Fredrik Nilsson, Vicepreședinte, Americi, Axis Communications – Seria de interviuri

Fredrik Nilsson, Vicepreședinte, Americi, Axis Communications, supraveghează operațiunile companiei în America de Nord și America de Sud, conducând echipe axate pe dezvoltarea și livrarea de soluții de securitate bazate pe rețea pentru parteneri și utilizatori finali. Un executiv de lungă durată la Axis, Nilsson a jucat un rol semnificativ în tranziția industriei de securitate de la televiziunea închisă analogică la video IP bazat pe rețea. De când a preluat responsabilitatea pentru Americi în 2003, a contribuit la creșterea veniturilor regionale de la aproximativ 20 de milioane de dolari la mult peste 1 miliard de dolari și a susținut extinderea a peste 20 de Axis Experience Centers în întreaga Americă. S-a alăturat Axis în 1996, ocupând anterior funcțiile de Product Manager și Division Manager în Suedia și ulterior Director de Dezvoltare a Afacerilor, unde a ajutat la stabilirea de parteneriate în timpul dezvoltării timpurii a video IP. La începutul carierei, a fost Product Manager la ABB și în prezent face parte din consiliile de administrație ale MSAB și ale Swedish‑American Chamber of Commerce din Washington, D.C.

Axis Communications este o companie tehnologică cu sediul în Suedia, specializată în securitate fizică inteligentă și soluții de rețea, inclusiv camere de rețea, sisteme de supraveghere video, control de acces, interfoane, audio de rețea, radar și analize. Fondată în 1984 și cu sediul central în Lund, Suedia, Axis are aproximativ 5.000 de angajați în peste 50 de țări și face parte din grupul Canon din 2015. Compania a introdus ceea ce descrie ca fiind prima cameră de rețea din lume în 1996 și, de atunci, s-a extins de la video de rețea la un portofoliu mai larg de tehnologii de securitate conectate. Produsele sale actuale încorporează tot mai mult analize la margine (edge) și inteligență artificială pentru a transforma datele video, audio și de senzor în informații acționabile pentru securitate, siguranță, eficiență operațională și inteligență de afaceri.

Cariera dumneavoastră a cuprins monitorizarea la distanță la ABB, dezvoltarea timpurie a stocării atașate la rețea și a tehnologiilor Internet of Things, precum și tranziția de la supravegherea analogică la video de rețea la Axis Communications. Cum v‑a modelat acest background modul în care gândiți despre evoluția actuală spre camere alimentate de AI și infrastructură fizică inteligentă?

Consider că trecerea la camere alimentate de AI reprezintă următorul pas într‑o evoluție în care am fost implicat de-a lungul carierei mele – de la tehnologia conectată și convergența IP la marginea inteligentă de astăzi. Un fir comun în toată cariera mea este să ajut clienții să înțeleagă ce poate face tehnologia conectată pentru ei. ABB a fost o școală excelentă pentru mine. Era o companie globală mare, așa că am avut oportunitatea să călătoresc în întreaga lume, inclusiv să petrec un an în Canada, și să lucrez cu clienți mari din sectorul enterprise, în special cu utilități de energie, la proiecte complexe. Rolul meu a fost manager de produs pentru un nou sistem de monitorizare și control la distanță conectat prin IP. La Axis, am lucrat ulterior la o nouă categorie de dispozitive de stocare conectate prin IP și am ajutat la răspândirea mesajului la nivel global despre beneficiile tehnologiei conectate. Apoi, în primii ani ai convergenței IP, am construit pe aceleași principii, ajutând clienții enterprise să înțeleagă valoarea video‑ului conectat la rețea și oportunitățile create de tehnologia IP. Deci, când privesc camerele alimentate de AI astăzi, văd un alt pas în aceeași evoluție. Tehnologia devine tot mai capabilă, dar oportunitatea reală rămâne în continuare legată de conectarea dispozitivelor, generarea de date utile și ajutorul acordat clienților să facă mai mult cu ele.

Ce tipuri de sarcini de viziune computerizată sunt cele mai potrivite pentru a rula direct pe o cameră și care aplicații beneficiază în continuare de procesarea într‑un centru de date local sau în cloud?

