Edgify Získala 9 Milionů USD na Rozšíření Infrastruktury Edge AI pro Fyzický Maloobchod

Londýnská společnost Edgify získala 9 milionů dolarů v rámci série A+ financování, aby rozšířila svou platformu edge umělé inteligence, a tím zvýšila celkové financování na 25 milionů dolarů.

Financování bylo podporováno Rank Ventures a Mangrove Capital Partners. Edgify plánuje využít kapitál k urychlení nasazení v fyzickém maloobchodu a rozvoji své platformy do širší infrastruktury pro správu modelů umělé inteligence napříč distribuovanými zařízeními.

Společnost našla počáteční úspěch v maloobchodě s potravinami, kde počítačové vidění lze použít k rozpoznání produktů, identifikaci neskenujících položek, detekci výměny čárových kódů a snížení ztrát na samoobslužných pokladnách. Ale větší ambice za financováním spočívají v poskytnutí společné vrstvy umělé inteligence propojující zařízení, jako jsou kamery, váhy, skenery, samoobslužné pokladny a systémy prodeje.

Namísto toho, aby neustále posílala surová data do centralizované cloudové infrastruktury, Edgify je navržena tak, aby běžela, aktualizovala a spravovala modely umělé inteligence přímo na zařízeních edge.

Převod Stávajícího Hardwaru Obchodu na Síť Umělé Inteligence

Fyzické maloobchody stále více operují velké sítě inteligentních nebo polo-inteligentních zařízení, ale tyto systémy jsou často nasazeny nezávisle.

Edgify se snaží propojit tento hardware do koordinovaného prostředí strojového učení.

<p Jejich software může integrovat stávající systémy prodeje a samoobslužné pokladny prostřednictvím API, zatímco modely počítačového vidění mohou běžet na hardwaru, včetně standardních USB kamer, skenerů a vah. Společnost uvádí, že její modely mohou také pokračovat v učení z dat generovaných během normálních operací obchodů, místo aby závisely výhradně na periodickém centralizovaném přeškolování.

Tato architektura je zvláště relevantní pro počítačové vidění, protože video a obrazová data mohou být drahá na stálé přenos a zpracování v cloudu. Zpracování informací blíže k místu, kde jsou generovány, může snížit požadavky na síť a také umožnit rozhodování s nižší latencí.

Edgify uvádí, že surová zákaznická data mohou zůstat uvnitř perimetru maloobchodu, což může učinit edge zpracování atraktivním i v prostředích, kde požadavky na ochranu soukromí nebo rezidentnost dat činí centralizovanou sběr dat problematickou.

Společnost v současné době uvádí 2 042 obchodů, 9 437 propojených zařízení a více než 400 milionů vzorků napříč svou platformou. Tyto údaje jsou self-reportované Edgify.

Prevence Ztrát Poskytuje První Hlavní Případ Užití

Prevence ztrát v maloobchodě dává Edgify relativně přímý výchozí bod, protože počítačové vidění lze přímo vázat na konkrétní události na pokladně.

Na samoobslužných pokladnách může platforma identifikovat rozdíly mezi položkou a čtečkou čárového kódu, detekovat produkty umístěné do oblasti balení bez skenování a upozornit zaměstnance nebo spustit automatizované zásahy.

<p Jejich modely rozpoznávání produktů mohou také identifikovat čerstvé produkty a další položky bez tradičních čárových kódů. Edgify uvádí, že tato technologie může fungovat přímo v rámci stávající infrastruktury skenerů a vah, místo aby vyžadovala, aby maloobchodníci nahradili svou hardwarovou pokladnu.

Stejná infrastruktura počítačového vidění může být rozšířena za hranice prevence krádeží. Edgify již uvádí správu odpadů jako další aplikaci, využívající kamery k identifikaci vyhozených produktů a zlepšení inventárních záznamů.

Nové financování bude podporovat další rozšíření této infrastruktury modelů, včetně toho, jak jsou modely školeny, nasazeny, monitorovány a aktualizovány napříč flotilami maloobchodních zařízení.

Federated Learning Řeší Těžší Problém Edge AI

Jedním z technicky zajímavějších aspektů přístupu Edgify je její práce kolem federated learning, kde více zařízení přispívá k zlepšení modelů strojového učení bez požadavku na centralizované seskupení jejich podkladových dat.

