Офир Мулла, сооснователь и технический директор Lumana – Интервью-серия

Офир Мулла, сооснователь и технический директор Lumana, имеет более десяти лет опыта в области 3D и компьютерного зрения, имея опыт создания и масштабирования решений в области кодированного света, стерео и LiDAR-модальностей, а также руководя междисциплинарной разработкой программного обеспечения, электрических систем, робототехники, ML/AI и медицинских устройств. До своей текущей роли в Lumana он работал почти 15 лет в Intel, где он разработал платформу RealSense 3D и руководил командами, занимающимися аппаратным обеспечением, прошивкой и системной архитектурой.

Lumana – это компания, специализирующаяся на видеобезопасности и визуальной интеллекте, чья платформа превращает существующие камеры в умные, перцептивные агенты, используя ИИ для обнаружения и реагирования на реальные события в режиме реального времени – от несанкционированного доступа и нарушений безопасности до оперативных прозрений – что позволяет предприятиям в сфере образования, государства, розничной торговли, производства и гостиничного бизнеса объединять камерную интеллект, автоматизировать мониторинг и разблокировать аналитику видеоинфраструктуры.

Как ваш опыт в Intel подготовил вас к работе в Lumana и основанию компании?

Технология LiDAR была ключевой частью RealSense, активным методом проекции лазерного света для захвата геометрии мира. Это красивый пример технологии кодированного света, который наши блестящие инженеры в Intel изобрели. Геометрическое чувствительность имеет решающее значение для движущихся объектов, таких как роботы и автомобили, поэтому большинство робототехнических систем сегодня полагаются на устройства RealSense.

Но возник вопрос: что происходит, когда датчики стационарны, где навигация и время до удара не являются основными задачами? Мы спросили себя, какая технология может обеспечить наибольшую ценность пользователям в этом контексте.

Через глубокие обсуждения мы поняли, что большинство существующих стационарных систем камер не могут быть естественно масштабированы. Мониторинг каждой системы является громоздким. В то же время ИИ достиг такого уровня зрелости, что мы начали задавать вопрос: как система, доступная на месте у клиента, может обеспечить наиболее срочные, надежные ответы безопасности на критические оповещения?

Мы построили сильную команду ИИ, которая быстро превратила эту концепцию в рабочий продукт. Простота заключалась в том, что движущиеся транспортные средства требуют геометрического чувствования, но стационарные датчики, ориентированные на мониторинг поведения, а не на планирование движения, больше выигрывают от продвинутого видеоанализа без явной геометрической реконструкции.

Путешествие RealSense научило меня, что каждая проблема требует своего собственного решения, и что真正е нарушение требует инноваций. Моя команда в Lumana воплощает этот принцип: профессионализм, инновации и мотивация. Вместе мы создали систему, работающую на месте, в режиме реального времени, которая приносит производительность, подобную облачной, доступную, масштабируемую и отзывчивую.

Как Physical AI выходит за рамки традиционной видеоаналитики, такой как обнаружение объектов и маркировка закономерностей?

Когда мы говорим о Physical AI, мы имеем в виду систему ИИ, которая не останавливается на восприятии, но активно взаимодействует с реальным миром. Традиционная видеоаналитика, такая как обнаружение объектов или маркировка закономерностей, – это только первый слой. Более глубокая задача заключается в том, что происходит после: организация, отслеживание, агрегация, идентификация, извлечение, поиск и верификация обнаруженных объектов и ускорение реакции. Это также включает в себя обеспечение текстового доступа и даже поиск объектов, на которые система не была изначально обучена.

Все это должно быть достигнуто в компактном, доступном вычислительном устройстве. Вот где Physical AI выходит за рамки традиционной аналитики: она преобразует сырое обнаружение в действенную, доступную интеллект. Это не о том, чтобы открывать законы физики, научное стремление, все еще обсуждаемое, но о том, чтобы обеспечить практические, эффективные способы доступа и действия на основе визуального и аудиоконтента в реальных средах.

Какие технические основы позволяют Lumana объединять данные из нескольких камер, интерпретировать поведение в режиме реального времени и непрерывно адаптироваться на основе контекстных и исторических входных данных?

Отличный вопрос. Одним из наших основных технических основ является способность системы непрерывно адаптироваться к сцене, которую она наблюдает, что сейчас часто называют непрерывным обучением. Вы можете представить это как систему, которая эволюционирует вместе с окружающей средой, улучшаясь со временем. Этот подход позволил нам обеспечить высокую производительность при очень низкой стоимости и исключительной гибкости.

Другим ключевым основанием является наша иерархическая архитектура, которая интеллектуально эскалирует вычислительные усилия только тогда, когда это необходимо. Это гарантирует, что сложные действия получают ресурсы, которые им необходимы, не обременяя всю систему.

В совокупности эти принципы образуют платформу, которая проста, эффективна и высоко масштабируема, позволяя пользователям испытывать мощные прозрения и интерпретацию поведения в режиме реального времени при минимально возможных затратах.

Можете ли вы поделиться одним или двумя реальными развертываниями, где система Lumana обнаружила события, такие как эскалация насилия, нарушения границ безопасности или задержки, и объяснить их влияние на безопасность или оперативную реакцию?

Развертывания Lumana в городах демонстрируют явные улучшения в осведомленности и реакции в режиме реального времени. В одном из крупных городов Израиля система преобразовала существующую видеосеть в умный слой раннего предупреждения, который обнаружил задержки в ограниченных зонах, аномалии толпы, вторжения после рабочего времени и аномалии движения. Это привело к меньшему количеству взломов, уменьшению вандализма и более быстрому вмешательству в зонах высокого риска.

