Фредрик Нильссон, вице-президент по регионам Америки, Axis Communications – Серия интервью

Fredrik Nilsson, вице-президент по регионам Америки, Axis Communications, отвечает за операции компании в Северной и Южной Америке, руководя командами, сосредоточенными на разработке и поставке сетевых решений в области безопасности для партнёров и конечных пользователей. Долгосрочный руководитель Axis, Нильссон сыграл значительную роль в переходе отрасли безопасности от аналогового замкнутого телевидения к IP‑видеонаблюдению. С момента принятия ответственности за Америку в 2003 году он помог увеличить региональный доход с примерно $20 million до более чем $1 billion и поддержал расширение более чем 20 Axis Experience Centers по всему региону. Он присоединился к Axis в 1996 году, ранее занимая должности менеджера продукта и руководителя подразделения в Швеции, а позже директора по развитию бизнеса, где помогал устанавливать партнёрства в ранних этапах развития IP‑видео. В начале своей карьеры он был менеджером продукта в ABB, а сейчас входит в совет директоров MSAB и Swedish-American Chamber of Commerce в Washington, D.C.

Axis Communications — шведская технологическая компания, специализирующаяся на интеллектуальной физической безопасности и сетевых решениях, включая сетевые камеры, системы видеонаблюдения, контроль доступа, домофоны, сетевое аудио, радары и аналитические системы. Основана в 1984 году, штаб‑квартира находится в Лунде, Швеция; в компании работает около 5 000 человек в более чем 50 странах, и с 2015 года она является частью Canon Group. Компания представила то, что она называет первой в мире сетевой камерой в 1996 году, и с тех пор расширила портфель от сетевого видео до более широкого набора подключённых технологий безопасности. Текущие продукты всё больше используют аналитические возможности на уровне края и искусственный интеллект, преобразуя видео, аудио и данные датчиков в практические инсайты для обеспечения безопасности, охраны, операционной эффективности и бизнес‑аналитики.

Ваша карьера охватывала удалённый мониторинг в ABB, раннюю разработку сетевых хранилищ и технологий Интернета вещей, а также переход от аналогового видеонаблюдения к сетевому видео в Axis Communications. Как ваш опыт сформировал ваш взгляд на сегодняшний переход к камерам с искусственным интеллектом и интеллектуальной физической инфраструктуре?

Я рассматриваю переход к камерам с искусственным интеллектом как следующий шаг в эволюции, в которой я участвовал на протяжении всей своей карьеры — от подключённых технологий и IP‑конвергенции к сегодняшнему интеллектуальному краю. Общей нитью моей карьеры является помощь клиентам в понимании того, что может сделать подключённая технология для них. ABB была отличной школой для меня. Это была крупная глобальная компания, поэтому у меня была возможность путешествовать по миру, в том числе провести год в Канаде, и работать с крупными корпоративными клиентами, особенно с энергетическими компаниями, над сложными проектами. Моей ролью был менеджер продукта для новой IP‑подключённой системы удалённого мониторинга и управления. В Axis я позже работал над новой категорией IP‑подключённых устройств хранения и помогал распространять по всему миру сообщение о преимуществах подключённой технологии. Затем, в ранние дни IP‑конвергенции, я опирался на те же принципы, помогая корпоративным клиентам понять ценность видеонаблюдения, подключённого к сети, и возможности, создаваемые IP‑технологией. Поэтому, когда я смотрю на камеры с искусственным интеллектом сегодня, я вижу очередной шаг в той же эволюции. Технология становится всё более мощной, но реальная возможность всё ещё заключается в соединении устройств, генерации полезных данных и помощи клиентам делать с ними больше.

Какие типы задач компьютерного зрения лучше всего выполнять непосредственно на камере, а какие приложения всё ещё выигрывают от обработки в локальном дата‑центре или в облаке?

Задачи, наиболее подходящие для выполнения непосредственно на камере, — это те, которые требуют мгновенных решений, низкой задержки и эффективного использования пропускной способности. Например, обнаружение и классификация людей или объектов, подсчёт, отслеживание движения или идентификация конкретных событий. С помощью технологий, таких как Axis Object Analytics, камеры могут точно определять людей, транспортные средства, цвета, направление движения и другие характеристики. Мы также можем обучить камеру распознавать очень специфические объекты или сценарии с помощью Axis Custom Analytics. По мере совершенствования аналитики всё больше интеллекта может происходить на краю. Для многих сценариев важно выполнять аналитику на камере и отправлять только полученные данные или метаданные на сервер или в облако, что повышает масштабируемость и снижает затраты. Облако и серверы по‑прежнему играют важную роль, особенно для централизованного управления, длительного хранения и анализа метаданных на большом количестве устройств. Я не рассматриваю это как выбор «либо‑либо». Край и облако могут дополнять друг друга, каждый выполняя то, в чём он лучше всего подходит.