Sarcinile care se potrivesc cel mai bine pentru a rula direct pe o cameră sunt cele în care sunt necesare decizii în timp real, latență scăzută și utilizare eficientă a lățimii de bandă. De exemplu, detectarea și clasificarea persoanelor sau obiectelor, numărarea, urmărirea mișcării sau identificarea unor evenimente specifice. Cu tehnologii precum Axis Object Analytics, camerele pot detecta cu precizie persoane, vehicule, culori, direcția de deplasare și alte caracteristici. De asemenea, putem antrena o cameră pentru obiecte sau scenarii foarte specifice prin Axis Custom Analytics. Pe măsură ce analizele continuă să se îmbunătățească, o parte tot mai mare din acea inteligență poate avea loc la marginea (edge). Pentru multe cazuri de utilizare, rularea analizelor pe cameră și trimiterea doar a datelor sau metadatelor rezultate către un server sau către cloud este importantă pentru scalabilitate și costuri. Cloudul și serverele au în continuare un rol important, în special pentru gestionarea centralizată, stocarea pe termen lung și analiza metadatelor la scară largă pe numeroase dispozitive. Nu văd această decizie ca pe una exclusivă. Edge‑ul și cloudul pot să se completeze reciproc, fiecare făcând ceea ce îi revine cel mai bine.

Implementarea AI la marginea (edge) necesită echilibrarea acurateței modelului cu limitările în puterea de procesare, memorie, consum de energie și căldură. Cum modifică progresele în cipuri specializate ceea ce poate fi realizat în mod realist într‑o cameră?

Există, de fapt, două tendințe care conduc la aceasta. În primul rând, capacitatea AI a procesorului la margine se îmbunătățește foarte rapid. ARTPEC-9, sistemul nostru pe cip dezvoltat intern, are de trei ori capacitatea AI a ARTPEC-8, oferindu-ne mult mai mult spațiu pentru a rula modele sofisticate direct pe cameră. Generațiile viitoare vor continua să crească această capacitate. În al doilea rând, dimensiunea și eficacitatea modelelor se îmbunătățesc. Aici am observat mult progres în ultimul an. Echipa noastră de cercetare‑dezvoltare a făcut o treabă uimitoare în a rula o parte tot mai mare a modelului direct la margine, astfel încât, în multe scenarii, este suficient să folosești datele de la cameră în loc să trimiți video undeva pentru procesare. Acum un an vorbeam de aproximativ 50 % din necesități gestionate în cameră. Astăzi, este aproape 90 % și ne așteptăm să ajungă la 95 % sau mai mult. Adevăratul progres nu constă doar în cipuri mai puternice, ci în combinarea hardware‑ului mai capabil cu modele AI mai eficiente, permițând tot mai multă inteligență să se desfășoare direct la locul generării datelor. Astfel, sistemele de supraveghere devin mult mai puțin dependente de servere și de cloud pentru AI.

Camerele sunt din ce în ce mai mult poziționate ca senzori operaționali, nu doar ca dispozitive de securitate. Ce aplicații în retail, transport, sănătate, producție sau logistică oferă în prezent cea mai clară valoare de afaceri?

Producția este un exemplu foarte bun, deoarece valoarea poate fi legată direct de operațiune. Grupul BMW, de exemplu, folosește camere de rețea ca parte a sistemului său de inspecție de calitate bazat pe AI pentru a captura imagini detaliate ale vehiculelor în timp real și a identifica defectele. Acesta este un rol foarte diferit pentru o cameră decât simpla înregistrare a unui incident. Observăm, de asemenea, o utilizare tot mai mare a video‑ului pentru eficiență operațională și inteligență de afaceri în general. În transport și logistică, camerele pot ajuta organizațiile să înțeleagă cum se mișcă oamenii, vehiculele și mărfurile printr-o facilitate. În retail, video‑ul poate oferi informații despre comportamentul clienților, utilizarea spațiului și personalul necesar. Tema comună este că camera generează informații care pot fi folosite pentru a îmbunătăți un proces, nu doar pentru a înregistra ce s‑a întâmplat.

