โอฟร์ มุลลา ผู้ร่วมก่อตั้งและซีทีโอของ Lumana – สัมภาษณ์รายการ

Ofir Mulla ผู้ร่วมก่อตั้งและซีทีโอของ Lumana มีประสบการณ์มากกว่าหนึ่งทศวรรษในด้านเทคโนโลยี 3D และการมองเห็นคอมพิวเตอร์ โดยเป็นผู้บุกเบิกและขยายโซลูชันส่วนโค้ด ไลท์ สเตอริโอ และ LiDAR ในขณะที่เป็นผู้นำในการพัฒนาระบบข้ามสาขาวิชาในด้านซอฟต์แวร์ ระบบไฟฟ้า โรบอติกส์ ML/AI และอุปกรณ์ทางการแพทย์ ก่อนที่จะเข้าร่วมที่ Lumana เขาใช้เวลาเกือบ 15 ปีที่ Intel (INTC ) โดยได้ออกแบบแพลตฟอร์ม RealSense 3D และเป็นผู้นำทีมที่ครอบคลุมฮาร์ดแวร์ เฟิร์มแวร์ และระบบสถาปัตยกรรม

Lumana เป็นบริษัทความปลอดภัยด้านวิดีโอและวิชาการที่มีแพลตฟอร์มที่สามารถเปลี่ยนกล้องที่มีอยู่ให้กลายเป็นตัวแทน智能ที่สามารถรับรู้และตอบสนองต่อเหตุการณ์ในโลกแห่งความเป็นจริงได้โดยใช้ AI เพื่อตรวจจับและตอบสนองต่อเหตุการณ์จริงในเวลาจริง ตั้งแต่การเข้าถึงที่ไม่ได้รับอนุญาตและการละเมิดกฎความปลอดภัยไปจนถึงข้อมูลเชิงลึกด้านการดำเนินงาน ทำให้ธุรกิจต่างๆ สามารถรวมข้อมูลจากกล้องเข้าด้วยกัน อัตโนมัติในการตรวจสอบและปลดล็อกข้อมูลเชิงลึกที่สามารถดำเนินการได้จากโครงสร้างพื้นฐานวิดีโอของตน

ประสบการณ์ของคุณที่ Intel ช่วยให้คุณเตรียมพร้อมสำหรับ Lumana และการก่อตั้งบริษัทได้อย่างไร?

เทคโนโลยี LiDAR เป็นส่วนสำคัญของ RealSense ซึ่งเป็นวิธีการฉายแสงเลเซอร์เพื่อจับภาพเรขาคณิตของโลก มันเป็นเทคโนโลยีส่วนโค้ด ไลท์ที่น่าประทับใจที่วิศวกรที่มีพรสวรรค์ของเราที่ Intel คิดค้นขึ้น การรับรู้เรขาคณิตเป็นสิ่งสำคัญสำหรับการเคลื่อนไหววัตถุ เช่น โรบอตและรถยนต์ ซึ่งเป็นเหตุผลที่ระบบโรบอตส่วนใหญ่ในปัจจุบันพึ่งพาอุปกรณ์ RealSense

แต่เรามีคำถามว่าอะไรเกิดขึ้นเมื่อเซ็นเซอร์อยู่ในตำแหน่งที่ไม่เคลื่อนไหว ซึ่งการนำทางและเวลาที่จะส่งผลกระทบไม่ใช่ภารกิจหลัก เราได้ถามตัวเองว่าเทคโนโลยีใดที่สามารถให้คุณค่าสูงสุดแก่ผู้ใช้ในบริบทนั้น

ผ่านการอภิปรายอย่างลึกซึ้ง เราได้ทำความเข้าใจว่าระบบกล้องที่มีอยู่ส่วนใหญ่ไม่สามารถขยายขนาดได้อย่างเป็นธรรมชาติ การตรวจสอบแต่ละระบบเป็นเรื่องที่ยุ่งยาก ในเวลาเดียวกัน AI ได้พัฒนาถึงจุดที่เริ่มถามว่าระบบที่มีราคาไม่แพงสามารถให้การตอบสนองด้านความปลอดภัยที่เร็วที่สุดและเชื่อถือได้มากที่สุดแก่ลูกค้าได้อย่างไร