Problém se stává složitějším ve fyzických prostředích, protože data generovaná různými zařízeními jsou zřídka identická. Kamera uvnitř jednoho supermarketu může narazit na různé produkty, světelné podmínky, zákazníky, rozložení a chování než kamera fungující stovky mil daleko.

Výzkum Edgify prozkoumal problém federated learningu na nezávislých a identicky distribuovaných datech, kde místně školené modely mohou začít směřovat jiným směrem. Jejich výzkumníci navrhli metodu, která má tyto místní modely směřovat k sdílenému optimu bez přidání dalších rizik ochrany soukromí nebo významného zvýšení komunikačních požadavků.

V praktických termínech by tato distribuovaná architektura školení mohla umožnit síti zařízení edge kolektivně zlepšovat bez požadavku nahrát každou obraz nebo transakci do jednoho obrovského centralizovaného tréninkového datasetu.

To by mohlo být stále důležitější, jakmile se umělá inteligence přesune za hranice datových center a začne fungovat napříč kamerami, průmyslovými senzory, vozidly, roboty, stroji a další fyzickou infrastrukturou.

Z Maloobchodní AI na Fyzickou Infrastrukturu AI

Edgify nakonec vidí maloobchod jako vstupní bod, nikoli jako limit své technologie.

Společnost cílí na další prostředí, včetně rychlého občerstvení, distribučních center, maloobchodů s oděvy, logistiky, výroby, dopravy a skladování.

Tyto sektory sdílejí mnoho stejných technických omezení. Generují významná množství lokálních dat, často spoléhají na stávající hardware, který nelze snadno nahradit, a vyžadují systémy umělé inteligence, které mohou reagovat v reálném čase, i když je cloudová konektivita omezená nebo drahá.

To je místo, kde se dlouhodobé důsledky platformy Edgify stávají významnějšími.

Velká část současné vlny infrastruktury umělé inteligence se soustředila na centralizované výpočty, s stále výkonnějšími modely běžími uvnitř hyperscale datových center. Fyzická umělá inteligence vytváří jiný infrastrukturní problém. Kamera ve skladu, skener na pokladně, senzor ve fabrice nebo autonomní stroj může potřebovat učinit rozhodnutí okamžitě, neustále a potenciálně bez odeslání celého toku dat někam jinam.

Architektura Edgify, zaměřená na edge, představuje jeden přístup k řešení tohoto problému: distribuovat výkon umělé inteligence napříč zařízeními, která již fungují ve fyzickém světě, a současně udržovat vrstvu správy, která může koordinovat modely napříč sítí.

Společnost popisuje své širší cíle jako učinit umělou inteligenci praktickou, kdekoli jsou generována rozhodnutí reálného světa, místo aby závisela na stálé komunikaci s centralizovanou infrastrukturou.

Další Bojiště pro AI Může Být na Edge

Financování ve výši 9 milionů dolarů je relativně skromné ve srovnání s enormním kapitálem tekoucím do vývojářů modelů umělé inteligence a infrastruktury datových center, ale Edgify funguje v jiné části zásobníku.

Jakmile se počítačové vidění a stále sofistikovanější modely umělé inteligence rozšíří do maloobchodních obchodů, továren, skladů, dopravních sítí a dalších fyzických prostředí, organizace budou potřebovat způsoby, jak nasadit a udržovat tyto modely napříč potenciálně tisíci nebo miliony heterogenních zařízení.

To vytváří novou výzvu pro operace strojového učení: ne jen trénování modelu, ale rozhodnutí, kde dochází k inferenci, kde zůstanou tréninková data, jak modely učí z distribuovaných prostředí a jak jsou aktualizace koordinovány napříč celou flotilou strojů.

Retail dává Edgify náročné prostředí, ve kterém řešit tyto problémy. Pokud podkladová platforma může generalizovat za hranice samoobslužných pokladen a prevence ztrát, větší příležitost by mohla spočívat v poskytnutí části orchestrace infrastruktury požadované, jakmile se umělá inteligence přesune z cloudu a hlouběji do fyzického světa.