o sistema observou, o que inferiu e em que momento uma pessoa precisa tomar a decisão.

Agradecemos pela excelente entrevista. Os leitores que quiserem conhecer câmeras de segurança profissionais, gravadores e sistemas de videovigilância com IA devem visitar IC Realtime.

Antoine é um líder visionário e sócio fundador da Unite.AI, movido por uma paixão inabalável por moldar e promover o futuro da IA e da robótica. Empreendedor que já fundou várias empresas, acredita que a IA transformará a sociedade tanto quanto a eletricidade e costuma falar com entusiasmo sobre o potencial das tecnologias disruptivas e da inteligência artificial geral (AGI).

Como futurista, dedica-se a explorar como essas inovações moldarão o nosso mundo. Além disso, é fundador da Securities.io, uma plataforma voltada ao investimento em tecnologias de ponta que estão redefinindo o futuro e transformando setores inteiros.