เราสร้างทีม AI ที่แข็งแกร่งซึ่งสามารถเปลี่ยนความมุ่งมั่นนี้ให้เป็นผลิตภัณฑ์ที่ทำงานได้จริง ความเข้าใจนั้นง่ายมาก: ยานพาหนะที่เคลื่อนที่ต้องการการรับรู้เรขาคณิต แต่เซ็นเซอร์ที่อยู่ในตำแหน่งที่ไม่เคลื่อนไหว ซึ่งมุ่งเน้นไปที่การตรวจสอบพฤติกรรมมากกว่าการวางแผนการเคลื่อนไหว จะได้รับประโยชน์มากขึ้นจากการวิเคราะห์วิดีโอที่ทันสมัยโดยไม่ต้องมีการสร้างเรขาคณิตอย่างชัดเจน

การเดินทางของ RealSense สอนฉันว่าปัญหาแต่ละข้อต้องการวิธีแก้ปัญหาของตนเอง และการเปลี่ยนแปลงที่แท้จริงต้องการนวัตกรรม ทีมของฉันที่ Lumana มีหลักการนี้: มืออาชีพ นวัตกรรม และมุ่งมั่น ด้วยกันเราได้สร้างระบบที่มีประสิทธิภาพคลาวด์บนจุดสิ้นสุด ซึ่งมีราคาไม่แพง มีความสามารถในการปรับขนาด และมีการตอบสนองที่รวดเร็ว

Physical AI มีความแตกต่างจากวิดีโอแอนะไลซิสแบบดั้งเดิม เช่น การตรวจจับวัตถุและการระบุแบบแผนอย่างไร?

เมื่อเราพูดถึง Physical AI เราหมายถึงระบบ AI ที่ไม่หยุดเพียงแค่การรับรู้ แต่ยังโต้ตอบกับโลกแห่งความเป็นจริงด้วย วิดีโอแอนะไลซิสแบบดั้งเดิม เช่น การตรวจจับวัตถุหรือการระบุแบบแผน เป็นเพียงชั้นแรกเท่านั้น ความท้าทายที่ลึกซึ้งกว่าคือสิ่งที่ตามมา: การจัดเรียง การติดตาม การรวม การระบุ การค้นหา และการตรวจสอบวัตถุที่ตรวจจับได้ และการเร่งการตอบสนอง นอกจากนี้ยังรวมถึงการเปิดใช้งานการเข้าถึงข้อความและแม้กระทั่งการค้นหาวัตถุที่ระบบไม่ได้รับการฝึกฝนมา

ทั้งหมดนี้ต้องทำได้ภายในอุปกรณ์คอมพิวเตอร์ที่กะทัดรัดและมีราคาไม่แพง นั่นคือจุดที่ Physical AI มีความแตกต่างจากวิดีโอแอนะไลซิสแบบดั้งเดิม: มันเปลี่ยนการตรวจจับที่ดิบให้กลายเป็นข้อมูลเชิงลึกที่สามารถดำเนินการได้และเข้าถึงได้ มันไม่เกี่ยวกับการค้นหากฎของฟิสิกส์ ซึ่งเป็นการแสวงหาทางวิทยาศาสตร์ที่ยังคงถูกถกเถียงกัน แต่เกี่ยวกับการให้ทางเลือกที่เป็นไปได้และเชื่อถือได้ในการเข้าถึงและดำเนินการกับเนื้อหาวิดีโอและเสียงในโลกแห่งความเป็นจริง

คุณสามารถอธิบายหลักการทางเทคนิคที่ช่วยให้ Lumana รวมข้อมูลจากกล้องหลายตัว ตีความพฤติกรรมในเวลาจริง และปรับเปลี่ยนอย่างต่อเนื่องตามข้อมูลบริบทและประวัติได้อย่างไร?

