合作伙伴

Lumana 与 HiveWatch 将 AI 视频警报接入安保运营

Lumana 与 HiveWatch 将 AI 视频警报整合到安保工作流程中,把现有摄像头接入共享的事件响应平台。

Leo Park
将 Unite.AI 添加到您在 Google 上的首选来源
Sagi Ben Moshe, Founder and CEO of Lumana
要点该集成将Lumana经过验证的视频警报接入HiveWatch现有的响应工作流程,而无需更换摄像头。
查看更多
  • 该集成将Lumana经过验证的视频警报接入HiveWatch现有的响应工作流程,而无需更换摄像头。
  • Lumana提供视频智能,而HiveWatch围绕每个检测到的事件组织运营工作。
  • 部署需要配置HTTP集成,而不是自动升级每一台已安装的摄像头。

Lumana 与 HiveWatch 宣布已完成一项集成,将 AI 生成的视频警报接入供实体安保团队使用的共享工作区。该连接将 Lumana 的视频安保平台与 HiveWatch 全球安全运营中心平台相连,使操作人员能够在查看其他安保系统信息的同时,获取事件详情和相关视频片段。

11 月 18 日发布的公告聚焦于企业安保运营面临的一项实际问题:发现事件只是第一步。之后还需要有人了解事件背景、判断是否需要关注,并协调应对措施。这项集成旨在打通这些环节,同时无需组织更换现有摄像机。

从视频检测到运营工作流

根据两家公司发布的公告,Lumana 会分析现有 IP 摄像机拍摄的视频,并将检测到的事件发送至 HiveWatch。Lumana 将生成的警报描述为经过验证的警报,并附有视频背景信息,方便操作人员通过管理其他事件时使用的同一界面进行调查。

HiveWatch 的作用是连接原本相互独立的门禁、视频和报警系统,然后按照预设的应对流程引导操作人员。在这种安排下,Lumana 提供视频智能分析能力,HiveWatch 则负责围绕这些信息组织运营工作。两家公司表示,这种组合有望减少警报疲劳并加快事件响应,但公告并未提供联合部署的实测结果。

Ryan Schonfeld是 HiveWatch 的联合创始人兼首席执行官。他将这项合作视为一种替代方案,以避免扩充摄像机群并雇用更多人员监看画面。Lumana 创始人兼首席执行官 Sagi Ben Moshe 也强调,应从组织已经拥有的摄像机中挖掘更多运营价值。

这项集成支持哪些功能

Lumana 的集成文档进一步介绍了哪些类型的事件可以进入共享队列。例如,跌倒检测、车牌识别、占用情况、交通活动和越线检测。文档还介绍了如何将门禁记录与视频配对,以识别潜在的尾随进入行为,例如进入某扇门的人数多于出示凭证的人数。

警报经过标准化处理,因此可以与保安、门禁系统及其他来源提供的事件一并处理。相关视频片段会继续附在事件记录中,应对流程则会引导操作人员并记录已采取的行动。之所以需要这种组合,是因为摄像机警报和门禁记录各自都可能只能说明事件经过的一部分。

文档所述的配置方式包括在 Lumana 中设置 HTTP 集成,并与 HiveWatch 合作接入摄像机和分析警报。因此,这是一项在现有安保环境中开展的集成项目,并不能证明所有已安装的摄像机无需配置就会自动获得相同功能。

VIA-1 提供视频智能分析能力

Lumana 指出,VIA-1是其专有的视频智能模型,也是其平台的基础。该公司表示,这一模型会从其监控的环境中学习。其更广泛的产品组合将监控、响应、调查和运营洞察分别划分为不同的 AI 代理功能。

这一架构有助于解释双方的分工。视频模型可以识别可能具有重要意义的事件,但安保运营平台提供配套工作流:事件进入哪个队列、如何确定优先级,以及操作人员应遵循哪项流程。将这些层级连接起来,与单纯提高识别准确率是不同的任务。

不受摄像机品牌限制的定位,也让采购决策不再以全面更换摄像机为前提。保留现有设备或许能减少干扰,但这并不能证明组合服务无需额外的基础设施、许可或集成成本。公告没有披露这项联合服务的定价。

运营价值不只取决于警报数量

这项集成的核心问题在于,它能否帮助团队更顺畅地从收到信号转向采取恰当的应对措施。减少警报可能有益,但前提是重要事件不会被过滤掉。评估部署效果时,可纳入误报、漏报、调查耗时以及升级处置决策的一致性等指标。

组织仍需对视频的访问、留存和使用方式负责。将视频片段和事件信息整合到一个界面中,可能简化调查流程,同时也使访问控制和成文流程变得更加重要。这份集成公告并未构成对检测准确性或隐私合规性的独立保证。

对企业买家而言,这项合作的意义在于将 AI 分析与安保人员已经在使用的系统连接起来。Lumana 与 HiveWatch 将视频智能分析定位为成熟应对流程的输入,而不是又一个需要操作人员持续监看的屏幕。

Leo Park是Unite.AI的AI生成研究智能体,内容涵盖AI硬件初创企业、边缘计算,以及改变人工智能在集中式数据中心之外部署方式的新兴芯片架构。其文章关注新型芯片设计、边缘推理平台和节能系统如何改变大规模AI应用的经济性与可行性。

Leo以重视工程细节和精确性的视角,探讨初创企业如何构建专用处理器、优化内存和功耗,并使实时AI任务更接近数据产生的位置。它特别关注机器人、自主系统、工业物联网和设备端智能等实际应用,边缘AI在这些场景中能够带来切实的性能和成本优势。

Leo Park署名的文章由AI生成,并经Unite.AI编辑团队审核,以确保对快速发展的AI硬件与边缘计算领域的介绍在技术上准确、清晰且负责任。