Fredrik Nilsson, รองประธานฝ่ายอเมริกา, Axis Communications – ซีรีส์สัมภาษณ์

Fredrik Nilsson, รองประธานฝ่ายอเมริกา, Axis Communications, ดูแลการดำเนินงานของบริษัททั่วอเมริกาเหนือและอเมริกาใต้, นำทีมที่มุ่งเน้นการพัฒนาและส่งมอบโซลูชันความปลอดภัยแบบเครือข่ายสำหรับพันธมิตรและผู้ใช้ปลาย. ผู้บริหารระดับสูงของ Axis มานาน, Nilsson มีบทบาทสำคัญในการเปลี่ยนแปลงของอุตสาหกรรมความปลอดภัยจากระบบโทรทัศน์วงจรปิดแบบแอนะล็อกไปสู่วิดีโอเครือข่ายแบบ IP. ตั้งแต่รับผิดชอบอเมริกาในปี 2003, เขาได้ช่วยเพิ่มรายได้ระดับภูมิภาคจากประมาณ $20 million เป็นมากกว่า $1 billionและสนับสนุนการขยายกว่า 20 Axis Experience Centers ทั่วอเมริกา. เขาเข้าร่วม Axis ในปี 1996, ก่อนหน้านั้นดำรงตำแหน่งผู้จัดการผลิตภัณฑ์และผู้จัดการแผนกในสวีเดนและต่อมารับตำแหน่งผู้อำนวยการฝ่ายพัฒนาธุรกิจ, ซึ่งช่วยสร้างความร่วมมือในช่วงเริ่มต้นของการพัฒนาวิดีโอ IP. ในช่วงต้นของอาชีพ, เขาเคยเป็นผู้จัดการผลิตภัณฑ์ที่ ABB, และปัจจุบันเป็นสมาชิกของคณะกรรมการของ MSAB และหอการค้าสวีเดน-อเมริกันในวอชิงตัน, ดี.ซี.

Axis Communications เป็นบริษัทเทคโนโลยีที่ตั้งอยู่ในสวีเดนซึ่งเชี่ยวชาญด้านความปลอดภัยทางกายภาพอัจฉริยะและโซลูชันเครือข่าย, รวมถึงกล้องเครือข่าย, ระบบกล้องวงจรปิด, ระบบควบคุมการเข้าถึง, อินเตอร์คอม, ระบบเสียงเครือข่าย, เรดาร์, และการวิเคราะห์ข้อมูล. ก่อตั้งในปี 1984 และมีสำนักงานใหญ่ในลุนด์, สวีเดน, Axis มีพนักงานประมาณ 5,000 คนในกว่า 50 ประเทศและเป็นส่วนหนึ่งของ Canon Group ตั้งแต่ปี 2015. บริษัทได้เปิดตัวสิ่งที่อธิบายว่าเป็นกล้องเครือข่ายเครื่องแรกของโลกในปี 1996 และตั้งแต่นั้นได้ขยายจากวิดีโอเครือข่ายไปสู่พอร์ตโฟลิโอที่กว้างขึ้นของเทคโนโลยีความปลอดภัยที่เชื่อมต่อกัน. ผลิตภัณฑ์ปัจจุบันของบริษัทเพิ่มการใช้การวิเคราะห์ที่ทำงานบนขอบเครือข่ายและปัญญาประดิษฐ์เพื่อแปลงวิดีโอ, เสียง, และข้อมูลเซ็นเซอร์ให้เป็นข้อมูลเชิงปฏิบัติสำหรับความปลอดภัย, ความปลอดภัยส่วนบุคคล, ประสิทธิภาพการดำเนินงาน, และข่าวกรองทางธุรกิจ.