คำถามที่ดี หนึ่งในหลักการทางเทคนิคหลักของเราคือความสามารถของระบบบนจุดสิ้นสุดในการปรับเปลี่ยนอย่างต่อเนื่องกับฉากที่มันสังเกตเห็น ซึ่งปัจจุบันเรียกว่าการเรียนรู้อย่างต่อเนื่อง คุณสามารถนึกถึงมันเป็นระบบที่พัฒนาไปพร้อมกับสภาพแวดล้อมของมัน โดยปรับปรุงไปเรื่อยๆ นี่ทำให้เราสามารถส่งมอบประสิทธิภาพสูงด้วยต้นทุนที่ต่ำมากและความยืดหยุ่นที่ไม่เหมือนใคร

อีกหลักการสำคัญคือสถาปัตยกรรมแบบลำดับชั้นของเรา ซึ่งเพิ่มความพยายามในการคำนวณอย่างชาญฉลาดเฉพาะเมื่อจำเป็น นี่ทำให้แน่ใจว่าการกระทำที่ซับซ้อนจะได้รับทรัพยากรที่ต้องการโดยไม่ทำให้ระบบทั้งหมดหนักเกินไป

เมื่อรวมหลักการเหล่านี้เข้าด้วยกันแล้ว จะก่อให้เกิดแพลตฟอร์มที่เรียบง่าย มีประสิทธิภาพ และสามารถปรับขนาดได้สูง ทำให้ผู้ใช้สามารถสัมผัสกับข้อมูลเชิงลึกในเวลาจริงและตีความพฤติกรรมได้ในราคา thấpที่สุด

คุณสามารถแบ่งปันการนำไปใช้งานจริงหนึ่งหรือสองครั้งได้หรือไม่ โดยที่ระบบของ Lumana ตรวจจับเหตุการณ์ เช่น การเพิ่มขึ้นของความรุนแรง การละเมิดขอบเขตความปลอดภัย หรือการ徘徊 และอธิบายผลกระทบที่มีต่อความปลอดภัยหรือการตอบสนองด้านการดำเนินงาน?

การนำไปใช้งานของ Lumana ในเมืองแสดงให้เห็นถึงการปรับปรุงความตระหนักรู้และตอบสนองในเวลาจริง ในเมืองใหญ่ในอิสราเอล ระบบเปลี่ยนเครือข่ายวิดีโอที่มีอยู่ให้กลายเป็นชั้นการเตือนล่วงหน้าที่สามารถตรวจจับการ徘徊ในพื้นที่ที่ถูกจำกัด การผิดปกติของฝูงชน การบุกรุกหลังเวลาทำการ และการเคลื่อนไหวที่ไม่ปกติ ซึ่งนำไปสู่การบุกรุกที่น้อยลง การทำลายทรัพย์สินที่ลดลง และการแทรกแซงที่รวดเร็วยิ่งขึ้นในพื้นที่เสี่ยงสูง

เมืองในสหรัฐอเมริกามีผลลัพธ์ที่คล้ายกันในย่านประวัติศาสตร์ที่ต้องเผชิญกับการทำลายทรัพย์สิน การบุกรุกรถยนต์ การรบกวน และการ徘徊 ระบบของ Lumana ส่งมอบการตรวจสอบอย่างต่อเนื่องและแจ้งเตือนในทันที ซึ่งช่วยให้การรักษาความปลอดภัยในพื้นที่สาธารณะและลดการดำเนินการที่ไม่จำเป็นสำหรับเมือง

ตัวอย่างเหล่านี้แสดงให้เห็นว่าการตรวจจับพฤติกรรมในเวลาจริง เช่น การ徘徊และการละเมิดขอบเขต สามารถเพิ่มความปลอดภัยสาธารณะและปรับปรุงการดำเนินงาน

เมื่อระบบ AI ตีความพฤติกรรมทางกายภาพที่ละเอียดอ่อน คุณมีมาตรการรักษาความเป็นส่วนตัวใดที่ฝังอยู่ในกระบวนการออกแบบและใช้งาน?