Cum combinarea video‑ului cu analiza audio, radar, sisteme de control al accesului și senzori de mediu creează informații care nu ar fi posibile doar din date vizuale?

Cu cât poți aduce împreună mai mult context, cu atât sistemul înțelege mai bine ce se întâmplă. Când combini diferite intrări, poți obține informații care ar fi dificile, uneori imposibil de derivat doar din video. De exemplu, poți combina aspectul unui obiect cu modul în care se mișcă, sau poți folosi informații termice și vizuale împreună când iluminarea sau vizibilitatea sunt dificile. Radarul poate adăuga informații despre mișcarea și viteza unui obiect, audio‑ul poate identifica sunete sau poate oferi comunicație bidirecțională, iar senzorii de mediu pot oferi context suplimentar despre ce se întâmplă în împrejurimi. Mai mulți senzori pot, de asemenea, să crească încrederea în ceea ce sistemul sau utilizatorul detectează. Combinarea tehnologiilor este extrem de importantă pentru protejarea unor domenii cheie ale vieții, cum ar fi infrastructura critică.

Deja ne îndreptăm în această direcție. La GSX, de exemplu, am introdus soluții care combină vizual, termic, radar, audio și senzori de mediu. Scopul este să reunim datele potrivite pentru ca organizațiile să poată lua decizii mai rapide și mai bine informate. Acest lucru este deosebit de important pentru aplicații precum protecția infrastructurii critice, unde multiplele surse de informație pot oferi o imagine mai completă a ceea ce se întâmplă.

Procesarea la margine poate reduce cantitatea de video brut care trebuie transmisă sau stocată, dar camerele cu AI ridică în continuare întrebări importante de confidențialitate și guvernanță. Ce principii ar trebui să urmeze organizațiile când proiectează sisteme care sunt utile fără a colecta mai multe date personale decât este necesar?

Punctul de plecare ar trebui să fie să ne întrebăm ce trebuie să realizeze efectiv sistemul și să colectăm doar informațiile necesare pentru acel scop. Confidențialitatea și transparența sunt, de asemenea, importante. Oamenii doresc să înțeleagă de ce este folosit video‑ul și cum sunt gestionate informațiile lor. Cercetările noastre recente arată că oamenii devin mai confortabili cu supravegherea video, dar această acceptare nu poate fi luată de la sine înțelesă. Cele mai mari preocupări legate de supravegherea cu AI sunt fals‑pozitivele sau informațiile inexacte și posibila utilizare abuzivă sau manipulare a datelor. Aceasta impune o responsabilitate reală asupra organizațiilor și furnizorilor de tehnologie de a încorpora confidențialitatea și securitatea în sisteme încă de la început. Procesarea la margine poate ajuta în acest sens, deoarece poți analiza informațiile local și trimite doar datele necesare, în loc să transmiți video brut continuu prin rețea.

Infrastructura fizică poate rămâne instalată mulți ani, în timp ce modelele AI și amenințările de securitate cibernetică evoluează rapid. Cum ar trebui proiectate camerele și alte dispozitive de margine pentru ca analizele lor să rămână sigure, întreținute și adaptabile pe parcursul vieții operaționale?

Acesta este unul dintre motivele pentru care consider camera ca parte a infrastructurii IT și operaționale mai largi, mai degrabă decât ca un dispozitiv de securitate autonom. Securitatea cibernetică trebuie integrată în dispozitiv de la început, cu software securizat, actualizări regulate și protecții puternice pe tot parcursul ciclului său de viață. La Axis, de exemplu, Edge Vault oferă o bază hardware pentru protejarea integrității dispozitivului, securizarea cheilor criptografice și stabilirea unui lanț de încredere. De asemenea, susține funcționalități precum boot securizat și software semnat, ajutând la garantarea faptului că numai software de încredere rulează pe dispozitiv.

