Edgify hæver 9 millioner dollars til udvidelse af edge AI-infrastruktur til fysisk detailhandel

London-baserede Edgify har hævet 9 millioner dollars i serie A+-finansiering til at udvide sin edge kunstig intelligens-platform, hvilket bringer virksomhedens samlede finansiering til 25 millioner dollars.

Runden blev støttet af Rank Ventures og Mangrove Capital Partners. Edgify planlægger at bruge kapitalen til at accelerere udrulninger på tværs af fysisk detailhandel, samtidig med at udvikle sin platform til en bredere infrastruktur-lag til at styre AI-modeller på tværs af distribuerede enheder.

Virksomheden har initialt fundet træffende i dagligvare-detailhandel, hvor computer vision kan bruges til at genkende produkter, identificere uskannede varer, opdage barcode-ombytning og reducere tab ved selvbetjening. Men den større ambition bag finansieringen er at levere en fælles AI-lag, der forbinder enheder som kameraer, vægte, scannere, selvbetjeningsterminaler og point-of-sale-systemer.

I stedet for at sende rådata kontinuerligt til centraliseret cloud-infrastruktur er Edgify designed til at køre, opdatere og styre AI-modeller direkte på edge-enheder.

Ombygning af eksisterende butikshardware til et AI-netværk

Fysisk detailhandel opererer stadig mere med store netværk af intelligente eller semi-intelligente enheder, men disse systemer er ofte udrullet uafhængigt.

Edgify forsøger at forbinde denne hardware til et koordineret maskinlærings-miljø.

Deres software kan integrere med eksisterende point-of-sale-systemer og selvbetjening-maskiner via API’er, mens computer vision-modeller kan køre på hardware, herunder standard USB-kameraer, scannere og vægte. Virksomheden siger, at deres modeller også kan fortsætte med at lære fra data, der genereres under normal butiksdrift, snarere end at afhænge fuldstændigt af periodisk centraliseret genoptræning.

Denne arkitektur er særlig relevant for computer vision, da video- og billeddata kan være dyre at transmittere og behandle i skyen. Behandling af information tættere på, hvor den genereres, kan reducere netværkskravene, samtidig med at det tillader beslutninger at blive truffet med lavere latency.

Edgify siger, at rå kunde-data kan forblive inden for detailhandlens perimeter, en tilgang, der også kan gøre edge-behandling attraktiv i miljøer, hvor privatlivs- eller data-residenskrav gør centraliseret dataindsamling problematisk.

Virksomheden har i øjeblikket 2.042 butikker, 9.437 tilsluttede enheder og over 400 millioner eksempler på tværs af sin platform. Disse tal er selvrapporteret af Edgify.

Tabs på tab forebyggelse giver den første store anvendelsesmulighed

Detailhandelens tabsforebyggelse giver Edgify en relativt ligetil start, da computer vision kan kobles direkte til bestemte begivenheder, der finder sted ved selvbetjening.

Ved selvbetjeningsterminaler kan platformen identificere afvigelser mellem en vare og den barcode, der scannes, opdage produkter, der placeres i bagageområdet uden at blive scannet, og alarmere medarbejdere eller udløse en automatiseret indgriben.

Deres produktgenkendelsesmodeller kan også identificere frisk frugt og andre varer uden traditionelle barcodes. Edgify siger, at denne teknologi kan fungere direkte inden for eksisterende scanner- og vægtsinfrastruktur, snarere end at kræve, at detailhandlende erstatter deres selvbetjening-hardware.

Den samme computer vision-infrastruktur kan udvides ud over tabsforebyggelse. Edgify har allerede nævnt affaldshåndtering som en anden anvendelse, hvor kameraer bruges til at identificere bortskaffede produkter og forbedre lageroptegnelser.

Den nye finansiering vil støtte yderligere udvidelse af denne model-livscyklus-infrastruktur, herunder, hvordan modeller trænes, udrulles, overvåges og opdateres på tværs af flåder af detailhandelsenheder.

Federeret læring løser et hårdere edge AI-problem

En af de mere teknisk interessante aspekter af Edgify’s tilgang er deres arbejde med federeret læring, hvor multiple enheder bidrager til at forbedre maskinlæringsmodeller uden at kræve, at deres underliggende datasæt centraliseres.

