Andrei Kulik, cofondator al XENOM – Seria de interviuri

Andrei Kulik este cofondator și CEO al XENOM, unde pune în slujba operațiunilor industriale experiența sa în domeniul inteligenței artificiale pe dispozitiv, al sistemelor distribuite și al învățării automate. Anterior, a cofondat AIMatter, companie achiziționată de Google, și a lucrat la Google la sisteme de inteligență artificială pentru dispozitivele destinate consumatorilor. De-a lungul carierei, s-a concentrat pe asigurarea funcționării fiabile a inteligenței artificiale avansate în limitele practice impuse de echipamentele și mediile din lumea reală.

XENOM dezvoltă o platformă industrială de inteligență artificială care combină software-ul cu echipamentele inteligente de protecție, oferindu-le operatorilor o imagine în timp real a locurilor de muncă. Sistemul său reunește date despre localizare, comunicațiile personalului, monitorizarea mediului și siguranță. În acest interviu, Kulik discută despre inteligența artificială la marginea rețelei, căștile inteligente, supravegherea umană, confidențialitatea lucrătorilor și trecerea de la monitorizarea industrială la sprijinul decizional predictiv.

Ați cofondat anterior AIMatter, companie achiziționată de Google, și ați petrecut ani de zile dezvoltând sisteme de inteligență artificială concepute să funcționeze direct pe dispozitivele destinate consumatorilor. Ce v-a inspirat să cofondați XENOM și cum v-a influențat experiența de la Google viziunea asupra integrării inteligenței artificiale în mediile industriale?

După achiziție, am petrecut ani de zile lucrând la o problemă anume: cum faci ca inteligența artificială avansată să funcționeze fiabil pe un dispozitiv care încape în buzunar, cu o baterie cu autonomie limitată, conectivitate imprevizibilă și condiții reale pe care niciun laborator nu le poate simula pe deplin. Am lansat rezultatele acestei munci pe telefoane, ochelari și căști — miliarde de dispozitive. La un moment dat, am început să mă întreb unde altundeva ar putea fi utilă această arhitectură. Dispozitivele pentru consumatori sunt convenabile, dar în mediile industriale costul unei decizii greșite — sau al lipsei oricărei decizii — se măsoară în vieți omenești și milioane pierdute din cauza scăderii productivității. În majoritatea mediilor industriale, încă nu există o imagine în timp real a ceea ce se întâmplă. Am simțit că această lacună era exact problema potrivită pentru tehnologia pe care o dezvoltasem timp de ani de zile.

XENOM combină software-ul bazat pe inteligență artificială cu echipamente inteligente de protecție pentru a oferi vizibilitate în timp real asupra operațiunilor industriale. Care sunt cele mai mari puncte oarbe ale sistemelor tradiționale de siguranță industrială și cum abordează platforma dumneavoastră problemele pe care tehnologiile convenționale de monitorizare nu reușesc să le rezolve?

Problema fundamentală este că majoritatea sistemelor au fost concepute pentru a înregistra ce s-a întâmplat, nu pentru a preveni acel lucru. Localizarea unui lucrător se actualizează o dată la câteva minute. Fișele de pontaj se completează la sfârșitul turei. Încălcările normelor de siguranță sunt înregistrate după depunerea unui raport de incident. Până când un manager vede datele, tura s-a încheiat sau accidentul s-a produs deja. Al doilea punct orb este fragmentarea: o companie poate avea un sistem de monitorizare a gazelor, un sistem separat de control al accesului, o listă de verificare pe hârtie pentru echipamentul individual de protecție și un proces manual de pontaj, fără ca acestea să comunice între ele. XENOM le înlocuiește pe toate cu un flux continuu de date de la locul de muncă, procesat în timp real, care îi oferă managerului o imagine unitară în locul a cinci imagini disparate.