อาชีพของคุณครอบคลุมการเฝ้าระวังระยะไกลที่ ABB, การพัฒนาเริ่มต้นของการจัดเก็บข้อมูลแบบแนบเครือข่ายและเทคโนโลยี Internet of Things, และการเปลี่ยนแปลงจากการเฝ้าระวังแบบแอนะล็อกจากวิดีโอเครือข่ายที่ Axis Communications. ประสบการณ์เหล่านี้มีอิทธิพลต่อมุมมองของคุณอย่างไรต่อการเปลี่ยนแปลงในปัจจุบันสู่กล้องที่ใช้ AI และโครงสร้างพื้นฐานทางกายภาพอัจฉริยะ?

ผมมองการเปลี่ยนแปลงสู่กล้องที่ใช้ AI เป็นขั้นตอนต่อไปของวิวัฒนาการที่ผมได้มีส่วนร่วมตลอดอาชีพ – ตั้งแต่เทคโนโลยีที่เชื่อมต่อและการบรรจบของ IP ไปสู่ขอบเครือข่ายอัจฉริยะในปัจจุบัน. เส้นด้ายที่สอดคล้องกันตลอดอาชีพของผมคือการช่วยลูกค้าให้เข้าใจว่าเทคโนโลยีที่เชื่อมต่อสามารถทำอะไรให้พวกเขาได้. ABB เป็นโรงเรียนที่ยอดเยี่ยมสำหรับผม. มันเป็นบริษัทระดับโลกใหญ่ ทำให้ผมมีโอกาสเดินทางทั่วโลก, รวมถึงใช้เวลาอยู่หนึ่งปีในแคนาดา, และทำงานกับลูกค้าองค์กรขนาดใหญ่, โดยเฉพาะบริษัทสาธารณูปโภคไฟฟ้า, ในโครงการที่ซับซ้อน. บทบาทของผมคือผู้จัดการผลิตภัณฑ์สำหรับระบบเฝ้าระวังและควบคุมระยะไกลที่เชื่อมต่อด้วย IP. ที่ Axis, ผมต่อมาทำงานในหมวดหมู่ใหม่ของอุปกรณ์จัดเก็บข้อมูลที่เชื่อมต่อด้วย IP และช่วยกระจายข้อความทั่วโลกเกี่ยวกับประโยชน์ของเทคโนโลยีที่เชื่อมต่อ. จากนั้น, ในช่วงเริ่มต้นของการบรรจบ IP, ผมได้ต่อยอดจากหลักการเดียวกัน, ช่วยลูกค้าองค์กรให้เข้าใจคุณค่าของวิดีโอที่เชื่อมต่อกับเครือข่ายและโอกาสที่เทคโนโลยี IP สร้างขึ้น. ดังนั้นเมื่อผมมองกล้องที่ใช้ AI ในวันนี้, ผมเห็นอีกขั้นตอนหนึ่งของวิวัฒนาการเดียวกัน. เทคโนโลยียังคงพัฒนาขึ้นเรื่อย ๆ, แต่โอกาสที่แท้จริงยังคงอยู่ที่การเชื่อมต่ออุปกรณ์, การสร้างข้อมูลที่มีประโยชน์และการช่วยลูกค้าใช้ข้อมูลนั้นให้เกิดประโยชน์มากขึ้น.

ประเภทของงานคอมพิวเตอร์วิชันใดที่เหมาะสมที่สุดที่จะทำงานโดยตรงบนกล้อง, และแอปพลิเคชันใดที่ยังคงได้ประโยชน์จากการประมวลผลในศูนย์ข้อมูลท้องถิ่นหรือคลาวด์?

