Fredrik Nilsson, Başkan Yardımcısı, Amerika, Axis Communications – Röportaj Serisi

Fredrik Nilsson, Başkan Yardımcısı, Amerika, Axis Communications, şirketin Kuzey ve Güney Amerika’daki operasyonlarını denetliyor, ortaklar ve son kullanıcılar için ağ tabanlı güvenlik çözümleri geliştirmeye ve sunmaya odaklanan ekipleri yönetiyor. Uzun yıllardır Axis yöneticisi olan Nilsson, güvenlik endüstrisinin analog kapalı devre televizyondan IP tabanlı ağ videosuna geçişinde önemli bir rol oynadı. 2003’te Amerika sorumluluğunu üstlenmesinden bu yana, bölgesel geliri yaklaşık 20 milyon dolardan 1 milyar doların çok üzerine çıkarmaya yardımcı oldu ve Amerika’da 20’den fazla Axis Experience Center’ın genişlemesini destekledi. 1996’da Axis’e katıldı, daha önce İsveç’te Ürün Müdürü ve Bölüm Müdürü olarak görev yaptı ve ardından İş Geliştirme Direktörü olarak IP video’nun erken geliştirilmesi sırasında ortaklıkların kurulmasına yardımcı oldu. Kariyerinin başlarında ABB’de Ürün Müdürüydü ve şu anda Washington, D.C.’deki Swedish-American Chamber of Commerce ve MSAB yönetim kurullarında görev yapıyor.

Axis Communications, İsveç merkezli bir teknoloji şirketidir ve akıllı fiziksel güvenlik ile ağ çözümlerinde uzmanlaşmıştır; ağ kameraları, video gözetim sistemleri, erişim kontrolü, interkomlar, ağ ses sistemleri, radar ve analizler dahil. 1984’te kurulan ve merkezi Lund, İsveç’te bulunan Axis, 50’den fazla ülkede yaklaşık 5.000 kişiyi istihdam ediyor ve 2015’ten beri Canon Group’un bir parçası. Şirket, 1996’da kendisinin tanımladığı dünyanın ilk ağ kamerasını tanıttı ve o zamandan beri ağ videosundan daha geniş bir bağlı güvenlik teknolojileri portföyüne genişledi. Mevcut ürünleri, video, ses ve sensör verilerini güvenlik, emniyet, operasyonel verimlilik ve iş zekâsı için eyleme geçirilebilir içgörülere dönüştürmek amacıyla kenar tabanlı analizler ve yapay zekâ giderek daha fazla entegre ediyor.

Kariyeriniz ABB’de uzaktan izleme, ağ tabanlı depolama ve Nesnelerin İnterneti teknolojilerinin erken geliştirilmesi ve Axis Communications’ta analog gözetimden ağ videosuna geçişi kapsadı. Bu geçmişiniz, bugün AI destekli kameralara ve akıllı fiziksel altyapıya doğru gerçekleşen değişim hakkında düşünme şeklinizi nasıl etkiledi?

AI destekli kameralara doğru kaymayı, kariyerim boyunca içinde bulunduğum bir evrimin bir sonraki adımı olarak görüyorum – bağlı teknoloji ve IP bütünleşmesinden bugünün akıllı kenarına. Kariyerim boyunca ortak bir tema, müşterilerin bağlı teknolojinin onlara neler yapabileceğini anlamalarına yardımcı olmaktır. ABB benim için harika bir okuldu. Büyük bir küresel şirketti, bu yüzden dünyayı gezme fırsatı buldum, Kanada’da bir yıl geçirdim ve özellikle enerji hizmetleri gibi büyük kurumsal müşterilerle karmaşık projelerde çalıştım. Rolüm, yeni bir IP bağlantılı uzaktan izleme ve kontrol sistemi için ürün yöneticiliğiydi. Axis’te daha sonra yeni bir IP bağlantılı depolama cihazları kategorisi üzerinde çalıştım ve bağlı teknolojinin faydaları hakkında mesajı küresel olarak yaymaya yardımcı oldum. Ardından, IP bütünleşmesinin ilk günlerinde aynı prensipleri geliştirerek kurumsal müşterilerin ağ bağlantılı videonun değerini ve IP teknolojisinin yarattığı fırsatları anlamalarına yardımcı oldum. Bu yüzden, bugün AI destekli kameralara baktığımda, aynı evrimde bir adım daha görüyorum. Teknoloji giderek daha yetenekli hâle geliyor, ancak gerçek fırsat hâlâ cihazları bağlamak, faydalı veri üretmek ve müşterilerin bu veriyi daha iyi kullanmalarına yardımcı olmakla ilgili.

