إيدجيفي تجمع 9 ملايين دولار لتحديث بنية تحتية الحوافز الاصطناعية لبيع التجزئة المادي

لندن، إيدجيفي، التي تتخذ من لندن مقراً لها، جمعت 9 ملايين دولار في جولة تمويل سلسلة أ+ لتحديث منصة الحوافز الاصطناعية الحوافزية، مما رفع إجمالي تمويل الشركة إلى 25 مليون دولار.

دعمت الجولة رانك فينتشرز ومانجروف كابيتال بارتنرز. تخطط إيدجيفي لاستخدام رأس المال لتسريع الت_deployments عبر بيع التجزئة المادي وتطوير منصتها إلى طبقة بنية تحتية أوسع لإدارة نماذج الذكاء الاصطناعي عبر الأجهزة الموزعة.

وجدت الشركة في البداية زخماً في بيع التجزئة الغذائية، حيث يمكن استخدام رؤية الكمبيوتر لتعرف المنتجات، وتحديد العناصر غير الممسوحة، وكشف تبديل الباركود، وتقليل الخسائر في نقاط بيع التجزئة الذاتية. لكن الطموح الأكبر وراء التمويل هو تقديم طبقة مشتركة للذكاء الاصطناعي تربط الأجهزة مثل الكاميرات والمنصات والمنصات والطابعات وأجهزة نقاط بيع التجزئة.

بدلاً من إرسال البيانات الخام باستمرار إلى البنية التحتية المركزية للسحابة، صممت إيدجيفي لتشغيل وتحديث وإدارة نماذج الذكاء الاصطناعي مباشرة على أجهزة الحوافز.

تحويل الأجهزة الموجودة في المتجر إلى شبكة ذكاء اصطناعي

يعمل بائعو التجزئة الماديون بشكل متزايد على شبكات كبيرة من الأجهزة الذكية أو شبه الذكية، ولكن هذه الأنظمة غالبًا ما يتم نشرها بشكل مستقل.

تحاول إيدجيفي ربط هذه الأجهزة في بيئة تعلم الآلة المنسقة.

يمكن أن تدمج برامجها مع أنظمة نقاط بيع التجزئة وأجهزة بيع التجزئة الذاتية الحالية من خلال واجهات برمجة التطبيقات، في حين يمكن تشغيل نماذج رؤية الكمبيوتر على الأجهزة بما في ذلك الكاميرات وأجهزة المسح الضوئي والمنصات القياسية. تقول الشركة إن نماذجها يمكنها أيضًا الاستمرار في التعلم من البيانات التي تم إنشاؤها خلال العمليات العادية للمتجر بدلاً من الاعتماد بالكامل على إعادة التدريب المركزية الدورية.

هذه الهيئة معنية بشكل خاص برؤية الكمبيوتر لأن بيانات الفيديو والصور يمكن أن تكون مكلفة للغاية لنقلها ومعالجتها باستمرار في السحابة. يمكن لمعالجة المعلومات أقرب إلى nơi إنشائها تقليل متطلبات الشبكة كما يسمح اتخاذ القرارات بفترة زمنية أقل.

تقول إيدجيفي إن البيانات الخام للعملاء يمكن أن تبقى داخل نطاق بائع التجزئة، وهو نهج قد يجعل معالجة الحوافز جذابة في البيئات التي تجعل جمع البيانات المركزية مشكلة بسبب متطلبات الخصوصية أو إقامة البيانات.

تُدرج الشركة حاليًا 2042 متجرًا و9437 جهازًا موصولًا وأكثر من 400 مليون عينة عبر منصتها. هذه الأرقام تقارير ذاتية من قبل إيدجيفي.

الوقاية من الخسائر توفر الحالة الأولى الرئيسية

توفر الوقاية من الخسائر في بيع التجزئة لإيدجيفي نقطة بداية مباشرة لأن رؤية الكمبيوتر يمكن ربطها مباشرةً بأحداث محددة تحدث في نقاط بيع التجزئة.

في أجهزة بيع التجزئة الذاتية، يمكن للمنصة تحديد الانحرافات بين العنصر والباركود الممسوح، وتحديد المنتجات الموضوعة في منطقة التغليف دون مسحها، وتحذير الموظفين أو تشغيل تدخل آلي.

يمكن أن تعرف نماذج التعرف على المنتجات أيضًا المنتجات الطازجة وغيرها من العناصر بدون باركود تقليدي. تقول إيدجيفي إن هذه التكنولوجيا يمكنها العمل مباشرةً داخل البنية التحتية الحالية لأجهزة المسح والمنصات بدلاً من مطالبة بائع التجزئة باستبدال أجهزته في نقاط بيع التجزئة.

يمكن أيضًا توسيع نفس البنية التحتية لروية الكمبيوتر إلى ما وراء منع السرقة. تُدرج إيدجيفي بالفعل إدارة النفايات كتطبيق آخر، باستخدام الكاميرات لتحديد المنتجات الملقاة وتحسين سجلات المخزون.

سيدعم التمويل الجديد توسيع هذه البنية التحتية لمدى الحياة للنموذج، بما في ذلك كيفية تدريب النماذج ونشرها ومراقبتها وتحديثها عبر أجهزة بيع التجزئة.