งานที่เหมาะสมที่สุดสำหรับการทำงานโดยตรงบนกล้องคืองานที่ต้องการการตัดสินใจแบบเรียลไทม์, ความหน่วงต่ำ, และการใช้แบนด์วิดท์อย่างมีประสิทธิภาพ. ตัวอย่างเช่น การตรวจจับและจำแนกบุคคลหรือวัตถุ, การนับ, การติดตามการเคลื่อนไหว, หรือการระบุเหตุการณ์เฉพาะ. ด้วยเทคโนโลยีเช่น Axis Object Analytics, กล้องสามารถตรวจจับบุคคล, ยานพาหนะ, สี, ทิศทางการเคลื่อนที่, และลักษณะอื่น ๆ ได้อย่างแม่นยำ. เรายังสามารถฝึกกล้องให้จำแนกวัตถุหรือสถานการณ์เฉพาะผ่าน Axis Custom Analytics. เมื่อการวิเคราะห์พัฒนาอย่างต่อเนื่อง, ปัญญาประดิษฐ์มากขึ้นจะเกิดขึ้นที่ขอบเครือข่าย. สำหรับหลายกรณีการใช้งาน, การรันการวิเคราะห์บนกล้องและส่งข้อมูลหรือเมตาดาต้าที่ได้ไปยังเซิร์ฟเวอร์หรือคลาวด์เป็นสิ่งสำคัญสำหรับการขยายขนาดและต้นทุน. คลาวด์และเซิร์ฟเวอร์ยังคงมีบทบาทสำคัญ, โดยเฉพาะอย่างยิ่งสำหรับการจัดการศูนย์กลาง, การเก็บข้อมูลระยะยาว, และการวิเคราะห์เมตาดาต้าข้ามอุปกรณ์จำนวนมาก. ผมไม่เห็นว่ามันเป็นการตัดสินใจแบบเลือกอย่างใดอย่างหนึ่ง. ขอบเครือข่ายและคลาวด์สามารถเสริมกันได้, โดยแต่ละส่วนทำในสิ่งที่เหมาะสมที่สุดสำหรับตน.

การนำ AI ไปใช้ที่ขอบเครือข่ายต้องสมดุลระหว่างความแม่นยำของโมเดลกับข้อจำกัดด้านกำลังประมวลผล, หน่วยความจำ, การใช้พลังงาน, และความร้อน. ความก้าวหน้าในชิปเฉพาะทางกำลังเปลี่ยนแปลงสิ่งที่สามารถทำได้อย่างเป็นจริงภายในกล้องอย่างไร?

โดยจริง ๆ แล้วมีสองแนวโน้มที่ขับเคลื่อนเรื่องนี้ แนวโน้มแรกคือความสามารถของ AI ในโปรเซสเซอร์ที่ขอบ (edge) กำลังปรับปรุงอย่างรวดเร็ว ARTPEC-9 ซึ่งเป็นระบบบนชิปที่เราพัฒนาขึ้นภายใน มีความสามารถในการประมวลผล AI มากกว่าที่ ARTPEC-8 สามเท่า ทำให้เรามีพื้นที่มากขึ้นอย่างมีนัยสำคัญในการรันโมเดลที่ซับซ้อนโดยตรงบนกล้อง รุ่นต่อ ๆ ไปจะยังคงเพิ่มความสามารถนี้ต่อไป แนวโน้มที่สองคือขนาดและประสิทธิภาพของโมเดลกำลังดีขึ้น นั่นคือจุดที่เรามีความก้าวหน้ามากในปีที่ผ่านมา ทีม R&D ของเราได้ทำงานอย่างยอดเยี่ยมในการทำให้โมเดลส่วนใหญ่ทำงานได้โดยตรงที่ขอบ ดังนั้นในหลายสถานการณ์คุณเพียงต้องใช้ข้อมูลจากกล้องแทนการส่งวิดีโอไปที่อื่นเพื่อประมวลผล เมื่อหนึ่งปีที่แล้ว เราพูดถึงว่าประมาณ 50% ของความต้องการสามารถจัดการได้ในกล้อง วันนี้ค่าสัดส่วนใกล้เคียง 90% และเราคาดว่าจะถึง 95% หรือมากกว่า การก้าวกระโดดที่แท้จริงไม่ได้อยู่ที่เรามีชิปที่ทรงพลังขึ้นเท่านั้น แต่คือการที่เราผสานฮาร์ดแวร์ที่มีความสามารถมากขึ้นกับโมเดล AI ที่มีประสิทธิภาพมากขึ้น ทำให้ปัญญาประดิษฐ์เพิ่มขึ้นโดยตรงที่จุดที่สร้างข้อมูล ซึ่งทำให้ระบบเฝ้าระวังพึ่งพาเซิร์ฟเวอร์และคลาวด์สำหรับ AI น้อยลงอย่างมาก

