Ofir Mulla, medgrundare och CTO på Lumana – Intervjuserie

Ofir Mulla, medgrundare och CTO på Lumana, har över ett decennium av djup expertis inom 3D- och datorseende-teknologier, och har banbrytande och skalfördjupat lösningar över kodade ljus-, stereo- och LiDAR-modaler medan han ledde tvärvetenskaplig utveckling inom programvara, elektriska system, robotik, ML/AI och medicinska enheter. Före sin nuvarande roll på Lumana tillbringade han nästan 15 år på Intel, där han utformade RealSense 3D-plattformen och ledde team som omfattade hårdvara, firmware och systemarkitektur.

Lumana är ett avancerat video-säkerhets- och visuellt intelligensföretag vars plattform förvandlar befintliga kameror till smarta, perceptiva agenter genom att utnyttja AI för att upptäcka och svara på verkliga händelser i realtid – från obehörig åtkomst och säkerhetsbrott till operativa insikter – vilket möjliggör för företag inom utbildning, regering, detaljhandel, tillverkning och gästfrihet att förena kameraintelligens, automatisera övervakning och låsa upp åtgärdsbara analyser från sin videoinfrastruktur.

Hur förberedde dina erfarenheter på Intel dig för Lumana och grundandet av företaget?

LiDAR-teknik var en central del av RealSense, en aktiv metod för att projicera laserljus för att fånga världens geometri. Det är en vacker bit av kodat ljus-teknik som våra briljanta ingenjörer på Intel uppfann. Geometri-sensing är kritiskt för rörliga föremål, såsom robotar och bilar, vilket är varför de flesta robotiska systemen idag förlitar sig på RealSense-enheter.

Men en fråga uppstod: vad händer när sensorerna är stationära, där navigation och tid-till-påverkan inte är de viktigaste uppgifterna? Vi frågade oss själva vilken teknik som kunde ge det största värdet till användarna i det sammanhanget.

Genom djupa diskussioner insåg vi att de flesta befintliga stationära kameror inte kan skalas naturligt. Övervakning av varje system är besvärligt. Samtidigt hade AI mognat till den punkt där vi började fråga: hur kan ett prisvärt system på kundens plats leverera de mest brådskande, tillförlitliga säkerhetsresponsen till kritiska larm?

Vi byggde ett starkt AI-team som snabbt förvandlade denna vision till en fungerande produkt. Insikten var enkel: rörliga fordon kräver geometri-sensing, men stationära sensorer, fokuserade på att övervaka beteende snarare än att planera rörelse, dra nytta av avancerad videoanalys utan explicit geometri-rekonstruktion.

RealSense-resan lärde mig att varje problem kräver sin egen lösning och sann innovation kräver innovation. Mitt team på Lumana förkroppsligar denna princip: professionellt, innovativt och driven. Tillsammans har vi skapat ett on-premise, realtids-system som för in moln-liknande prestanda till kanten, prisvärt, skalbart och responsivt.

Hur går Physical AI utöver traditionell videoanalys som objektdetektering och mönstermärkning?

När vi talar om Physical AI menar vi ett AI-system som inte slutar vid perception, utan aktivt interagerar med den verkliga världen. Traditionell videoanalys, som objektdetektering eller mönstermärkning, är bara det första lagret. Den djupare utmaningen är vad som kommer efter: arrangerande, spårning, aggregering, identifiering, återställande, sökning och verifiering av de upptäckta objekten och accelererande respons. Det inkluderar också att möjliggöra textbaserad åtkomst och till och med sökning efter objekt som systemet inte ursprungligen var tränat att upptäcka.

Allt detta måste uppnås inom en kompakt, prisvärd beräkningsenhet. Det är där Physical AI går utöver traditionell analys: det förvandlar rå detektering till åtgärdsbar, tillgänglig intelligens. Det handlar inte om att upptäcka fysikens lagar, ett vetenskapligt företag som fortfarande är under debatt, utan om att tillhandahålla praktiska, effektiva sätt att komma åt och agera på visuellt och ljudinnehåll i verkliga miljöer.

Vilka är de tekniska pelarna som möjliggör för Lumana att fusionera data från flera kameror, tolka beteende i realtid och kontinuerligt anpassa sig baserat på kontextuella och historiska indata?

Bra fråga. En av våra kärntekniska pelare är förmågan hos det on-premise-systemet att kontinuerligt anpassa sig till den scen som det observerar, vad som nu ofta kallas kontinuerlig inlärning. Du kan tänka på det som ett system som utvecklas med sin miljö, förbättrar sig över tid. Denna metod har möjliggjort för oss att leverera hög prestanda med mycket låg kostnad och exceptionell smidighet.

En annan viktig pelare är vår hierarkiska arkitektur, som intelligently eskalerar beräkningsansträngning endast när det krävs. Det säkerställer att komplexa åtgärder får de resurser de behöver utan att belasta hela systemet.

Tagna tillsammans bildar dessa principer en plattform som är enkel, effektiv och högt skalbar, vilket möjliggör för användare att uppleva kraftfulla realtidsinsikter och beteendetolkning till den lägsta möjliga kostnaden.

Kan du dela en eller två verkliga distributionsplatser där Lumana-systemet upptäckte händelser som våldseskalerande, säkerhetsgränsbrott eller loitering, och förklara vilken påverkan de hade på säkerhet eller operativ respons?