เทคโนโลยีและออกแบบของ Lumana เน้นการกำกับดูแลที่เข้มแข็งและการเคลื่อนย้ายข้อมูลที่น้อยที่สุด การประมวลผลจะเกิดขึ้นที่จุดสิ้นสุดเมื่อใดก็ตามที่เป็นไปได้เพื่อจำกัดการเปิดเผยและเสริมสร้างความเป็นส่วนตัว การเข้าถึงถูกจำกัดผ่านการควบคุมที่ชัดเจนและบันทึกการตรวจสอบเพื่อให้ทีมสามารถติดตามกระบวนการทุกขั้นตอน ระบบจะเก็บวิดีโอท้องถิ่นและแบ่งปันเฉพาะเมตาดาต้าที่จำเป็น ซึ่งสนับสนุนความคาดหวังด้านความเป็นส่วนตัวในสภาพแวดล้อมที่มีการควบคุม

มาตรการเหล่านี้รับประกันว่าข้อมูลวิดีโอที่ละเอียดอ่อนจะถูกจัดการอย่างมีความรับผิดชอบ ในขณะที่ยังคงรักษาความสามารถในการทำงานในเวลาจริงที่จำเป็นสำหรับการดำเนินงาน

อะไรเป็นตัวขับเคลื่อนสถาปัตยกรรมไฮบริด-คลาวด์ของคุณ และมันสนับสนุนการประมวลผลในเวลาจริงและการเรียนรู้อย่างต่อเนื่องได้อย่างไร?

Lumana ใช้แนวทางไฮบริดเพื่อรวมประสิทธิภาพของระบบบนจุดสิ้นสุดกับความยืดหยุ่นของคลาวด์ การประมวลผลบนจุดสิ้นสุดส่งมอบ AI ในเวลาจริง การจัดการวิดีโอและการจัดเก็บข้อมูลในท้องถิ่นโดยค่าเริ่มต้น ซึ่งลดความต้องการแบนด์วิธและเสริมสร้างความเป็นส่วนตัว ในขณะเดียวกันก็ยังคงสนับสนุนคลาวด์เมื่อจำเป็นต้องประสานงานหรือเรียนรู้ข้ามการนำไปใช้งาน

สถาปัตยกรรมนี้ให้ผู้ใช้สามารถตอบสนองได้ทันที ในขณะเดียวกันก็ยังคงสามารถปรับขนาดและปรับปรุงได้จากการปรับตัวที่ต่อเนื่องกันข้ามไซต์

คุณออกแบบความสามารถในการเรียนรู้ด้วยตนเองได้อย่างไร และมันจะปรับปรุงไปเรื่อยๆ ในการนำไปใช้งานหลายไซต์?

สถาปัตยกรรมของความสามารถในการเรียนรู้ด้วยตนเองของเราถูกสร้างขึ้นโดยคำนึงถึงขนาด ยิ่งเรานำไปใช้งานหลายไซต์มากเท่าไหร่ มุมมองของเราก็จะกว้างขึ้นเท่านั้นในภูมิทัศน์ของอุปกรณ์ขอบแต่ละตัว สภาพแวดล้อมใหม่ๆ ที่เรานำไปใช้จะส่งผลให้มีการเรียนรู้ที่หลากหลายและฉากที่เราสามารถเรียนรู้ได้มากขึ้น

วิธีการเรียนรู้อย่างต่อเนื่องของเรานำข้อมูลเชิงลึกจากความรู้นี้มาใช้ เมื่อระบบของเราพัฒนาตนเองข้ามการนำไปใช้งาน การฝึกอบรมออนไลน์จะกลายเป็นเรื่องที่ง่ายขึ้นและมีประสิทธิภาพมากขึ้น ในแง่จริง การใช้งานที่กว้างขวางยิ่งทำให้การปรับตัวเร็วขึ้นและแม่นยำยิ่งขึ้น ซึ่งหมายความว่าระบบของเราจะดีขึ้นอย่างต่อเนื่องเมื่อเวลาผ่านไปทั่วทั้งไซต์

คุณเห็นผู้แข่งขันหรือผู้ร่วมงานหลักของคุณในพื้นที่นี้เป็นใคร และอะไรที่ทำให้ Lumana มีความโดดเด่น?