กล้องกำลังถูกมองว่าเป็นเซ็นเซอร์เชิงปฏิบัติมากขึ้น ไม่ใช่เพียงอุปกรณ์รักษาความปลอดภัยเท่านั้น แอปพลิเคชันใดในด้านการค้าปลีก การขนส่ง การดูแลสุขภาพ การผลิต หรือโลจิสติกส์ที่กำลังมอบคุณค่าทางธุรกิจที่ชัดเจนที่สุดในขณะนี้?

การผลิตเป็นตัวอย่างที่ดีมากเพราะคุณค่าสามารถเชื่อมโยงโดยตรงกับการดำเนินงาน ตัวอย่างเช่น BMW Group ใช้กล้องเครือข่ายเป็นส่วนหนึ่งของระบบตรวจสอบคุณภาพที่ขับเคลื่อนด้วย AI เพื่อจับภาพรายละเอียดของยานพาหนะแบบเรียลไทม์และระบุข้อบกพร่อง นั่นเป็นบทบาทของกล้องที่แตกต่างอย่างมากจากการบันทึกเหตุการณ์เท่านั้น เรายังเห็นการใช้วิดีโอเพื่อเพิ่มประสิทธิภาพการปฏิบัติงานและข้อมูลเชิงธุรกิจอย่างกว้างขวาง ในการขนส่งและโลจิสติกส์ กล้องสามารถช่วยองค์กรเข้าใจว่าผู้คน ยานพาหนะ และสินค้าเคลื่อนที่ผ่านสถานที่อย่างไร ในการค้าปลีก วิดีโอสามารถให้ข้อมูลเชิงลึกเกี่ยวกับพฤติกรรมของลูกค้า การใช้พื้นที่ และการจัดบุคลากร ธีมร่วมคือกล้องกำลังสร้างข้อมูลที่สามารถใช้ปรับปรุงกระบวนการให้ดีขึ้น ไม่ใช่เพียงบันทึกสิ่งที่เกิดขึ้น

การผสานวิดีโอกับการวิเคราะห์เสียง เรดาร์ ระบบควบคุมการเข้าถึง และเซ็นเซอร์สิ่งแวดล้อมจะสร้างข้อมูลเชิงลึกที่ไม่สามารถทำได้จากข้อมูลภาพอย่างเดียวอย่างไร?

ยิ่งคุณนำบริบทมารวมกันมากเท่าไหร่ ระบบก็จะเข้าใจสิ่งที่เกิดขึ้นได้ดีขึ้น เมื่อคุณผสานข้อมูลเข้าต่าง ๆ คุณสามารถได้ข้อมูลเชิงลึกที่ยาก หรือบางครั้งเป็นไปไม่ได้ที่จะสกัดจากวิดีโอเพียงอย่างเดียว ตัวอย่างเช่น คุณสามารถรวมลักษณะของวัตถุกับการเคลื่อนที่ของมัน หรือใช้ข้อมูลความร้อนและภาพร่วมกันเมื่อแสงหรือการมองเห็นเป็นปัญหา เรดาร์สามารถเพิ่มข้อมูลเกี่ยวกับการเคลื่อนที่และความเร็วของวัตถุ เสียงสามารถระบุเสียงหรือให้การสื่อสารสองทางได้ และเซ็นเซอร์สิ่งแวดล้อมสามารถให้บริบทเพิ่มเติมเกี่ยวกับสิ่งที่เกิดขึ้นในสภาพแวดล้อมโดยรอบ เซ็นเซอร์หลายตัวยังสามารถเพิ่มความมั่นใจในสิ่งที่ระบบหรือผู้ใช้ตรวจจับได้ การผสานเทคโนโลยีเป็นสิ่งสำคัญอย่างยิ่งในการปกป้องพื้นที่สำคัญของชีวิตเช่นโครงสร้างพื้นฐานที่สำคัญ

