Fredrik Nilsson, Vice President, Amerika, Axis Communications – Intervjuserie

Fredrik Nilsson, Vice President, Amerika, Axis Communications, ansvarar för företagets verksamhet i Nord- och Sydamerika och leder team som fokuserar på att utveckla och leverera nätverksbaserade säkerhetslösningar för partners och slutanvändare. Som en långvarig Axis-chef har Nilsson spelat en betydande roll i säkerhetsbranschens övergång från analog CCTV till IP‑baserad nätvideoteknik. Sedan han tog ansvar för Amerika 2003 har han hjälpt till att öka den regionala omsättningen från cirka 20 miljoner dollar till väl över 1 miljard dollar och stödjat expansionen av mer än 20 Axis Experience Centers i Amerika. Han började på Axis 1996, tidigare som produktchef och divisionschef i Sverige och senare som affärsutvecklingsdirektör, där han hjälpte till att etablera partnerskap under den tidiga utvecklingen av IP‑video. Tidigare i sin karriär var han produktchef på ABB, och han sitter för närvarande i styrelserna för MSAB och den svensk‑amerikanska handelskammaren i Washington, D.C.

Axis Communications är ett svenskt teknikföretag som specialiserar sig på intelligent fysisk säkerhet och nätverkslösningar, inklusive nätverkskameror, videoövervakningssystem, åtkomstkontroll, intercom, nätverksljud, radar och analys. Företaget grundades 1984 och har huvudkontor i Lund, Sverige, och sysselsätter cirka 5 000 personer i mer än 50 länder och har varit en del av Canon Group sedan 2015. Företaget lanserade vad de beskriver som världens första nätverkskamera 1996 och har sedan dess utökat sig från nätvideoteknik till en bredare portfölj av anslutna säkerhetsteknologier. Dess nuvarande produkter integrerar i allt högre grad kant‑baserad analys och artificiell intelligens för att omvandla video, ljud och sensordata till handlingsbara insikter för säkerhet, trygghet, operativ effektivitet och affärsintelligens.

Din karriär har omfattat fjärrövervakning på ABB, den tidiga utvecklingen av nätverksansluten lagring och Internet of Things‑teknologier, samt övergången från analog övervakning till nätvideoteknik hos Axis Communications. Hur har den bakgrunden format ditt sätt att tänka på dagens övergång till AI‑drivna kameror och intelligent fysisk infrastruktur?

Jag ser övergången till AI‑drivna kameror som nästa steg i en utveckling som jag har varit en del av under hela min karriär – från ansluten teknik och IP‑konvergens till dagens intelligenta kant. En röd tråd genom hela min karriär är att hjälpa kunder att förstå vad ansluten teknik kan göra för dem. ABB var en utmärkt skola för mig. Det var ett stort globalt företag, så jag fick möjlighet att resa världen runt, inklusive ett år i Kanada, och arbeta med stora företagskunder, särskilt kraftleverantörer, i komplexa projekt. Min roll var produktchef för ett nytt IP‑anslutet fjärrövervaknings‑ och styrsystem. På Axis arbetade jag senare med en ny kategori av IP‑anslutna lagringsenheter och hjälpte till att sprida budskapet globalt om fördelarna med ansluten teknik. Sedan, i de tidiga dagarna av IP‑konvergensen, byggde jag vidare på samma principer och hjälpte företagskunder att förstå värdet av nätverksansluten video och de möjligheter som IP‑tekniken skapar. Så när jag ser på AI‑drivna kameror idag ser jag ännu ett steg i samma utveckling. Tekniken blir allt mer kapabel, men den verkliga möjligheten handlar fortfarande om att koppla ihop enheter, generera användbara data och hjälpa kunder att göra mer med dem.

Vilka typer av datorseende‑arbetsbelastningar är bäst lämpade att köras direkt på en kamera, och vilka tillämpningar drar fortfarande nytta av att bearbetas i ett lokalt datacenter eller i molnet?

De arbetsbelastningar som är bäst lämpade att köras direkt på en kamera är de där du behöver realtidsbeslut, låg latens och effektiv bandbreddsanvändning. Till exempel att upptäcka och klassificera personer eller objekt, räkna, spåra rörelse eller identifiera specifika händelser. Med teknologier som Axis Object Analytics kan kameror exakt upptäcka personer, fordon, färger, färdriktning och andra egenskaper. Vi kan också träna en kamera för mycket specifika objekt eller scenarier via Axis Custom Analytics. Allt eftersom analysen förbättras kan mer av den intelligensen ske i kanten. För många användningsfall är det viktigt för skalbarhet och kostnad att köra analysen på kameran och bara skicka de resulterande data eller metadata till en server eller till molnet. Molnet och servrarna har fortfarande en viktig roll, särskilt för saker som centraliserad hantering, långtidslagring och analys av metadata över ett stort antal enheter. Jag ser det inte som ett antingen‑eller‑beslut. Kanten och molnet kan komplettera varandra, där varje del gör det den är bäst lämpad för.

