Фредрік Нільсон, віце-президент, Америка, Axis Communications – серія інтерв’ю

Fredrik Nilsson, віце-президент, Америка, Axis Communications, керує операціями компанії у Північній та Південній Америці, очолюючи команди, орієнтовані на розробку та постачання мережевих рішень безпеки для партнерів і кінцевих користувачів. Довготривалий керівник Axis, Нільсон відіграв значну роль у переході індустрії безпеки від аналогового замкненого телебачення до IP‑мережевого відео. З моменту взяття на себе відповідальності за Америку у 2003 році він допоміг збільшити регіональний дохід приблизно з $20 мільйонів до понад $1 мільярд і підтримав розширення понад 20 центрів Axis Experience у Америці. Він приєднався до Axis у 1996 році, раніше працював менеджером продукту та керівником підрозділу у Швеції, а згодом директором з розвитку бізнесу, де допомагав встановлювати партнерства під час раннього розвитку IP‑відео. На початку кар’єри він був менеджером продукту в ABB, і зараз входить до ради директорів MSAB та Шведсько‑американської торгової палати у Вашингтоні, округ Колумбія.

Axis Communications — технологічна компанія зі Швеції, що спеціалізується на інтелектуальній фізичній безпеці та мережевих рішеннях, включаючи мережеві камери, системи відеоспостереження, контроль доступу, домофони, мережеве аудіо, радар та аналітику. Заснована у 1984 році, штаб‑квартира компанії розташована в Лунді, Швеція; Axis має приблизно 5 000 співробітників у понад 50 країнах і з 2015 року входить до групи Canon. Компанія представила те, що називає першою у світі мережевою камерою у 1996 році, і з того часу розширила свою пропозицію від мережевого відео до ширшого портфоліо підключених технологій безпеки. Сучасні продукти все більше включають аналітику на краю мережі та штучний інтелект, перетворюючи відео, аудіо та дані сенсорів у практичні інсайти для безпеки, охорони, операційної ефективності та бізнес‑інтелекту.

Ваша кар’єра охоплювала віддалений моніторинг у ABB, ранню розробку мережевих сховищ даних та технологій Інтернету речей, а також перехід від аналогового спостереження до мережевого відео в Axis Communications. Як цей досвід сформував ваш погляд на сьогоднішній перехід до камер з ШІ та інтелектуальної фізичної інфраструктури?

Я розглядаю перехід до камер з ШІ як наступний крок у еволюції, в якій я брав участь протягом усього свого професійного шляху — від підключених технологій та конвергенції IP до сьогоднішнього інтелектуального краю. Спільною ниткою моєї кар’єри є допомога клієнтам у розумінні того, що підключені технології можуть для них зробити. ABB була для мене чудовою школою. Це була велика глобальна компанія, тому я мав можливість подорожувати світом, зокрема провівши рік у Канаді, і працювати з великими корпоративними клієнтами, особливо енергетичними компаніями, над складними проєктами. Я був менеджером продукту нового IP‑підключеного системи віддаленого моніторингу та управління. У Axis я пізніше працював над новою категорією IP‑підключених пристроїв зберігання даних і допомагав поширювати по всьому світу повідомлення про переваги підключених технологій. Потім, у ранні дні конвергенції IP, я будував на тих же принципах, допомагаючи корпоративним клієнтам зрозуміти цінність мережевого відео та можливості, які створює IP‑технологія. Тож, коли я дивлюсь на камери з ШІ сьогодні, я бачу ще один крок у цій еволюції. Технологія стає все більш потужною, але справжня можливість все ще полягає у підключенні пристроїв, генерації корисних даних та допомозі клієнтам робити з ними більше.

Які типи навантажень комп’ютерного зору найкраще підходять для виконання безпосередньо на камері, а які застосування все ще виграють від обробки в локальному дата‑центрі або в хмарі?

Навантаження, які найкраще підходять для виконання безпосередньо на камері, — це ті, що вимагають прийняття рішень у режимі реального часу, низької затримки та ефективного використання пропускної здатності. Наприклад, виявлення та класифікація людей або об’єктів, підрахунок, відстеження руху або ідентифікація конкретних подій. За допомогою технологій, таких як Axis Object Analytics, камери можуть точно виявляти людей, транспортні засоби, кольори, напрямок руху та інші характеристики. Ми також можемо навчити камеру розпізнавати дуже специфічні об’єкти або сценарії за допомогою Axis Custom Analytics. У міру вдосконалення аналітики все більше інтелекту може виконуватись на краю. Для багатьох випадків використання важливо виконувати аналітику на камері та надсилати лише отримані дані або метадані на сервер або в хмару, що сприяє масштабованості та зниженню витрат. Хмара та сервери залишаються важливими, зокрема для централізованого управління, довготривалого зберігання та аналізу метаданих серед великої кількості пристроїв. Я не розглядаю це як вибір «або‑або». Край і хмара можуть доповнювати один одного, кожен виконуючи те, у чому він найкраще підходить.