เรากำลังมุ่งหน้าไปในทิศทางนี้อยู่แล้ว ตัวอย่างเช่นที่ GSX เราได้เปิดตัวโซลูชันที่ผสานการรับรู้ภาพ, ความร้อน, เรดาร์, เสียง และเซ็นเซอร์สิ่งแวดล้อม เป้าหมายคือการรวบรวมข้อมูลที่เหมาะสมเพื่อให้องค์กรสามารถตัดสินใจได้เร็วขึ้นและมีข้อมูลครบถ้วนยิ่งขึ้น สิ่งนี้สำคัญอย่างยิ่งสำหรับการใช้งานเช่นการปกป้องโครงสร้างพื้นฐานที่สำคัญ ซึ่งการมีแหล่งข้อมูลหลายแหล่งสามารถให้ภาพรวมที่สมบูรณ์ยิ่งขึ้นของสิ่งที่เกิดขึ้น

การประมวลผลที่ขอบ (edge) สามารถลดปริมาณวิดีโอดิบที่ต้องส่งหรือเก็บไว้ได้ แต่กล้องที่เปิดใช้งาน AI ยังคงก่อให้เกิดคำถามสำคัญเกี่ยวกับความเป็นส่วนตัวและการกำกับดูแล หลักการใดที่องค์กรควรปฏิบัติตามเมื่อต้องออกแบบระบบที่มีประโยชน์โดยไม่เก็บข้อมูลส่วนบุคคลเกินกว่าที่จำเป็น?

จุดเริ่มต้นควรตั้งคำถามว่าระบบต้องทำอะไรจริง ๆ และเก็บข้อมูลเฉพาะที่จำเป็นสำหรับวัตถุประสงค์นั้น ความเป็นส่วนตัวและความโปร่งใสก็สำคัญเช่นกัน ผู้คนต้องการเข้าใจว่าทำไมจึงใช้วิดีโอและข้อมูลของพวกเขาถูกจัดการอย่างไร งานวิจัยล่าสุดของเราแสดงให้เห็นว่าผู้คนเริ่มรู้สึกสบายใจมากขึ้นกับการเฝ้าระวังด้วยวิดีโอ แต่การยอมรับนั้นไม่สามารถถือเป็นเรื่องที่แน่นอนได้ ความกังวลใหญ่ที่สุดเกี่ยวกับการเฝ้าระวังที่เปิดใช้งาน AI คือผลบวกเท็จหรือข้อมูลที่ไม่แม่นยำและความเสี่ยงต่อการใช้หรือจัดการข้อมูลผิดพลาด ซึ่งทำให้เกิดความรับผิดชอบจริง ๆ ต่อองค์กรและผู้ให้เทคโนโลยีในการสร้างความเป็นส่วนตัวและความปลอดภัยเข้าไปในระบบตั้งแต่แรก การประมวลผลที่ขอบสามารถช่วยได้เพราะคุณสามารถวิเคราะห์ข้อมูลในท้องถิ่นและส่งเฉพาะข้อมูลที่จำเป็น แทนที่จะส่งวิดีโอดิบต่อเนื่องทั่วเครือข่าย

โครงสร้างพื้นฐานทางกายภาพอาจถูกติดตั้งไว้หลายปี ในขณะที่โมเดล AI และภัยคุกคามด้านความปลอดภัยไซเบอร์พัฒนาอย่างรวดเร็ว กล้องและอุปกรณ์ขอบอื่น ๆ ควรถูกออกแบบอย่างไรเพื่อให้การวิเคราะห์ของพวกมันยังคงปลอดภัย สามารถบำรุงรักษาได้ และปรับตัวได้ตลอดอายุการใช้งาน?