Развёртывание ИИ на краю требует балансировки точности модели с ограничениями в вычислительной мощности, памяти, энергопотреблении и тепловыделении. Как прогресс в специализированных чипах меняет то, что реально можно реализовать внутри камеры?

На самом деле есть два тренда, которые это движут. Во‑первых, способность процессора на краю к ИИ быстро улучшается. ARTPEC-9, наш разработанный в компании системный чип, имеет в три раза большую ИИ‑производительность, чем ARTPEC-8, что дает нам значительно больше места для запуска сложных моделей непосредственно в камере. Будущие поколения продолжат увеличивать эту возможность. Во‑вторых, размер и эффективность моделей улучшаются. Именно здесь мы увидели большой прогресс за последний год. Наша команда R&D проделала удивительную работу, позволяя всё большую часть модели выполнять непосредственно на краю, так что во многих сценариях достаточно использовать данные с камеры, а не отправлять видео куда‑то ещё для обработки. Год назад мы говорили о том, что примерно 50 % потребностей обрабатывается в камере. Сегодня это ближе к 90 %, и мы ожидаем, что достигнет 95 % и более. Реальный прорыв заключается не только в более мощных чипах, а в том, что мы комбинируем более способное оборудование с более эффективными ИИ‑моделями, позволяя всё больше интеллекта происходить прямо там, где генерируются данные. Это делает системы видеонаблюдения гораздо менее зависимыми от серверов и облака для ИИ.

Камеры всё чаще рассматриваются как операционные датчики, а не только как средства безопасности. Какие применения в розничной торговле, транспорте, здравоохранении, производстве или логистике в настоящее время приносят наибольшую бизнес‑ценность?

Производство — отличный пример, потому что ценность можно привязать непосредственно к операции. Группа BMW, например, использует сетевые камеры как часть своей системы контроля качества, управляемой ИИ, чтобы в реальном времени захватывать детальные изображения автомобилей и выявлять дефекты. Это совсем другая роль камеры, чем просто запись инцидента. Мы также наблюдаем растущее использование видео для повышения операционной эффективности и бизнес‑аналитики в более широком масштабе. В транспортной и логистической сферах камеры могут помочь организациям понять, как люди, транспортные средства и товары перемещаются по объекту. В розничной торговле видео может предоставить инсайты о поведении клиентов, использовании пространства и персонале. Общая тема заключается в том, что камера генерирует информацию, которую можно использовать для улучшения процесса, а не просто фиксирует произошедшее.

Как сочетание видео с аудио‑аналитикой, радаром, системами контроля доступа и датчиками окружающей среды создает инсайты, которые были бы невозможны только на основе визуальных данных?

Чем больше контекста вы можете собрать, тем лучше система понимает происходящее. Когда вы комбинируете различные входные данные, можно получить инсайты, которые было бы трудно, а иногда и невозможно, вывести только из видео. Например, можно совместить внешний вид объекта с его движением, либо использовать тепловую и визуальную информацию вместе, когда освещение или видимость затруднены. Радар может добавить сведения о движении и скорости объекта, аудио может идентифицировать звуки или обеспечить двустороннюю связь, а датчики окружающей среды могут предоставить дополнительный контекст о происходящем в окружающей среде. Несколько датчиков также могут повысить уверенность в том, что система или пользователь обнаруживает. Сочетание технологий чрезвычайно важно для защиты ключевых сфер жизни, таких как критическая инфраструктура.

Мы уже движемся в этом направлении. На GSX, например, мы представили решения, объединяющие визуальные, тепловые, радарные, аудио‑ и экологические датчики. Цель — собрать правильные данные, чтобы организации могли принимать более быстрые и обоснованные решения. Это особенно важно для таких приложений, как защита критической инфраструктуры, где наличие нескольких источников информации может предоставить более полную картину происходящего.

Обработка на краю может уменьшить объём необработанного видео, который необходимо передавать или хранить, но камеры с поддержкой ИИ всё равно вызывают важные вопросы конфиденциальности и управления. Какими принципами должны руководствоваться организации при проектировании систем, полезных без сбора избыточных персональных данных?

Отправной точкой должно быть вопрос, что именно система должна выполнить, и сбор только той информации, которая необходима для этой цели. Конфиденциальность и прозрачность также важны. Люди хотят понимать, зачем используется видео и как их данные обрабатываются. Наши недавние исследования показывают, что люди становятся более комфортно относиться к видеонаблюдению, но это принятие нельзя принимать как должное. Основные опасения по поводу видеонаблюдения с ИИ — это ложные срабатывания или неточная информация и потенциальное злоупотребление или неправильное обращение с данными. Это возлагает реальную ответственность на организации и поставщиков технологий по внедрению конфиденциальности и безопасности в системы с самого начала. Обработка на краю может помочь, поскольку позволяет анализировать информацию локально и передавать только необходимые данные, а не постоянно перемещать необработанное видео по сети.

