De Amerikaanse startup Umbo CV heeft 2,8 miljard dollar opgehaald om hun camera’s nog slimmer te maken. Deze beveiligingscamera’s maken gebruik van kunstmatige intelligentie om te voorspellen of iemand iets crimineels gaat doen.
De startup begon in 2014, en verscheept haar systeem naar de Verenigde Staten, Dubai en Europa. Aankomende maand beginnen ze met de massaproductie van hun camera’s. Maar waar de meeste beveiligingscamera’s alleen maar (criminele) activiteiten vastleggen, zijn die van Umbo CV in staat om dit te voorspellen.
In totaal heeft het bedrijf zeven jaar gewerkt aan deze technologie. Mede-oprichter en CEO Shawn Guan vertelt aan TechCrunch dat Umbo CV is opgericht omdat hij zich op iets anders wilde focussen dan het maken van high-definition video’s, die door diverse bedrijven gebruikt worden als hun belangrijkste feature.
“Dat helpt gebruikers niet bij het oplossen van problemen in de beveiligingsindustrie, omdat het je alleen een video van goede kwaliteit kan geven als de gebeurtenis al geweest is. Dat zorgt er niet voor dat mensen niet gewond raken”, vertelt Guan. “Mensen kunnen nog steeds wegkomen met criminaliteit, dus moeten we een manier vinden om dit op te lossen.”
Kunstmatige intelligentie
Het bedrijf wil zich onderscheiden van de concurrentie door algoritmes te maken die afbeeldingen van verschillende camera’s combineren, en daarbij zoeken naar afwijkingen. Denk bijvoorbeeld aan een auto die tegen het verkeer in rijdt.
Volgens Guan is dit effectiever dan de modellen die sommige concurrenten gebruiken. Hun systemen scannen voor situaties waarin iemand bijvoorbeeld een object vasthoudt dat een wapen zou kunnen zijn. Maar dit zou ook een portemonnee of een ander ongevaarlijk voorwerp kunnen zijn.
Door naar afwijkingen te zoeken, hoeft Umbo CV’s systeem niet per se te weten wat voor soort gebeurtenis het is. Het weet dat het niet normaal is en kan de situatie uitwijzen aan bijvoorbeeld agenten of beveiligers.
Umbo CV is niet de enige die zich in deze markt beweegt. Ook Huawei en Seagate werken aan vergelijkbare systemen, maar maken gebruik van geometrische algortimes, die volgens Guan dus minder goed werken.