O mare parte din cariera dumneavoastră s-a concentrat pe optimizarea învățării automate și a inferenței LLM pentru dispozitive cu resurse limitate. Cum aplicați aceste principii în mediile industriale și care sunt avantajele tehnice ale procesării sarcinilor de inteligență artificială la marginea rețelei, în locul dependenței de infrastructura cloud?

Lucrul cu dispozitive cu resurse limitate te învață o disciplină: fiecare milisecundă, fiecare miliwatt și fiecare octet trebuie să-și justifice consumul. Exact această mentalitate este necesară pentru o cască industrială, purtată pe durata unei ture întregi, care trebuie să funcționeze la fel de consecvent în a unsprezecea oră ca în prima. Împărțim activitățile în mod deliberat: sarcinile urgente și mari consumatoare de date, precum procesarea fluxului audio și a semnalelor senzorilor sau detectarea căderilor și a impacturilor, sunt executate de NPU-ul din cască, folosind modele comprimate și optimizate pentru acel hardware, în timp ce imaginea de ansamblu a locului de muncă și analizele mai aprofundate sunt realizate la nivelul platformei.

Procesarea la marginea rețelei ne oferă patru avantaje practice. Primul este viteza: dispozitivul reacționează imediat la un eveniment, fără să fie nevoie de un drum dus-întors până la server. Al doilea este fiabilitatea: un model simplificat, care rulează pe dispozitiv, se comportă în mod previzibil, în timp ce fiecare verigă suplimentară din lanț reprezintă un alt posibil punct de defecțiune. Al treilea este reducerea încărcării rețelei: sute de căști nu pot transmite încontinuu fluxuri audio brute și date de la senzori, așa că fiecare trimite rezultatul analizei. Al patrulea este autonomia bateriei: transmiterea este una dintre activitățile cu cel mai mare consum de energie ale unui dispozitiv, așa că procesarea locală și transmiterea unei cantități mai mici de date prelungesc timpul de funcționare.

XENOM a dezvoltat căști inteligente care integrează funcții de localizare, comunicare, monitorizare a mediului și inteligență artificială. Care au fost cele mai dificile provocări inginerești în reunirea acestor tehnologii, în special în medii în care conectivitatea, autonomia bateriei și fiabilitatea pot fi imprevizibile?

Cea mai dificilă problemă nu a fost o anumită tehnologie, ci să le facem pe toate să funcționeze împreună în mod fiabil într-un singur dispozitiv, în condiții care ar distruge majoritatea echipamentelor electronice de larg consum. Șantierele industriale sunt murdare, solicitante din punct de vedere fizic și expuse la temperaturi extreme. Casca este scăpată pe jos, expusă la ploaie și purtată în ture de douăsprezece ore. Autonomia bateriei devine o constrângere reală atunci când funcționează simultan sistemele de poziționare, senzorii, comunicațiile și inferența IA. Apoi, mai este și arhitectura conectivității: aveam nevoie de o tranziție fără întreruperi între poziționarea prin satelit RTK în exterior și rețeaua noastră mesh UWB proprietară în interior, fără nicio pierdere de precizie atunci când un lucrător trece dintr-un mediu în celălalt. Realizarea automată și fiabilă, în timp real, a acestei tranziții a fost una dintre cele mai dificile provocări tehnice pe care le-am rezolvat.

Echipa dumneavoastră a dezvoltat un model vocal de IA capabil să detecteze semne de afectare cauzată de consumul de alcool pe baza vorbirii și a raportat performanțe care depășesc reperele academice anterioare. Ce progrese tehnice au făcut posibil acest lucru și cum validați fiabilitatea sistemului în cazul diferitelor limbi, accente, niveluri de zgomot de fond și condiții reale de lucru?