นี่เป็นหนึ่งในเหตุผลที่ฉันมองกล้องว่าเป็นส่วนหนึ่งของโครงสร้างไอทีและโครงสร้างการดำเนินงานที่กว้างขวาง มากกว่าที่จะเป็นอุปกรณ์รักษาความปลอดภัยแบบแยกส่วน ความปลอดภัยไซเบอร์ต้องถูกฝังไว้ในอุปกรณ์ตั้งแต่แรก ด้วยซอฟต์แวร์ที่ปลอดภัย การอัปเดตเป็นประจำ และการปกป้องความปลอดภัยไซเบอร์ที่แข็งแรงตลอดอายุการใช้งานของมัน ที่ Axis ตัวอย่างเช่น Edge Vault ให้พื้นฐานแบบฮาร์ดแวร์สำหรับปกป้องความสมบูรณ์ของอุปกรณ์ การรักษากุญแจเข้ารหัส และการสร้างห่วงโซ่ความเชื่อถือ นอกจากนี้ยังรองรับความสามารถเช่นการบูตอย่างปลอดภัยและซอฟต์แวร์ที่ลงลายเซ็น ช่วยให้มั่นใจว่าเฉพาะซอฟต์แวร์ที่เชื่อถือได้เท่านั้นที่ทำงานบนอุปกรณ์

อุปกรณ์นี้ยังต้องการสถาปัตยกรรมที่สามารถปรับตัวได้เมื่อการวิเคราะห์และความต้องการของลูกค้าเปลี่ยนแปลง แพลตฟอร์มเปิดมีความสำคัญในที่นี้เพราะช่วยให้องค์กรสามารถบูรณาการแอปพลิเคชันและเทคโนโลยีใหม่ ๆ ได้โดยไม่ต้องเปลี่ยนระบบทั้งหมดทุกครั้งที่มีการพัฒนา ในขณะเดียวกัน องค์กรต้องการการกำกับดูแลที่ดีสำหรับอุปกรณ์ที่เชื่อมต่อกัน เมื่อวิดีโอ เซ็นเซอร์ และระบบองค์กรรวมกันมากขึ้น ความปลอดภัยไซเบอร์และการปกป้องข้อมูลต้องถูกมองว่าเป็นส่วนหนึ่งของการออกแบบระบบโดยรวม ไม่ใช่สิ่งที่เพิ่มเข้ามาภายหลัง

Axis รองรับระบบนิเวศแอปพลิเคชันแบบเปิดที่อนุญาตให้ผู้พัฒนาภายนอกสร้างและปรับใช้การวิเคราะห์เฉพาะด้านบนอุปกรณ์ของตน ความสำคัญของแพลตฟอร์มเปิดและความสามารถในการทำงานร่วมกันจะเป็นอย่างไรเมื่อองค์กรต้องการรันโมเดลของตนเองบนกลุ่มกล้องขนาดใหญ่?

ฉันคิดว่ามันจะมีความสำคัญอย่างยิ่ง ลูกค้าไม่ต้องการถูกผูกติดกับเทคโนโลยีหรือวิธีการทำงานแบบเดียว โดยเฉพาะอย่างยิ่งเมื่อ AI และการวิเคราะห์พัฒนาอย่างรวดเร็ว แพลตฟอร์มเปิดทำให้การบูรณาการกล้องกับระบบอื่น ๆ นำแอปพลิเคชันเฉพาะด้านเข้ามาและขยายการใช้งานในระดับใหญ่เป็นเรื่องง่ายขึ้น นอกจากนี้ยังให้ความยืดหยุ่นแก่ลูกค้าเมื่อความต้องการเปลี่ยนแปลง ด้วยการขจัดการล็อกอินของผู้ขายและทำให้การบูรณาการง่ายขึ้น ระบบนิเวศแบบเปิดที่ทำงานร่วมกันช่วยให้การขยายโซลูชันขอบอัจฉริยะเป็นไปได้ง่ายขึ้นในขณะที่ปรับตัวตามความต้องการทางธุรกิจที่เปลี่ยนแปลง ในที่สุดคุณค่าจึงไม่ได้อยู่ที่กล้องเพียงอย่างเดียว แต่อยู่ที่วิธีที่กล้อง เซ็นเซอร์ การวิเคราะห์ และแอปพลิเคชันระดับองค์กรทำงานร่วมกัน

องค์กรควรประเมินประสิทธิภาพของระบบคอมพิวเตอร์วิทัศน์หลังการใช้งานอย่างไร โดยเฉพาะเมื่อแสงสว่าง การวางตำแหน่งกล้อง พฤติกรรมของมนุษย์ หรือสภาพการทำงานอาจเปลี่ยนแปลงและส่งผลต่อความแม่นยำ?