Lumana-distributioner i städer visar tydliga förbättringar i realtidsmedvetenhet och respons. I en stor stad i Israel förvandlade systemet ett befintligt videonätverk till ett intelligent tidigt varningsskikt som upptäckte loitering i begränsade zoner, folkmassor, efter-timmars-intrång och oregelbundna rörelser. Det ledde till färre inbrott, minskad vandalism och snabbare ingripande i högriskområden.

En amerikansk kommun såg liknande vinster i ett historiskt distrikt som kämpade med vandalism, bilinbrott, störningar och loitering. Lumana levererade kontinuerlig övervakning och omedelbara larm, vilket möjliggjorde proaktiva patruller och snabbare respons. Det resulterade i säkrare offentliga utrymmen och mindre operativt slöseri för staden.

Exemplen illustrerar hur realtidsupptäckt av beteenden, såsom loitering och gränsbrott, stärker allmän säkerhet och rationaliserar operationer.

Med AI-system som tolkar känslig fysiskt beteende, vilka sekretessskydd är inbyggda i er design- och distributionsprocess?

Lumana-teknik och design betonar stark styrning och minimal dataförflyttning. Bearbetning sker på kanten, när det är möjligt, för att begränsa exponering och stärka sekretess. Åtkomst är begränsad genom tydliga kontroller och revisionsloggning så att team kan följa varje arbetsflöde. Systemet håller video lokalt, delar endast nödvändig metadata, vilket stöder sekretessförväntningar i reglerade miljöer.

De här skydden säkerställer att känslig visuell data hanteras ansvarsfullt, samtidigt som man upprätthåller den prestanda som krävs för realtidsoperationer.

Vad driver er hybrid-molnarkitektur, och hur stöder den realtidsbearbetning och kontinuerlig inlärning?

Lumana använder en hybridmetod för att kombinera prestandan hos on-premise-system med molnflexibilitet. Edge-bearbetning levererar realtids-AI, lagring och videohantering lokalt som standard. Det minskar bandbreddskrav och stärker sekretess, samtidigt som det fortfarande möjliggör molnstöd när det behövs för bredare samordning eller inlärning över distributioner.

Den här arkitekturen ger användarna omedelbar responsivitet samtidigt som den upprätthåller förmågan att skalas och förbättras genom kontinuerlig anpassning över platser.

Hur var den självinlärningsförmågan utformad, och hur förbättras den över tid i multisajtsdistributioner?

Arkitekturen för vår självinlärningsförmåga är byggd kring skalbarhet. Ju fler platser vi distribuerar, desto bredare blir vår perspektiv över landskapet av edge-enheter. Varje ny miljö bidrar med färsk data, utvidgar mångfalden av scenarier och scener som systemet kan lära sig från.

Vår kontinuerliga inlärningsmetod tar tillvara på denna kollektiva kunskap. När systemet förfinar sig över distributioner blir processen för online-träning enklare och mer effektiv. I praktiken, ju bredare distributionen, desto snabbare och mer exakt anpassningen, vilket resulterar i ett system som kontinuerligt förbättras över tid på alla platser.

Vem ser du som dina huvudsakliga konkurrenter eller samarbetspartner i det här området, och vad gör Lumana unikt?

Vår sanna unikhet ligger i våra människor. Bakom Lumana står ett team av briljanta ingenjörer och innovatörer, börjande med vår AI-grupp, stödd av våra molnspecialister, UX/UI-designers och stärkt av kundsupport och försäljning. Medan AI utgör ryggraden i vår teknik är det våra mänskliga motorer som driver vår framgång. Kreativiteten, professionaliteten och engagemanget hos vårt team är vad som särskiljer Lumana, antingen i konkurrens eller samarbete.

Lumana betonar “Tänk stort,” “Kund-först,” “En team,” och “Mästera din konst.” Hur operationaliserar du dessa värderingar i rekrytering, produktutveckling och dagligt liv?

Vi rekryterar innovatörer som tänker stort, löser problem, samarbetar och åtar sig tillväxt.

Produktteam utvecklar skalbar AI med en ambitiös vision, itererar via kundfeedback, främjar samarbete och strävar efter excellens.

Dagliga operationer använder agila metoder för att möjliggöra djärva idéer, prioritera kundbehov, bygga teamenhet och stödja professionell utveckling.

De här metoderna driver innovation, kundframgång och påverkan inom AI-video-säkerhet.

Om fem år, hur ser du Lumana roll utvecklas i den bredare AI-ekosystemet – och vilken påverkan hoppas du att Physical AI kommer att ha på branscher som säkerhet, tillverkning eller smarta städer?

Om fem år ser vi Lumana roll utvecklas som en nyckelaktör för praktisk Physical AI över branscher. Medan tolkningen av fysikens grundläggande lagar fortfarande är ett vetenskapligt mysterium är vår fokus idag på kundvärde, utveckling av verktyg som tillåter organisationer att bättre övervaka och svara på världen runt omkring dem, över alla tillämpningar.

Vi har redan långsiktiga samarbeten med medicinska center och undersöker expansion till rörliga plattformar som robotik och transport. Över tid, när vi växer och skalar, avser vi också att investera i mer grundläggande forskningsfrågor: kan AI upptäcka djupare mönster i naturen, eller till och med hjälpa oss att formulera nya teorier om fysikens lagar? Kan begrepp som tidsdimensionen belysas av inlärningssystem?

Vår ambition är att driva påverkan över säkerhet, tillverkning och smarta städer, samtidigt som vi håller oss till den större horisonten, pressar gränserna för vad AI kan hjälpa oss att upptäcka.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Lumana.