Ideea-cheie a fost că intoxicația lasă o semnătură detectabilă în tiparele subtile ale vorbirii — nu în cuvinte, ci în proprietățile acustice: ritm, variații ale tonalității și precizia articulării. Am construit un model care analizează aceste tipare în fundal, în timpul comunicațiilor vocale obișnuite, fără să fie nevoie de un test dedicat sau de vreo acțiune din partea lucrătorului. Rata de precizie de 86,7% a fost obținută în urma unor teste riguroase, în raport cu seturi de date academice publicate. Pentru validarea în condiții reale, testăm sistemul în diferite limbi și accente, precum și în condiții de zgomot de fond reprezentative pentru șantierele industriale reale — utilaje grele, vânt și mai multe persoane care vorbesc simultan. Modelul trebuia să fie suficient de robust pentru a funcționa în condiții care nu seamănă deloc cu cele dintr-un studiu controlat. Pentru aceasta au fost necesare o mare diversitate a datelor de antrenare și numeroase iterații.

Sistemele de IA concepute pentru a identifica afectarea sau oboseala lucrătorilor ridică probleme semnificative legate de rezultatele fals pozitive și de responsabilitate. Cum găsește XENOM echilibrul între detectarea timpurie a riscurilor și necesitatea verificării de către o persoană și ce măsuri de protecție împiedică o evaluare incorectă realizată de IA să afecteze pe nedrept un lucrător?

Ne-am gândit foarte atent la acest aspect încă de la început. Sistemul este conceput să semnaleze o posibilă problemă unui supervizor, nu să acționeze autonom. O evaluare realizată de IA, care indică o posibilă afectare, declanșează o verificare de către o persoană — supervizorul îl poate observa direct pe lucrător, îi poate pune întrebări sau îi poate solicita un test fizic, dacă este justificat. IA nu îndepărtează pe nimeni de pe șantier. Îi oferă unei persoane informațiile necesare pentru a lua o decizie mai repede decât ar fi făcut-o în mod normal. De asemenea, urmărim rata rezultatelor fals pozitive în timpul utilizării și îmbunătățim continuu modelul. Scopul este să reducem numărul incidentelor care au loc pentru că nimeni nu a observat problema — nu să creăm un sistem care sancționează lucrătorii doar pe baza unui algoritm.

Înainte de a înființa XENOM, ați fost director de tehnologie la OneSoil, unde ați aplicat viziunea computerizată și învățarea automată în monitorizarea agriculturii și analiza productivității. Ce lecții învățate din implementarea IA în agricultură s-au dovedit cele mai valoroase când ați construit sisteme inteligente pentru șantiere, mine, porturi și instalații energetice?

Implementarea IA în lumea fizică este o provocare fundamental diferită de implementarea ei în software. Trebuie să țineți cont de variabilitate, de echipamente care nu se comportă niciodată la fel și de operatori care își fac meseria de zeci de ani și privesc cu mult scepticism orice le cere să lucreze altfel. Șantierele industriale au aceeași dinamică. Tehnologia trebuie să câștige încrederea oamenilor dovedindu-și fiabilitatea și oferind rezultate corecte mai des decât se așteaptă aceștia; totodată, trebuie să fie suficient de simplă încât o persoană care coordonează o echipă de cincizeci de oameni să o poată folosi efectiv fără instruire. O altă lecție: calitatea datelor colectate în teren este aproape întotdeauna mai slabă decât ați prevăzut. Trebuie să construiți sisteme rezistente la zgomot, lacune și cazuri-limită care nu apar niciodată într-un set de date curat.

Platformele de IA industrială pot genera informații detaliate despre locurile în care se află lucrătorii, activitățile, comunicațiile și productivitatea acestora. Cum abordați confidențialitatea datelor, consimțământul angajaților și posibilitatea supravegherii la locul de muncă, asigurându-vă totodată că aceste tehnologii îmbunătățesc cu adevărat siguranța și eficiența operațională?