Hangi tür bilgisayar görüsü iş yükleri doğrudan bir kamerada çalıştırmak için en uygun, ve hangi uygulamalar hâlâ yerel bir veri merkezinde ya da bulutta işlenerek fayda sağlıyor?

Kamerada doğrudan çalıştırılması en uygun iş yükleri, gerçek zamanlı kararlar, düşük gecikme ve bant genişliğinin verimli kullanımı gerektirenlerdir. Örneğin, insanları veya nesneleri tespit edip sınıflandırmak, saymak, hareketi izlemek veya belirli olayları tanımlamak. Axis Object Analytics gibi teknolojilerle kameralar insanları, araçları, renkleri, hareket yönünü ve diğer özellikleri doğru bir şekilde tespit edebilir. Axis Custom Analytics aracılığıyla kamerayı çok özel nesneler veya senaryolar için de eğitebiliriz. Analitikler geliştikçe, bu zekânın daha fazlası kenarda gerçekleşebilir. Birçok kullanım senaryosunda, analitiği kamerada çalıştırıp yalnızca elde edilen veri ya da meta veriyi bir sunucuya ya da buluta göndermek ölçeklenebilirlik ve maliyet açısından önemlidir. Bulut ve sunucular hâlâ önemli bir rol oynar, özellikle merkezi yönetim, uzun vadeli depolama ve çok sayıda cihaz üzerindeki meta veriyi analiz etme gibi konularda. Bunu bir ya‑ya kararı olarak görmüyorum. Kenar ve bulut birbirini tamamlayabilir; her biri en uygun olduğu şeyi yapar.

Kenar cihazlarda AI dağıtımı, model doğruluğunu işlem gücü, bellek, enerji tüketimi ve ısı gibi sınırlamalarla dengelemeyi gerektirir. Özelleşmiş çiplerdeki ilerlemeler, bir kamera içinde gerçekte neler başarılabileceğini nasıl değiştiriyor?

Gerçekte bu durumu yönlendiren iki eğilim var. İlk olarak, kenar işlemcinin AI kapasitesi çok hızlı bir şekilde artıyor. ARTPEC-9, kendi içinde geliştirdiğimiz sistem‑çip, ARTPEC-8’in AI işleme kapasitesinin üç katına sahip ve bu sayede kamerada doğrudan karmaşık modelleri çalıştırmak için çok daha fazla alan sağlıyor. Gelecek nesiller bu yeteneği artırmaya devam edecek. İkinci olarak, modellerin boyutu ve etkinliği gelişiyor. Bu, geçen yıl içinde çok fazla ilerleme kaydettiğimiz alandır. Ar‑Ge ekibimiz modeli kenarda doğrudan çalıştırmayı artırmada harika bir iş çıkardı; bu sayede birçok senaryoda videoyu başka bir yere gönderip işlemek yerine sadece kameradan gelen veriyi kullanmanız yeterli oluyor. Bir yıl önce, ihtiyaçların yaklaşık %50’sinin kamerada karşılandığını söylemiştik. Bugün bu oran %90’a yaklaşıyor ve %95 ya da daha fazlasına ulaşmasını bekliyoruz. Gerçek atılım sadece daha güçlü çiplere sahip olmamız değil; daha yetkin donanımı daha verimli AI modelleriyle birleştirerek zekânın, verinin üretildiği yerde doğrudan gerçekleşmesini sağlıyoruz. Bu, gözetim sistemlerinin AI için sunuculara ve buluta olan bağımlılığını büyük ölçüde azaltıyor.

Kameralar giderek daha çok yalnızca güvenlik cihazı olarak değil, operasyonel sensörler olarak konumlandırılıyor. Perakende, ulaşım, sağlık hizmetleri, üretim veya lojistikte hangi uygulamalar şu anda en net iş değerini sağlıyor?

Üretim, değerin doğrudan operasyonla ilişkilendirilebildiği çok iyi bir örnek. Örneğin BMW Group, AI destekli kalite denetim sisteminin bir parçası olarak ağ kameralarını kullanıyor; bu sistem araçların gerçek zamanlı ayrıntılı görüntülerini yakalıyor ve kusurları tespit ediyor. Bu, bir kameranın sadece bir olayı kaydetmesinden çok farklı bir rol. Ayrıca video kullanımının operasyonel verimlilik ve iş zekâsı için giderek artığını görüyoruz. Ulaşım ve lojistikte kameralar, organizasyonların insanlar, araçlar ve malların bir tesiste nasıl hareket ettiğini anlamalarına yardımcı olabilir. Perakendede video, müşteri davranışları, alan kullanımı ve personel hakkında içgörüler sağlayabilir. Ortak tema, kameranın sadece gerçekleşeni kaydetmek yerine bir süreci iyileştirmek için kullanılabilecek bilgi üretmesidir.