Att implementera AI i kanten kräver en avvägning mellan modellens noggrannhet och begränsningar i processorkraft, minne, energiförbrukning och värme. Hur förändrar framsteg inom specialiserade chip vad som realistiskt kan uppnås i en kamera?

Det finns i själva verket två trender som driver detta. För det första förbättras AI‑kapaciteten i processorn i kanten mycket snabbt. ARTPEC-9, vår internt utvecklade system‑on‑chip, har tre gånger AI‑behandlingskapaciteten jämfört med ARTPEC-8, vilket ger oss avsevärt mer utrymme att köra sofistikerade modeller direkt på kameran. Framtida generationer kommer fortsätta öka den kapaciteten. För det andra förbättras storleken och effektiviteten hos modellerna. Det är där vi har sett stora framsteg under det senaste året. Vårt R&D-team har gjort ett fantastiskt jobb med att få mer av modellen att köras direkt i kanten, så i många scenarier behöver du bara använda data från kameran istället för att skicka videon någon annanstans för bearbetning. För ett år sedan pratade vi om att ungefär 50 % av behoven hanterades i kameran. Idag är det närmare 90 % och vi förväntar oss att nå 95 % eller mer. Det verkliga genombrottet är inte bara att vi har kraftfullare chip. Det är att vi kombinerar mer kapabel hårdvara med mer effektiva AI‑modeller, vilket möjliggör att en ökande mängd intelligens sker direkt där data genereras. Det gör övervakningssystem mycket mindre beroende av servrar och molnet för AI.

Kameror positioneras i allt högre grad som operativa sensorer snarare än enbart som säkerhetsenheter. Vilka tillämpningar inom detaljhandel, transport, hälso- och sjukvård, tillverkning eller logistik levererar för närvarande det tydligaste affärsvärdet?

Tillverkning är ett mycket bra exempel eftersom värdet kan kopplas direkt till verksamheten. BMW Group använder till exempel nätverkskameror som en del av sitt AI‑drivna kvalitetsspektrosystem för att fånga detaljerade bilder av fordon i realtid och identifiera defekter. Det är en mycket annorlunda roll för en kamera än att bara spela in en händelse. Vi ser också en växande användning av video för operativ effektivitet och affärsintelligens i större skala. Inom transport och logistik kan kameror hjälpa organisationer att förstå hur människor, fordon och varor rör sig genom en anläggning. Inom detaljhandel kan video ge insikter om kundbeteende, utnyttjande av utrymme och personalbehov. Det gemensamma temat är att kameran genererar information som kan användas för att förbättra en process, inte bara för att spela in vad som hänt.

Hur skapar kombinationen av video med ljudanalys, radar, åtkomstkontrollsystem och miljösensorer insikter som inte skulle vara möjliga enbart från visuella data?

Ju mer sammanhang du kan samla, desto bättre kan systemet förstå vad som händer. När du kombinerar olika indata kan du få insikter som skulle vara svåra, och ibland omöjliga, att härleda enbart från video. Till exempel kan du kombinera hur ett objekt ser ut med hur det rör sig, eller använda termisk och visuell information tillsammans när belysning eller sikt är utmanande. Radar kan tillföra information om ett objekts rörelse och hastighet, ljud kan identifiera ljud eller möjliggöra tvåvägskommunikation, och miljösensorer kan ge ytterligare kontext om vad som händer i omgivningen. Flera sensorer kan också öka förtroendet för vad systemet eller användaren upptäcker. Att kombinera teknik är oerhört viktigt för att skydda viktiga områden i livet, såsom kritisk infrastruktur.

Vi rör oss redan i den riktningen. På GSX har vi till exempel introducerat lösningar som kombinerar visuell, termisk, radar, ljud- och miljösensorik. Målet är att samla rätt data så att organisationer kan fatta snabbare, bättre informerade beslut. Detta är särskilt viktigt för tillämpningar som att skydda kritisk infrastruktur, där flera informationskällor kan ge en mer komplett bild av vad som händer.

Kantbehandling kan minska mängden råvideo som måste överföras eller lagras, men AI‑aktiverade kameror väcker fortfarande viktiga frågor kring integritet och styrning. Vilka principer bör organisationer följa när de designar system som är användbara utan att samla in mer personuppgifter än nödvändigt?

Utgångspunkten bör vara att fråga vad systemet faktiskt behöver uppnå och samla in endast den information som är nödvändig för det syftet. Integritet och transparens är också viktiga. Människor vill förstå varför video används och hur deras information hanteras. Vår senaste forskning visar att människor blir mer bekväma med videoövervakning, men den acceptansen kan inte tas för given. De största oroarna kring AI‑aktiverad övervakning är falska positiva eller felaktig information samt risken för missbruk eller felhantering av data. Det innebär ett verkligt ansvar för organisationer och teknikleverantörer att bygga in integritet och säkerhet i systemen från början. Kantbehandling kan hjälpa här eftersom du kan analysera information lokalt och bara skicka den data som behövs, istället för att föra kontinuerlig råvideo över nätverket.