В муниципалитете США наблюдались аналогичные улучшения в историческом районе, который испытывал трудности с вандализмом, взломами автомобилей, беспорядками и задержками. Lumana обеспечила непрерывный мониторинг и немедленные оповещения, позволяя проводить профилактические патрули и более быструю реакцию. Это привело к более безопасным общественным пространствам и меньшим оперативным затратам для города.

Эти примеры иллюстрируют, как обнаружение поведения в режиме реального времени, такое как задержки и нарушения границ, укрепляет общественную безопасность и оптимизирует операции.

С учетом того, что системы ИИ интерпретируют чувствительную физическую поведение, какие меры безопасности встроены в ваш процесс проектирования и развертывания?

Технология и дизайн Lumana подчеркивают сильное управление и минимальное перемещение данных. Обработка выполняется на краю, когда это возможно, чтобы ограничить доступ и укрепить безопасность. Доступ ограничен посредством четких контролей и аудиторских журналов, чтобы команды могли отслеживать каждую рабочую процедуру. Система сохраняет видео на месте, обмениваясь только необходимыми метаданными, что поддерживает ожидания конфиденциальности в регулируемых средах.

Эти меры безопасности гарантируют, что чувствительные визуальные данные обрабатываются ответственно, сохраняя при этом производительность, необходимую для операций в режиме реального времени.

Что стимулирует вашу гибридную облачную архитектуру, и как она поддерживает обработку и непрерывное обучение в режиме реального времени?

Lumana использует гибридный подход, чтобы объединить производительность систем на месте с гибкостью облака. Обработка на краю обеспечивает ИИ, хранение и управление видео на месте по умолчанию. Это уменьшает требования к пропускной способности и укрепляет безопасность, сохраняя при этом возможность облачной поддержки, когда это необходимо для более широкой координации или обучения по развертываниям.

Эта архитектура обеспечивает пользователям немедленную реакцию, сохраняя при этом возможность масштабирования и улучшения посредством непрерывной адаптации по сайтам.

Как была спроектирована возможность самообучения, и как она улучшается со временем в многосайтовых развертываниях?

Архитектура нашей возможности самообучения построена на масштабе. Чем больше сайтов мы развертываем, тем шире становится наш взгляд на ландшафт устройств на краю. Каждая новая среда вносит свежие данные, расширяя разнообразие сценариев и сцен, которые система может изучить.

Наш метод непрерывного обучения использует это коллективное знание. По мере того, как система совершенствуется по развертываниям, процесс онлайн-обучения становится проще и более эффективным. На практике, чем шире развертывание, тем быстрее и точнее адаптация, в результате чего система непрерывно улучшается со временем по всем сайтам.

Кого вы видите как ваших основных конкурентов или партнеров в этой области, и что делает Lumana уникальной?

Наша истинная уникальность заключается в наших людях. За Lumana стоит команда блестящих инженеров и инноваторов, начиная с нашей группы ИИ, поддерживаемой нашими специалистами по облаку, дизайнерами UX/UI и укрепленной поддержкой клиентов и продаж. Хотя ИИ образует основу нашей технологии, это наш человеческий двигатель, который стимулирует наш успех. Креативность, профессионализм и преданность нашей команды – это то, что отличает Lumana, будь то конкуренция или сотрудничество.

Lumana подчеркивает “Думайте большое”, “Клиент на первом месте”, “Одна команда” и “Освойте свое ремесло”. Как вы операционализируете эти ценности в наборе персонала, разработке продукта и повседневной жизни?

Мы набираем инноваторов, которые думают большое, решают проблемы, сотрудничают и привержены росту.

Команды по разработке продукта создают масштабируемый ИИ с амбициозным видением, итерируя через обратную связь клиентов, способствуя совместной работе и стремясь к совершенству.

Ежедневные операции используют гибкие методы, чтобы позволить смелым идеям, расставлять приоритеты в потребностях клиентов, строить единство команды и поддерживать профессиональное развитие.

Эти практики стимулируют инновации, успех клиентов и влияние в области ИИ видеобезопасности.

Оглядываясь вперед на пять лет, как вы представляете себе эволюцию роли Lumana в более широкой экосистеме ИИ – и какое влияние, по вашему мнению, Physical AI окажет на отрасли, такие как безопасность, производство или умные города к тому времени?

Оглядываясь вперед на пять лет, мы видим роль Lumana, эволюционирующую как ключевого фактора практического Physical AI по отраслям. Хотя расшифровка фундаментальных законов физики остается научной загадкой, наша концентрация сегодня заключается на ценности клиента, развитии инструментов, которые позволяют организациям лучше отслеживать и реагировать на мир вокруг них, по любому приложению.

Мы уже поддерживаем долгосрочные сотрудничества с медицинскими центрами и исследуем расширение в движущиеся платформы, такие как робототехника и транспорт. Со временем, по мере роста и масштабирования, мы также намерены инвестировать в более фундаментальные исследовательские вопросы: может ли ИИ открыть более глубокие закономерности в природе или даже помочь нам сформулировать новые теории о законах физики? Может ли концепция, такая как размерность времени, быть освещена обучающими системами?

Наша амбиция – оказать влияние на безопасность, производство и умные города, сохраняя при этом взгляд на более широкий горизонт, расширяя границы того, что ИИ может в конечном итоге помочь нам открыть.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Lumana.