Розгортання ШІ на краю мережі вимагає балансування точності моделі з обмеженнями в обчислювальній потужності, пам’яті, енергоспоживанні та тепловиділенні. Яким чином прогрес у спеціалізованих чіпах змінює те, що реально можна досягти в межах камери?

Насправді існує два тренди, які це визначають. По‑перше, потужність ШІ процесора на краю швидко зростає. ARTPEC-9, наш власний розроблений системний чип, має втричі більшу потужність ШІ, ніж ARTPEC-8, що дає нам значно більше простору для запуску складних моделей безпосередньо в камері. Майбутні покоління продовжуватимуть збільшувати цю можливість. По‑друге, розмір і ефективність моделей покращуються. Саме тут ми спостерігали великий прогрес за минулий рік. Наша команда R&D виконала чудову роботу, забезпечивши більшу частину моделі для виконання безпосередньо на краю, тому в багатьох сценаріях достатньо використовувати дані з камери, а не надсилати відео кудись ще для обробки. Рік тому ми говорили про приблизно 50 % потреб, які обробляються в камері. Сьогодні це ближче до 90 %, і ми очікуємо, що це досягне 95 % і більше. Справжній прорив полягає не лише в тому, що у нас потужніші чипи. Це поєднання більш здатного апаратного забезпечення з більш ефективними моделями ШІ, що дозволяє все більше інтелекту виконувати безпосередньо там, де генеруються дані. Це робить системи відеоспостереження значно менш залежними від серверів і хмари для ШІ.

Камери все частіше розглядаються як операційні датчики, а не лише як засоби безпеки. Які застосування в роздрібній торгівлі, транспорті, охороні здоров’я, виробництві чи логістиці наразі приносять найбільшу бізнес‑цінність?

Виробництво – дуже хороший приклад, оскільки цінність можна прив’язати безпосередньо до процесу. BMW Group, наприклад, використовує мережеві камери як частину своєї системи контролю якості, керованої ШІ, щоб у режимі реального часу захоплювати детальні зображення транспортних засобів і виявляти дефекти. Це зовсім інша роль камери, ніж просте записування інциденту. Ми також спостерігаємо зростаюче використання відео для підвищення операційної ефективності та бізнес‑інтелекту в цілому. У транспорті та логістиці камери можуть допомогти організаціям зрозуміти, як люди, транспортні засоби та вантажі переміщуються по об’єкту. У роздрібній торгівлі відео може надати уявлення про поведінку клієнтів, використання простору та розклад персоналу. Спільна тема полягає в тому, що камера генерує інформацію, яку можна використати для покращення процесу, а не лише записує те, що сталося.

Як поєднання відео з аудіо‑аналітикою, радаром, системами контролю доступу та датчиками навколишнього середовища створює інсайти, які неможливі лише з візуальних даних?

Чим більше контексту ви зможете об’єднати, тим краще система розуміє, що відбувається. Коли ви комбінуете різні входи, можна отримати інсайти, які було б важко, а іноді й неможливо, отримати лише з відео. Наприклад, можна поєднати вигляд об’єкта з його рухом або використати теплову та візуальну інформацію разом, коли освітлення чи видимість ускладнені. Радар може додати дані про рух та швидкість об’єкта, аудіо може ідентифікувати звуки або забезпечити двостороннє спілкування, а датчики навколишнього середовища можуть надати додатковий контекст про те, що відбувається у оточуючому середовищі. Кілька датчиків також можуть підвищити впевненість у тому, що система або користувач виявляє. Поєднання технологій надзвичайно важливе для захисту ключових сфер життя, таких як критична інфраструктура.

Ми вже рухаємося в цьому напрямку. У GSX, наприклад, ми впровадили рішення, які поєднують візуальне, теплове, радарне, аудіо‑ та датчики навколишнього середовища. Мета – зібрати правильні дані, щоб організації могли приймати швидші, більш обґрунтовані рішення. Це особливо важливо для застосувань, таких як захист критичної інфраструктури, де наявність кількох джерел інформації може надати більш повну картину того, що відбувається.

Обробка на краю може зменшити обсяг необробленого відео, яке потрібно передавати або зберігати, проте камери з ШІ все ще піднімають важливі питання конфіденційності та управління. Які принципи мають дотримуватись організації при розробці систем, які є корисними, не збираючи зайві персональні дані?

Відправною точкою має бути питання, що саме система повинна виконати, і збирати лише ту інформацію, яка необхідна для цієї мети. Конфіденційність і прозорість також важливі. Люди хочуть розуміти, чому використовується відео і як обробляються їхні дані. Наші останні дослідження показують, що люди стають більш комфортними з відеоспостереженням, проте це прийняття не можна вважати даним. Найбільші занепокоєння щодо систем спостереження з ШІ – це хибнопозитивні або неточні дані та потенційне зловживання чи неправильне поводження з даними. Це накладає реальну відповідальність на організації та постачальників технологій будувати конфіденційність і безпеку в системах з самого початку. Обробка на краю може допомогти, оскільки ви можете аналізувати інформацію локально і передавати лише необхідні дані, а не постійно переміщати необроблене відео по мережі.