Физическая инфраструктура может оставаться развернутой многие годы, тогда как ИИ‑модели и угрозы кибербезопасности быстро эволюционируют. Как следует проектировать камеры и другие устройства на краю, чтобы их аналитика оставалась безопасной, обслуживаемой и адаптируемой на протяжении всего срока эксплуатации?

Это одна из причин, почему я рассматриваю камеру как часть более широкой ИТ и операционной инфраструктуры, а не как отдельное устройство безопасности. Кибербезопасность должна быть встроена в устройство с самого начала, с защищённым программным обеспечением, регулярными обновлениями и надёжными мерами киберзащиты на протяжении всего жизненного цикла. В Axis, например, Edge Vault предоставляет аппаратную основу для защиты целостности устройства, обеспечения криптографических ключей и создания цепочки доверия. Он также поддерживает такие возможности, как безопасная загрузка и подписанное программное обеспечение, помогая гарантировать, что на устройстве запускается только доверенное ПО.

Устройству также нужна архитектура, способная адаптироваться по мере изменения аналитики и требований клиентов. Открытые платформы важны здесь, потому что они позволяют организациям интегрировать новые приложения и технологии, а не заменять всю систему каждый раз, когда что‑то меняется. При этом организациям необходим хороший контроль над их подключёнными устройствами. По мере того как всё больше видеокамер, датчиков и корпоративных систем объединяются, кибербезопасность и защита данных должны рассматриваться как часть общего проектирования системы, а не как нечто добавленное позже.

Axis поддерживает открытую экосистему приложений, позволяющую сторонним разработчикам создавать и развёртывать специализированную аналитику на её устройствах. Насколько важными будут открытые платформы и совместимость, когда организации стремятся запускать собственные модели на больших парках камер?

Я считаю, что это будет чрезвычайно важно. Клиенты не хотят быть привязаны к одной технологии или одному способу работы, особенно учитывая быстрый рост ИИ и аналитики. Открытая платформа упрощает интеграцию камер с другими системами, внедрение специализированных приложений и масштабирование в больших развертываниях. Она также даёт клиентам большую гибкость по мере изменения их потребностей. Устраняя привязку к поставщику и упрощая интеграцию, открытые, совместимые экосистемы облегчают масштабирование решений интеллектуального края, адаптируясь к меняющимся бизнес‑требованиям. В конечном итоге ценность заключается не только в самой камере. Она проявляется в том, как камера, датчики, аналитика и корпоративные приложения работают вместе.

Как организациям оценивать производительность систем компьютерного зрения после их развертывания, особенно когда меняются освещение, положение камеры, поведение людей или условия эксплуатации, что может влиять на точность?

Все зависит от конкретного случая использования, но самое важное — тестировать камеры и модели ИИ в реальной среде, где они действительно будут эксплуатироваться. Модель может показывать отличные результаты в контролируемых условиях, но реальное испытание — это то, что происходит при реальном освещении, положении камеры, погоде, фоне и поведении, наблюдаемом на объекте. Поэтому мы советуем клиентам оценивать аналитику, такую как Axis Object Analytics или Axis Custom Analytics, в реальной среде и убеждаться, что точность достаточна для задачи. Фабрика BMW является хорошим примером такого подхода. Камеры используются в реальном производственном процессе, где качество изображений и получаемой аналитики должно поддерживать фактический производственный процесс.

По мере того как edge‑ИИ становится более мощным, как вы ожидаете, что роль сетевой камеры изменится в течение следующего десятилетия и какие новые возможности могут появиться, когда камеры станут активными компонентами интеллектуальных, реагирующих сред?

Сетевая камера становится гораздо более центральным элементом системы. Она уже не просто камера, генерирующая видео. Это датчик, генерирующий данные, которые могут анализироваться и передаваться в различные системы. По мере роста вычислительной мощности я ожидаю, что камеры станут ещё лучше понимать, что происходит в их окружении, и предоставлять полезную информацию в реальном времени. Это идея Scene Intelligence, когда камера использует более глубокое понимание сцены, чтобы предоставлять более значимую информацию об объектах, их характеристиках и происходящем вокруг.

Это может означать более продвинутую детекцию объектов и поведения, более тесную интеграцию с другими датчиками и корпоративными системами, а также большую автоматизацию того, как организации реагируют на события. Более крупное изменение заключается в том, что видео становится лишь частью более широкой слой данных и интеллекта. Камера всё ещё фиксирует происходящее, но всё чаще она может также помогать объяснять, что происходит, и что организации может потребоваться сделать дальше.

Спасибо за отличное интервью, читатели, желающие узнать больше, могут посетить Axis Communications.