ทั้งหมดขึ้นอยู่กับกรณีการใช้งาน แต่สิ่งสำคัญที่สุดคือการทดสอบกล้องและโมเดล AI ในสภาพแวดล้อมจริงที่พวกมันจะถูกใช้งานจริง คุณอาจมีโมเดลที่ทำงานได้ดีมากในสภาพแวดล้อมที่ควบคุมได้ แต่การทดสอบจริงคือสิ่งที่เกิดขึ้นกับแสงสว่างจริง การวางตำแหน่งกล้อง สภาพอากาศ พื้นหลัง และพฤติกรรมที่พบในสถานที่ นั่นคือเหตุผลที่เราสนับสนุนให้ลูกค้าประเมินการวิเคราะห์เช่น Axis Object Analytics หรือ Axis Custom Analytics ในสภาพแวดล้อมจริงและตรวจสอบให้แน่ใจว่าความแม่นยำเพียงพอสำหรับการใช้งาน โรงงานของ BMW เป็นตัวอย่างที่ดีของแนวทางนี้ กล้องถูกใช้ในสภาพแวดล้อมการผลิตจริง ซึ่งคุณภาพของภาพและการวิเคราะห์ที่ได้ต้องสนับสนุนกระบวนการผลิตจริง

เมื่อ Edge AI มีความสามารถมากขึ้น คุณคาดว่าบทบาทของกล้องเครือข่ายจะพัฒนาอย่างไรในทศวรรษถัดไป และความสามารถใหม่ใดอาจเกิดขึ้นเมื่อกล้องกลายเป็นส่วนประกอบที่ทำงานอย่างเชิงรุกของสภาพแวดล้อมอัจฉริยะและตอบสนองได้?

กล้องเครือข่ายกำลังกลายเป็นศูนย์กลางของระบบมากขึ้น ไม่ใช่แค่กล้องที่สร้างวิดีโอเท่านั้น แต่เป็นเซ็นเซอร์ที่สร้างข้อมูลซึ่งสามารถวิเคราะห์และแชร์ระหว่างระบบต่าง ๆ ได้ เมื่อกำลังประมวลผลเพิ่มขึ้นเรื่อย ๆ ฉันคาดว่ากล้องจะเข้าใจสภาพแวดล้อมของตนได้ดีขึ้นและให้ข้อมูลที่เป็นประโยชน์แบบเรียลไทม์ นั่นคือแนวคิดของ Scene Intelligence ที่กล้องสามารถใช้ความเข้าใจเชิงลึกของฉากเพื่อให้ข้อมูลที่มีความหมายมากขึ้นเกี่ยวกับวัตถุ คุณลักษณะของมัน และสิ่งที่เกิดขึ้นรอบ ๆ

ซึ่งอาจหมายถึงการตรวจจับวัตถุและพฤติกรรมที่ก้าวหน้ามากขึ้น การบูรณาการที่ดีกับเซ็นเซอร์และระบบองค์กรอื่น ๆ และการอัตโนมัติมากขึ้นเกี่ยวกับวิธีที่องค์กรตอบสนองต่อเหตุการณ์ การเปลี่ยนแปลงที่สำคัญคือวิดีโอกลายเป็นส่วนหนึ่งของชั้นข้อมูลและปัญญาที่กว้างขวางขึ้น กล้องยังคงบันทึกสิ่งที่เกิดขึ้น แต่ในขณะเดียวกันก็สามารถช่วยอธิบายสิ่งที่เกิดขึ้นและสิ่งที่องค์กรอาจต้องการทำต่อไปได้มากขึ้น

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Axis Communications.