Фізична інфраструктура може залишатися в експлуатації протягом багатьох років, тоді як моделі ШІ та загрози кібербезпеки швидко еволюціонують. Як слід розробляти камери та інші пристрої на краю, щоб їхня аналітика залишалась безпечною, підтримуваною та адаптивною протягом усього терміну експлуатації?

Ось одна з причин, чому я розглядаю камеру як частину ширшої ІТ‑ та операційної інфраструктури, а не як окремий пристрій безпеки. Кібербезпеку потрібно вбудовувати в пристрій з самого початку, використовуючи захищене програмне забезпечення, регулярні оновлення та сильні засоби кіберзахисту протягом усього його життєвого циклу. У Axis, наприклад, Edge Vault забезпечує апаратну основу для захисту цілісності пристрою, безпеки криптографічних ключів та створення ланцюжка довіри. Він також підтримує такі можливості, як захищене завантаження та підписане програмне забезпечення, допомагаючи гарантувати, що на пристрої працює лише довірене ПЗ.

Пристрій також потребує архітектури, яка може адаптуватися до змін у аналітиці та вимогах клієнтів. Відкриті платформи важливі тут, оскільки вони дозволяють організаціям інтегрувати нові додатки та технології, а не замінювати всю систему щоразу, коли щось змінюється. Водночас організаціям потрібне належне управління підключеними пристроями. Оскільки все більше відео, датчиків і корпоративних систем об’єднуються, кібербезпеку та захист даних слід розглядати як частину загального дизайну системи, а не як щось, що додається пізніше.

Axis підтримує відкриту екосистему застосунків, яка дозволяє стороннім розробникам створювати та розгортати спеціалізовану аналітику на його пристроях. Наскільки важливими будуть відкриті платформи та взаємодія, коли організації прагнуть запускати власні моделі на великих парках камер?

Я вважаю, що це буде надзвичайно важливо. Клієнти не хочуть бути прив’язаними до однієї технології чи одного способу роботи, особливо коли ШІ та аналітика розвиваються так швидко. Відкрита платформа спрощує інтеграцію камер з іншими системами, впровадження спеціалізованих додатків і масштабування великого розгортання. Вона також надає клієнтам більшу гнучкість у міру зміни їхніх потреб. Усунувши прив’язку до постачальника та спростивши інтеграцію, відкриті, сумісні екосистеми полегшують масштабування інтелектуальних рішень на краю мережі, адаптуючись до змінних бізнес‑вимог. Зрештою, цінність полягає не лише у самій камері. Вона полягає у тому, як камера, датчики, аналітика та корпоративні застосунки працюють разом.

Як організації мають оцінювати продуктивність систем комп’ютерного зору після розгортання, особливо коли освітлення, розташування камери, поведінка людей або умови експлуатації можуть змінюватися та потенційно впливати на точність?

Все залежить від випадку використання, але найважливіше — тестувати камери та моделі ШІ у реальному середовищі, де їх фактично будуть застосовувати. Модель може добре працювати в контрольованих умовах, проте справжнє випробування — це те, що відбувається при реальному освітленні, розташуванні камери, погоді, фоні та поведінці, які спостерігаються на об’єкті. Тому ми закликаємо клієнтів оцінювати аналітику, таку як Axis Object Analytics або Axis Custom Analytics, у реальному середовищі та переконатися, що точність достатньо висока для застосування. Завод BMW є хорошим прикладом такого підходу. Камери використовуються у реальному виробничому середовищі, де якість зображень та отримана аналітика мають підтримувати фактичний виробничий процес.

У міру того, як edge‑AI стає потужнішою, як ви очікуєте, що роль мережевої камери зміниться протягом наступного десятиліття, і які нові можливості можуть з’явитися, коли камери стануть активними компонентами інтелектуальних, реактивних середовищ?

Мережева камера стає значно більш центральною частиною системи. Вона вже не лише камера, що генерує відео. Це датчик, який створює дані, що можуть аналізуватися та передаватися між різними системами. Оскільки обчислювальна потужність продовжує зростати, я очікую, що камери стануть ще кращими у розумінні того, що відбувається в їхньому оточенні, і надаватимуть корисну інформацію в режимі реального часу. Це ідея Scene Intelligence, коли камера може використати глибше розуміння сцени, щоб надати більш змістовну інформацію про об’єкти, їхні характеристики та те, що відбувається навколо них.

Це може означати більш просунуте виявлення об’єктів і поведінки, ширшу інтеграцію з іншими датчиками та корпоративними системами, а також більшу автоматизацію процесу реагування організацій на події. Головна зміна полягає в тому, що відео стає лише частиною ширшого шару даних та інтелекту. Камера й надалі фіксує події, але все більше вона може допомагати пояснювати, що відбувається, і що організація може захотіти зробити далі.

Дякуємо за чудове інтерв’ю, читачі, які хочуть дізнатися більше, повинні відвідати Axis Communications.