التعلم الفيدرالي يعالج مشكلة أرقى في حوافز الذكاء الاصطناعي

من بين الجوانب الفنية الأكثر إثارة للاهتمام في نهج إيدجيفي هو عملها حول التعلم الفيدرالي، حيث تساهم الأجهزة المتعددة في تحسين نماذج التعلم الآلي دون الحاجة إلى جمع مجموعات البيانات الأساسية بشكل مركزي.

تزداد المشكلة تعقيدًا في البيئات المادية لأن البيانات التي تم إنشاؤها بواسطة أجهزة مختلفة نادرًا ما تكون متطابقة. قد تواجه كاميرا داخل سوبر ماركت منتجات وضوء ومتسوقين وتصميمات وسلوكيات مختلفة عن كاميرا تعمل بعدة مئات من الأميال.

استكشفت أبحاث إيدجيفي هذه المشكلة من التعلم الفيدرالي على البيانات غير المستقلة والموزعة بشكل متطابق (غير IID)، حيث يمكن أن تبدأ النماذج المحلية في التحرك في اتجاهات مختلفة. اقترحت باحثوها طريقة مصممة لتشجيع تلك النماذج المحلية على تحقيق أقصى حد مشترك دون إضافة مخاطر خصوصية إضافية أو زيادة متطلبات الاتصالات بشكل كبير.

في المصطلحات العملية، يمكن أن يسمح هذا النوع من بنية التدريب الموزعة لشبكة من أجهزة الحوافز بتحسينها بشكل جماعي دون الحاجة إلى تحميل كل صورة أو معاملة إلى مجموعة بيانات تدريبية مركزية enorme.

قد يصبح ذلك أكثر أهمية مع انتقال الذكاء الاصطناعي إلى ما وراء مراكز البيانات وبدء تشغيله عبر الكاميرات وأجهزة الاستشعار الصناعية والمركبات والrobots والآلات والمعدات المادية الأخرى.

من الذكاء الاصطناعي للتجزئة إلى البنية التحتية المادية للذكاء الاصطناعي

ترى إيدجيفي في النهاية التجزئة كمدخل وليس حدًا لتقنياتها.

تستهدف الشركة بيئات إضافية بما في ذلك المطاعم السريعة ومراكز التوزيع وبيع الملابس واللوجستيات والتصنيع والنقل وعمليات المستودعات.

تشارك هذه القطاعات العديد من نفس القيود الفنية. إنها تولد كميات كبيرة من البيانات المحلية، وغالبًا ما تعتمد على الأجهزة الحالية التي لا يمكن استبدالها بسهولة، وتتطلب أنظمة ذكاء اصطناعي قادرة على الاستجابة في الوقت الفعلي حتى عندما تكون الاتصال بالسحابة محدود أو مكلف.

هنا تصبح الآثار طويلة الأمد لمنصة إيدجيفي أكثر أهمية.

مركز الكثير من ازدهار البنية التحتية للذكاء الاصطناعي حول الحوسبة المركزية، مع نماذج أقوى وأقوى تعمل داخل مراكز البيانات الهائلة. يخلق الذكاء الاصطناعي المادي مشكلة بنية تحتية مختلفة. قد تحتاج كاميرا مستودع أو مسح نقاط بيع التجزئة أو مستشعر مصنع أو آلة ذاتية الحarp إلى اتخاذ قرارات على الفور، وبدوام، وبدون إرسال تدفق البيانات الكامل إلى مكان آخر أولاً.

تمثل عمارة إيدجيفي الحوافزية نهجًا واحدًا لحل هذه المشكلة: توزيع تنفيذ الذكاء الاصطناعي عبر الأجهزة التي تعمل بالفعل في العالم المادي، مع الحفاظ على طبقة إدارة قادرة على تنسيق النماذج عبر الشبكة.

تُصفر الشركة هدفها الأوسع هو جعل الذكاء الاصطناعي عمليًا في كل مكان يتم فيه اتخاذ قرارات العالم الحقيقي، بدلاً من أن يعتمد على الاتصال الدائم بالبنية التحتية المركزية.

قد تكون المعركة القادمة للذكاء الاصطناعي في الحوافز

يُعد جولة التمويل البالغة 9 ملايين دولار معتدلة نسبيًا بالمقارنة مع رأس المال الهائل الذي يتدفق إلى مطورو نماذج الذكاء الاصطناعي وبنية تحتية مركز البيانات، لكن إيدجيفي تعمل في جزء مختلف من المكدس.

随着 انتشار رؤية الكمبيوتر ونماذج الذكاء الاصطناعي المتطورة بشكل متزايد في متاجر التجزئة والمصانع والمستودعات وشبكات النقل وغيرها من البيئات المادية، سيتطلب الأمر طرقًا لنشر هذه النماذج ومaintenanceها عبر أجهزة متعددة ومختلفة.

هذا يخلق تحديًا جديدًا لعمليات الذكاء الاصطناعي: لا مجرد تدريب نموذج، ولكن تحديد مكان حدوث الاستدلال، و哪里 تبقى بيانات التدريب، وكيف تتعلم النماذج من البيئات الموزعة، وكيف يتم تنسيق التحديثات عبر أساطيل كاملة من الآلات.

تُمنح التجزئة إيدجيفي بيئة صعبة لحل هذه المشاكل. إذا كان يمكن للبنية التحتية الأساسية تعميمها إلى ما وراء نقاط بيع التجزئة ومنع الخسائر، يمكن أن تكون الفرصة الأكبر هي تقديم جزء من بنية التحتية اللازمة لتنسيق الذكاء الاصطناعي مع انتقالها من السحابة إلى العالم المادي.