ความโดดเด่นที่แท้จริงของเรานั้นอยู่ที่คนของเรา เบื้องหลัง Lumana คือทีมวิศวกรและนวัตกรที่มีพรสวรรค์ เริ่มต้นจากกลุ่ม AI ของเรา ซึ่งได้รับการสนับสนุนจากผู้เชี่ยวชาญด้านคลาวด์ นักออกแบบ UX/UI และเสริมด้วยการสนับสนุนลูกค้าและการขาย ความคิดสร้างสรรค์ มืออาชีพ และความมุ่งมั่นของทีมของเราคือสิ่งที่ทำให้ Lumana แตกต่าง ไม่ว่าจะเป็นการแข่งขันหรือการทำงานร่วมกัน

Lumana เน้น “คิดใหญ่” “ลูกค้าเป็นอันดับแรก” “หนึ่งทีม” และ “พัฒนาทักษะของคุณ” คุณดำเนินการตัวคุณค่าเหล่านี้ในการสรรหาบุคลากร พัฒนาผลิตภัณฑ์ และชีวิตประจำวันอย่างไร?

เราคัดเลือกผู้สร้างนวัตกรรมที่คิดใหญ่ แก้ปัญหา ร่วมมือ และมุ่งมั่นที่จะเติบโต

ทีมผลิตภัณฑ์สร้าง AI ที่สามารถปรับขนาดได้พร้อมกับวิสัยทัศน์ที่มีความทะเยอทะยาน พัฒนาโดยคำนึงถึงความคิดเห็นของลูกค้า ส่งเสริมการทำงานร่วมกัน และมุ่งมั่นที่จะสร้างความเป็นเลิศ

การดำเนินงานประจำวันใช้วิธีการแบบยืดหยุ่นเพื่อเปิดให้ไอเดียที่กล้าได้กล้าเสีย จัดลำดับความสำคัญของความต้องการของลูกค้า สร้างความสามัคคีในทีม และสนับสนุนการเติบโตทางวิชาชีพ

แนวปฏิบัติเหล่านี้ขับเคลื่อนนวัตกรรม ความสำเร็จของลูกค้า และผลกระทบในด้านความปลอดภัยด้านวิดีโอ AI

เมื่อมองไปข้างหน้า 5 ปี คุณเห็นบทบาทของ Lumana วิวัฒนาการไปอย่างไรในระบบ AI ที่กว้างขึ้น และคุณหวังว่า Physical AI จะมีผลกระทบต่ออุตสาหกรรม เช่น ความปลอดภัย การผลิต หรือเมืองอัจฉริยะอย่างไร?

เมื่อมองไปข้างหน้า 5 ปี เราเห็นบทบาทของ Lumana วิวัฒนาการเป็นผู้ให้ความสามารถ Physical AI ที่ใช้ได้จริงข้ามอุตสาหกรรม ในขณะที่เรายังคงแก้ปัญหาเชิงลึกเกี่ยวกับกฎของฟิสิกส์ ซึ่งเป็นปริศนาทางวิทยาศาสตร์ที่ยังคงถูกถกเถียงกัน ความมุ่งมั่นของเราทุกวันนี้คือการสร้างคุณค่าให้กับลูกค้า โดยพัฒนาเครื่องมือที่ช่วยให้องค์กรต่างๆ สามารถตรวจสอบและตอบสนองต่อโลกได้ดีขึ้น ไม่ว่าจะเป็นการใช้งานใดๆ

เรามีการทำงานร่วมกันระยะยาวกับศูนย์แพทย์ และกำลังสำรวจการขยายไปสู่แพลตฟอร์มที่เคลื่อนไหว เช่น โรบอติกส์และการขนส่ง เมื่อเวลาผ่านไปและเราเติบโต เรายังตั้งใจที่จะลงทุนในการวิจัยขั้นพื้นฐานมากขึ้น: AI สามารถค้นพบรูปแบบที่ลึกซึ้งยิ่งขึ้นในธรรมชาติได้หรือไม่ หรือช่วยให้เราเข้าใจทฤษฎีใหม่ๆ เกี่ยวกับกฎของฟิสิกส์ได้หรือไม่? ความคิดเช่นมิติของเวลา สามารถถูกทำให้สว่างไสวโดยระบบการเรียนรู้หรือไม่?

ความตั้งใจของเราคือการสร้างผลกระทบต่อความปลอดภัย การผลิต และเมืองอัจฉริยะ ในขณะเดียวกันก็ยังคงมองเห็น地平线 ที่กว้างขึ้น โดยผลักดันขอบเขตของสิ่งที่ AI สามารถช่วยให้เราค้นพบได้

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Lumana เพื่อเรียนรู้เพิ่มเติม