Video ile ses analitiği, radar, erişim kontrol sistemleri ve çevresel sensörlerin birleştirilmesi, yalnızca görsel veriden elde edilemeyen içgörüler nasıl yaratır?

Ne kadar çok bağlamı bir araya getirebilirseniz, sistem o zaman ne olduğunu o kadar iyi anlayabilir. Farklı girdileri birleştirdiğinizde, sadece videodan elde edilmesi zor ve bazen imkânsız olan içgörüler elde edebilirsiniz. Örneğin, bir nesnenin nasıl göründüğünü onun nasıl hareket ettiğiniyle birleştirebilir veya aydınlatma ya da görüşün zor olduğu durumlarda termal ve görsel bilgileri birlikte kullanabilirsiniz. Radar, bir nesnenin hareketi ve hızı hakkında bilgi ekleyebilir, ses, sesleri tanımlayabilir veya çift yönlü iletişim sağlayabilir, çevresel sensörler ise çevrede neler olduğunu ek bağlam olarak sunabilir. Çoklu sensörler, sistemin ya da kullanıcının tespit ettiklerine olan güveni de artırabilir. Teknolojilerin birleştirilmesi, kritik altyapı gibi yaşamın önemli alanlarını korumak açısından son derece önemlidir.

Bu yönde zaten ilerliyoruz. Örneğin GSX’te, görsel, termal, radar, ses ve çevresel algılamayı birleştiren çözümler sunduk. Amaç, doğru verileri bir araya getirerek organizasyonların daha hızlı ve daha bilinçli kararlar almasını sağlamaktır. Bu, özellikle kritik altyapıyı koruma gibi uygulamalarda çok önemlidir; çünkü birden fazla bilgi kaynağı, neler olup bittiğine dair daha eksiksiz bir resim sunabilir.

Kenar işleme, iletilmesi veya depolanması gereken ham video miktarını azaltabilir, ancak AI özellikli kameralar hâlâ önemli gizlilik ve yönetişim soruları ortaya çıkarıyor. Gereğinden fazla kişisel veri toplamayarak faydalı sistemler tasarlarken organizasyonların hangi ilkelere uyması gerekir?

Başlangıç noktası, sistemin gerçekte neyi başarması gerektiğini sormak ve sadece bu amaç için gerekli bilgileri toplamaktır. Gizlilik ve şeffaflık da önemlidir. İnsanlar videonun neden kullanıldığını ve bilgilerinin nasıl işlendiğini anlamak isterler. Son araştırmamız, insanların video gözetimine daha fazla alıştığını gösteriyor, ancak bu kabulün otomatik olduğu söylenemez. AI özellikli gözetimle ilgili en büyük endişeler, yanlış pozitifler veya hatalı bilgiler ve verilerin potansiyel kötüye kullanımı ya da hatalı yönetimidir. Bu, organizasyonların ve teknoloji sağlayıcıların gizlilik ve güvenliği sistemlerin başından itibaren inşa etmeleri gerektiği anlamına gelir. Kenar işleme burada yardımcı olabilir; çünkü bilgiyi yerel olarak analiz edip yalnızca gerekli verileri gönderirsiniz, sürekli ham video ağda dolaşmak yerine.

Fiziksel altyapı yıllarca kullanılabilirken, AI modelleri ve siber güvenlik tehditleri hızla evrimleşiyor. Kameralar ve diğer kenar cihazları, analizlerinin operasyon ömürleri boyunca güvenli, sürdürülebilir ve uyarlanabilir olmasını sağlamak için nasıl tasarlanmalı?

Bu, kamerayı bağımsız bir güvenlik cihazı yerine daha geniş BT ve operasyonel altyapının bir parçası olarak görmemin nedenlerinden biridir. Siber güvenlik, cihazın başından itibaren güvenli yazılım, düzenli güncellemeler ve yaşam döngüsü boyunca güçlü siber güvenlik korumalarıyla cihazın içine yerleştirilmelidir. Örneğin Axis’te Edge Vault, cihaz bütünlüğünü korumak, kriptografik anahtarları güvence altına almak ve bir güven zinciri oluşturmak için donanım temelli bir temel sağlar. Ayrıca güvenli önyükleme ve imzalı yazılım gibi yetenekleri destekleyerek yalnızca güvenilir yazılımın cihazda çalışmasını sağlar.