Den fysiska infrastrukturen kan vara installerad i många år, medan AI‑modeller och cybersäkerhetshot utvecklas snabbt. Hur bör kameror och andra kant-enheter utformas så att deras analys förblir säker, underhållbar och anpassningsbar under hela deras operativa livstid?

Detta är en av anledningarna till att jag ser kameran som en del av den bredare IT‑ och driftsinfrastrukturen, snarare än en fristående säkerhetsenhet. Cybersäkerhet måste byggas in i enheten från början, med säker programvara, regelbundna uppdateringar och starka cybersäkerhetsåtgärder under hela dess livscykel. På Axis, till exempel, erbjuder Edge Vault en hårdvarubaserad grund för att skydda enhetens integritet, säkra kryptografiska nycklar och etablera en förtroendekedja. Den stödjer också funktioner såsom secure boot och signerad programvara, vilket hjälper till att säkerställa att endast betrodd programvara körs på enheten.

Enheten behöver också en arkitektur som kan anpassas när analys och kundkrav förändras. Öppna plattformar är viktiga här eftersom de låter organisationer integrera nya applikationer och teknologier istället för att behöva ersätta ett helt system varje gång något utvecklas. Samtidigt behöver organisationer god styrning kring sina anslutna enheter. När fler video‑, sensor‑ och företagsystem samverkar måste cybersäkerhet och dataskydd behandlas som en del av den övergripande systemdesignen, inte som något som läggs till i efterhand.

Axis stödjer ett öppet applikations‑ekosystem som låter tredjepartsutvecklare bygga och distribuera specialiserad analys på sina enheter. Hur viktiga kommer öppna plattformar och interoperabilitet att vara när organisationer vill köra sina egna modeller över stora kameraflottor?

Jag tror att det kommer att bli extremt viktigt. Kunder vill inte låsas fast vid en teknik eller ett sätt att göra saker, särskilt när AI och analys fortsätter att utvecklas så snabbt. En öppen plattform gör det enklare att integrera kameror med andra system, införa specialiserade applikationer och skala över en stor utrullning. Den ger också kunderna mer flexibilitet när deras behov förändras. Genom att eliminera leverantörslåsning och förenkla integration gör öppna, interoperabla ekosystem det lättare att skala intelligenta edge‑lösningar samtidigt som de anpassas till förändrade affärskrav. I slutändan ligger värdet inte bara i själva kameran. Det ligger i hur kameran, sensorer, analys och företagsapplikationer samverkar.

Hur bör organisationer utvärdera prestandan hos datorseendesystem efter driftsättning, särskilt när belysning, kamerapositionering, mänskligt beteende eller driftsförhållanden kan förändras och potentiellt påverka noggrannheten?

Allt beror på användningsfallet, men det viktigaste är att testa kamerorna och AI‑modellerna i den verkliga miljö där de faktiskt ska användas. Man kan ha en modell som presterar mycket bra i en kontrollerad miljö, men det verkliga testet är vad som händer med den faktiska belysningen, kamerapositionen, vädret, bakgrunden och beteendet på platsen. Därför uppmuntrar vi kunder att utvärdera analyser såsom Axis Object Analytics eller Axis Custom Analytics i den verkliga miljön och säkerställa att noggrannheten är tillräckligt hög för tillämpningen. BMW‑fabriken är ett bra exempel på detta tillvägagångssätt. Kamerorna används i en verklig produktionsmiljö, där bildkvaliteten och de resulterande analyserna måste stödja en faktisk tillverkningsprocess.

När edge‑AI blir mer kapabel, hur förväntar du dig att nätkamerans roll utvecklas under det kommande decenniet, och vilka nya funktioner kan uppstå när kameror blir aktiva komponenter i intelligenta, responsiva miljöer?

Nätkameran blir mycket mer central i systemet. Den är inte längre bara en kamera som genererar video. Den är en sensor som genererar data som kan analyseras och delas över olika system. Allt eftersom bearbetningskraften fortsätter att öka förväntar jag mig att kamerorna blir ännu bättre på att förstå vad som händer i deras omgivning och leverera användbar information i realtid. Det är idén bakom Scene Intelligence, där kameran kan använda en djupare förståelse av scenen för att ge mer meningsfull information om objekt, deras egenskaper och vad som händer runt omkring dem.

Det kan innebära mer avancerad objekt‑ och beteendedetektion, större integration med andra sensorer och företagssystem samt mer automatisering kring hur organisationer svarar på händelser. Den större förändringen är att video blir en del av ett bredare data‑ och intelligenslager. Kameran fortsätter att fånga vad som händer, men alltmer kan den också hjälpa till att förklara vad som händer och vad en organisation kan vilja göra härnäst.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka Axis Communications.