Abordăm acest subiect prin prisma limitării scopului. Datele colectate de XENOM servesc siguranței și vizibilității operaționale — nu sunt un instrument de supraveghere a productivității și nu ar trebui folosite în acest scop. Înainte de implementare, colaborăm cu operatorii pentru a defini politici clare de guvernanță a datelor: ce se colectează, cât timp se păstrează, cine are acces la ele și în ce circumstanțe pot fi folosite în deciziile privind personalul. Datele despre localizarea lucrătorilor sunt agregate și anonimizate în scopul analizei productivității — urmărirea individuală este disponibilă supervizorilor responsabili de siguranță pentru intervenții în situații de urgență, nu managerilor de linie pentru evaluarea performanței. Pe măsură ce EU AI Act se extinde și asupra sistemelor industriale de IA, ne așteptăm ca reglementările să oficializeze o mare parte din aceste practici. Preferăm să fim cu un pas înainte, în loc să ne grăbim să ne conformăm.

Trecerea IA din mediile controlate de laborator la operațiuni industriale în care siguranța este esențială aduce provocări cu care companiile care dezvoltă exclusiv software se confruntă rareori. Care au fost cele mai mari surprize în timpul implementărilor XENOM în condiții reale și cum evaluați dacă tehnologia aduce îmbunătățiri semnificative în prevenirea accidentelor, eficiența operațională și productivitatea angajaților?

Cea mai mare surpriză este cât de multă valoare se poate obține pur și simplu având o imagine exactă a locului în care se află oamenii și a modului în care își folosesc timpul. Ne așteptam ca discuțiile cu operatorii să se concentreze în primul rând pe siguranță. Am constatat însă că vizibilitatea asupra productivității — înțelegerea momentelor în care se pierde timp în timpul schimburilor, a motivelor pentru care unele echipe au rezultate mai bune decât altele și a locurilor în care apar blocajele — generează adesea mai repede o rentabilitate a investiției și creează susținători interni ai platformei într-un timp mult mai scurt. A doua surpriză este cât de mult diferă industriile între ele și chiar unitățile din cadrul aceleiași industrii. Construcțiile din Germania funcționează foarte diferit de cele din Emiratele Arabe Unite. Nu poți crea un singur produs și să presupui că se potrivește peste tot fără ajustări semnificative.

Privind spre viitor, XENOM își imaginează un Copilot pentru IA industrială capabil să depășească monitorizarea, să prevadă riscurile și să recomande decizii operaționale. Cum credeți că va evolua IA fizică în următorii 5 ani și ce progrese tehnologice mai sunt necesare pentru ca sistemele de IA industrială să poată funcționa cu mai multă autonomie, menținând totodată supravegherea umană?

În prezent, IA industrială oferă în principal vizibilitate — ne ajută să știm ce se întâmplă. Următoarea etapă este predicția: identificarea tiparelor care preced un incident sau o scădere a productivității, înainte ca oricare dintre acestea să aibă loc. Pentru asta este necesară acumularea, în timp și la scară largă, a unor date structurate și etichetate, exact ceea ce face XENOM încă din prima zi. Etapa următoare este recomandarea: sistemul nu doar vă spune ce este probabil să se întâmple, ci sugerează și ce măsuri să luați — cum să redistribuiți oamenii, când să suspendați o operațiune și ce configurație a echipei oferă cele mai bune rezultate pentru o anumită sarcină. Acesta este cel de-al treilea nivel către care ne îndreptăm cu Copilotul pentru IA industrială. Progresul tehnologic necesar nu ține în primul rând de îmbunătățirea modelării, ci de date. Este nevoie de suficiente date operaționale de înaltă calitate, colectate în destule unități diverse, pentru a antrena un model care să se generalizeze în mod fiabil. Companiile care încep să colecteze aceste date acum vor avea un avantaj foarte greu de reprodus mai târziu.

Vă mulțumim pentru interviul excelent. Cititorii care doresc să descopere IA la marginea rețelei, echipamentele de protecție inteligente și monitorizarea siguranței industriale în timp real pot vizita XENOM.