Dispozitivul are, de asemenea, nevoie de o arhitectură care să poată să se adapteze pe măsură ce analizele și cerințele clienților se schimbă. Platformele deschise sunt importante aici, deoarece permit organizațiilor să integreze noi aplicații și tehnologii în loc să fie nevoite să înlocuiască întregul sistem de fiecare dată când ceva evoluează. În același timp, organizațiile au nevoie de o guvernanță bună în jurul dispozitivelor conectate. Pe măsură ce tot mai multe video, senzori și sisteme enterprise se combină, securitatea cibernetică și protecția datelor trebuie tratate ca parte a designului general al sistemului, nu ca ceva adăugat ulterior.

Axis susține un ecosistem de aplicații deschis care permite dezvoltatorilor terți să creeze și să implementeze analize specializate pe dispozitivele sale. Cât de importante vor fi platformele deschise și interoperabilitatea pe măsură ce organizațiile încearcă să ruleze propriile modele pe flote mari de camere?

Cred că va fi extrem de important. Clienții nu doresc să fie blocați într-o singură tehnologie sau într-un singur mod de operare, mai ales pe măsură ce AI și analizele evoluează atât de rapid. O platformă deschisă facilitează integrarea camerelor cu alte sisteme, aducerea de aplicații specializate și scalarea pe o implementare largă. De asemenea, oferă clienților mai multă flexibilitate pe măsură ce nevoile lor se schimbă. Prin eliminarea dependenței de un singur furnizor și simplificarea integrării, ecosistemele deschise și interoperabile fac mai ușoară scalarea soluțiilor de margine inteligentă, adaptându-se la cerințele în schimbare ale afacerii. În final, valoarea nu constă doar în camera în sine, ci în modul în care camera, senzorii, analizele și aplicațiile enterprise lucrează împreună.

Cum ar trebui organizațiile să evalueze performanța sistemelor de vedere computerizată după implementare, în special când iluminarea, poziționarea camerei, comportamentul uman sau condițiile de operare se pot schimba și pot afecta acuratețea?

Totul depinde de caz de utilizare, dar cel mai important este să se testeze camerele și modelele AI în mediul real în care vor fi utilizate. Poți avea un model care performează foarte bine într-un mediu controlat, dar adevăratul test este ce se întâmplă cu iluminarea reală, poziția camerei, vremea, fundalul și comportamentul pe care le întâlnești la fața locului. De aceea încurajăm clienții să evalueze analize precum Axis Object Analytics sau Axis Custom Analytics în mediul real și să se asigure că acuratețea este suficient de ridicată pentru aplicație. Fabrica BMW este un exemplu bun al acestei abordări. Camerele sunt utilizate într-un mediu de producție real, unde calitatea imaginilor și analizele rezultate trebuie să susțină un proces de fabricație efectiv.

Pe măsură ce AI la margine devine mai capabil, cum te aștepți ca rolul camerei de rețea să evolueze în următorul deceniu și ce noi capabilități ar putea apărea pe măsură ce camerele devin componente active ale unor medii inteligente și receptive?

Camera de rețea devine mult mai centrală în sistem. Nu mai este doar o cameră care generează video. Este un senzor care generează date ce pot fi analizate și partajate între diferite sisteme. Pe măsură ce puterea de procesare continuă să crească, mă aștept ca camerele să devină și mai bune în înțelegerea a ceea ce se întâmplă în mediul lor și să furnizeze informații utile în timp real. Aceasta este ideea din spatele Scene Intelligence, unde camera poate folosi o înțelegere mai profundă a scenei pentru a oferi informații mai semnificative despre obiecte, caracteristicile lor și ce se întâmplă în jurul lor.

Acest lucru ar putea însemna detectare mai avansată a obiectelor și comportamentelor, integrare sporită cu alți senzori și sisteme enterprise și mai multă automatizare în modul în care organizațiile răspund la evenimente. Schimbarea majoră este că video devine o parte a unui strat mai larg de date și inteligență. Camera continuă să capteze ce se întâmplă, dar din ce în ce mai mult poate ajuta la explicarea a ceea ce se întâmplă și la ce ar putea dori să facă o organizație în continuare.

Vă mulțumim pentru interviul excelent, cititorii care doresc să afle mai multe ar trebui să viziteze Axis Communications.