Cihazın ayrıca analizler ve müşteri gereksinimleri değiştikçe uyum sağlayabilen bir mimariye ihtiyacı vardır. Açık platformlar burada önemlidir çünkü organizasyonların yeni uygulamaları ve teknolojileri bütünleştirmesine olanak tanır; böylece her bir şey evrimleştiğinde tüm sistemi yeniden değiştirmek zorunda kalmazlar. Aynı zamanda, organizasyonların bağlı cihazlarıyla ilgili iyi bir yönetişime ihtiyaçları vardır. Daha fazla video, sensör ve kurumsal sistem bir araya geldikçe, siber güvenlik ve veri koruma, sistem tasarımının genel bir parçası olarak ele alınmalı, sonradan eklenen bir şey olarak görülmemelidir.

Axis, üçüncü taraf geliştiricilerin cihazları üzerinde özelleştirilmiş analizler oluşturup dağıtmalarına olanak tanıyan açık bir uygulama ekosistemini destekler. Organizasyonların büyük kamera filoları üzerinde kendi modellerini çalıştırmaya çalıştıkça açık platformlar ve birlikte çalışabilirlik ne kadar önemli olacak?

Bence bu son derece önemli olacak. Müşteriler, özellikle AI ve analizler bu kadar hızlı evrimleşirken, tek bir teknolojiye veya tek bir çalışma şekline kilitlenmek istemezler. Açık bir platform, kameraların diğer sistemlerle entegrasyonunu, özelleştirilmiş uygulamaların getirilmesini ve büyük bir dağıtımda ölçeklendirilmesini kolaylaştırır. Ayrıca, müşterilere ihtiyaçları değiştikçe daha fazla esneklik sağlar. Satıcı bağımlılığını ortadan kaldırarak ve entegrasyonu basitleştirerek, açık ve birlikte çalışabilir ekosistemler, değişen iş taleplerine uyum sağlarken akıllı kenar çözümlerini ölçeklendirmeyi kolaylaştırır. Sonuçta, değer sadece kamerada değildir. Kamera, sensörler, analizler ve kurumsal uygulamaların birlikte nasıl çalıştığında yatar.

Organizasyonlar, aydınlatma, kamera konumlandırması, insan davranışı veya işletme koşulları değişebildiği ve doğruluğu potansiyel olarak etkileyebileceği durumlarda, bilgisayarlı görme sistemlerinin dağıtım sonrası performansını nasıl değerlendirmelidir?

Her şey kullanım durumuna bağlıdır, ancak en önemli nokta kameraları ve AI modellerini gerçekten kullanılacakları gerçek ortamda test etmektir. Kontrollü bir ortamda çok iyi performans gösteren bir modeliniz olabilir, ancak gerçek test, sahada gördüğünüz gerçek aydınlatma, kamera konumu, hava durumu, arka plan ve davranışların ne olduğudur. Bu yüzden müşterileri Axis Object Analytics veya Axis Custom Analytics gibi analizleri gerçek ortamda değerlendirmeye teşvik ediyoruz ve doğruluğun uygulama için yeterince yüksek olduğundan emin olmalarını istiyoruz. BMW fabrikası bu yaklaşımın iyi bir örneğidir. Kameralar, görüntü kalitesinin ve ortaya çıkan analizlerin gerçek bir üretim sürecini desteklemesi gereken gerçek bir üretim ortamında kullanılmaktadır.

Kenar AI daha yetenekli hale geldikçe, ağ kamerasının rolünün önümüzdeki on yıl içinde nasıl evrimleşmesini bekliyorsunuz ve kameralar akıllı, duyarlı ortamların aktif bileşenleri haline geldikçe hangi yeni yetenekler ortaya çıkabilir?

Ağ kamerası sistemde çok daha merkezi bir konuma geliyor. Artık sadece video üreten bir kamera değil, analiz edilebilen ve farklı sistemler arasında paylaşılabilen veri üreten bir sensör. İşlem gücü artmaya devam ettikçe, kameraların ortamlarında neler olduğuna dair daha iyi bir anlayışa sahip olacağını ve gerçek zamanlı olarak faydalı bilgiler sunacağını düşünüyorum. Bu, sahne zekâsının (Scene Intelligence) temelidir; kamera, sahneyi daha derin bir şekilde anlayarak nesneler, özellikleri ve çevresinde neler olduğuna dair daha anlamlı bilgiler sağlayabilir.

Bu, daha gelişmiş nesne ve davranış tespiti, diğer sensörler ve kurumsal sistemlerle daha büyük entegrasyon ve organizasyonların olaylara yanıt verme şekline dair daha fazla otomasyon anlamına gelebilir. Daha büyük dönüşüm, videonun daha geniş bir veri ve zekâ katmanının bir parçası haline gelmesidir. Kamera hâlâ neler olduğunu kaydeder, ancak giderek daha fazla, neler olduğunu açıklamaya ve bir organizasyonun bir sonraki adımda ne yapmak isteyebileceğine yardımcı olabilir.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Axis Communications adresini ziyaret etmelidir.