Problemet bliver mere kompliceret i fysiske miljøer, da data, der genereres af forskellige enheder, sjældent er identiske. Et kamera inden i en supermarked kan møde forskellige produkter, lysforhold, kunder, layout og adfærd end et kamera, der opererer hundredvis af miles væk.

Edgify’s forskning har udforsket dette problem med federeret læring på ikke-uafhængige og ikke-identisk distribuerede (non-IID) data, hvor lokalt trænede modeller kan begynde at bevæge sig i forskellige retninger. Deres forskere har foreslået en metode, der er designet til at opmuntre disse lokale modeller til at bevæge sig mod en fælles optimum uden at tilføje yderligere privatlivsrisici eller væsentligt øge kommunikationskravene.

I praktiske termer kunne denne type distribueret træningsarkitektur tillade et netværk af edge-enheder at kollektivt forbedre uden at kræve, at hver enkelt billed- eller transaktion skal uploades til en enorm centraliseret træningsdatasæt.

Dette kunne blive stadig mere vigtigt, da AI bevæger sig ud over datacentre og begynder at operere på tværs af kameraer, industrielle sensorer, køretøjer, robotter, maskiner og andre fysiske infrastrukturer.

Fra detailhandels-AI til fysisk AI-infrastruktur

Edgify ser i sidste ende detailhandel som en indgangsportal snarere end grænsen for sin teknologi.

Virksomheden sigter mod yderligere miljøer, herunder hurtigservice-restauranter, distributionscentre, beklædningsdetailhandel, logistik, fremstilling, transport og lageroperationer.

Disse sektorer deler mange af de samme tekniske begrænsninger. De genererer betydelige mængder lokal data, ofte afhænger af eksisterende hardware, der ikke let kan erstattes, og kræver AI-systemer, der kan reagere i realtid, selv når cloud-forbindelse er begrænset eller dyrt.

Dette er, hvor de længerevarende implikationer af Edgify’s platform bliver mere betydelige.

Meget af den nuværende AI-infrastruktur-boom har centreret sig omkring centraliseret beregning, med stadig mere kraftfulde modeller, der kører inden for hyperskale-datacentre. Fysisk AI skaber et andet infrastruktur-problem. En lager-kamera, selvbetjening-scanner, fabriks-sensor eller autonom maskine kan kræve at træffe beslutninger øjeblikkeligt, kontinuerligt og potentielt uden at sende hele deres datastrøm et andet sted først.

Edgify’s edge-først-arkitektur repræsenterer en tilgang til at løse dette problem: distribuere AI-eksekvering på tværs af enhederne, der allerede opererer i den fysiske verden, samtidig med at man opretholder en styre-lag, der kan koordinere modeller på tværs af netværket.

Virksomheden beskriver sin bredere målsætning som at gøre AI praktisk, hvorsomhelst reelle beslutninger genereres, snarere end at kræve, at disse beslutninger afhænger af konstant kommunikation med centraliseret infrastruktur.

Næste slagmark for AI kan være på kanten

De 9 millioner dollars i finansiering er relativt beskedne sammenlignet med den enorme kapital, der flyder ind i AI-model-udviklere og datacenter-infrastruktur, men Edgify opererer i en anden del af stacken.

Da computer vision og stadig mere avancerede AI-modeller spreder sig ind i detailhandelsbutikker, fabrikker, lager, transportnetværk og andre fysiske miljøer, vil organisationer kræve måder at udrulle og vedligeholde disse modeller på tværs af potentiale tusinder eller millioner af heterogene enheder.

Dette skaber en ny maskinlærings-operations-udfordring: ikke blot at træne en model, men at beslutte, hvor inferens sker, hvor træningsdata forbliver, hvordan modeller lærer af distribuerede miljøer og hvordan opdateringer koordineres på tværs af hele flåder af maskiner.

Retail giver Edgify et krævende miljø, hvor disse problemer kan løses. Hvis den underliggende platform kan generalisere ud over selvbetjening og tabsforebyggelse, kan den større mulighed være at levere en del af den orkestrerings-infrastruktur, der kræves, da AI bevæger sig ud af skyen og dybere ind i den fysiske verden.