Edgify Raises 9 Millionen Dollar, um Edge-AI-Infrastruktur für den physischen Einzelhandel auszubauen

Das in London ansässige Unternehmen Edgify hat 9 Millionen Dollar in einer Series-A+-Finanzierungsrunde aufgenommen, um seine Edge-KI-Plattform auszubauen und damit die Gesamtförderung auf 25 Millionen Dollar zu bringen.

Die Runde wurde von Rank Ventures und Mangrove Capital Partners unterstützt. Edgify plant, das Kapital zu nutzen, um die Bereitstellung seiner Plattform im physischen Einzelhandel zu beschleunigen und seine Plattform zu einer umfassenderen Infrastrukturschicht für die Verwaltung von KI-Modellen auf verteilten Geräten auszubauen.

Das Unternehmen hat zunächst Erfolge im Lebensmitteleinzelhandel erzielt, wo Computer-Vision verwendet werden kann, um Produkte zu erkennen, ungeschwärzte Artikel zu identifizieren, Barcode-Wechsel zu erkennen und Verluste an Selbstbedienungskassen zu reduzieren. Doch die größere Ambition hinter der Finanzierung ist es, eine gemeinsame KI-Schicht bereitzustellen, die Geräte wie Kameras, Waagen, Scanner, Selbstbedienungskassen und Kassensysteme verbindet.

Edgify ist so konzipiert, dass es KI-Modelle direkt auf Edge-Geräten ausführen, aktualisieren und verwalten kann, anstatt ständig rohe Daten an eine zentrale Cloud-Infrastruktur zu senden.

Bestehende Ladenhardware in ein KI-Netzwerk umwandeln

Physische Einzelhändler betreiben zunehmend große Netzwerke intelligenter oder semi-intelligenter Geräte, aber diese Systeme werden oft unabhängig voneinander eingesetzt.

Edgify versucht, diese Hardware in eine koordinierte maschinelle Lernumgebung zu integrieren.

Ihre Software kann über APIs mit bestehenden Kassensystemen und Selbstbedienungskassen integriert werden, während Computer-Vision-Modelle auf Hardware wie Standard-USB-Kameras, Scannern und Waagen ausgeführt werden können. Das Unternehmen sagt, dass seine Modelle auch weiterhin aus Daten lernen können, die während des normalen Ladenbetriebs generiert werden, anstatt sich ausschließlich auf periodische zentrale Neuschulung zu verlassen.

Diese Architektur ist insbesondere für Computer-Vision relevant, da Video- und Bilddaten teuer zu übertragen und in der Cloud zu verarbeiten sein können. Die Verarbeitung von Informationen näher am Ort ihrer Entstehung kann die Netzwerkanforderungen reduzieren und auch Entscheidungen mit geringerer Latenz ermöglichen.

Edgify sagt, dass rohe Kundendaten innerhalb des Einzelhandelsbereichs des Händlers bleiben können, ein Ansatz, der auch die Edge-Verarbeitung in Umgebungen attraktiv macht, in denen Datenschutz- oder Datenresidenzanforderungen eine zentrale Datenerfassung problematisch machen.

Das Unternehmen listet derzeit 2.042 Geschäfte, 9.437 verbundene Geräte und über 400 Millionen Proben auf seiner Plattform auf. Diese Zahlen werden von Edgify selbst gemeldet.

Verlustprävention bietet den ersten großen Anwendungsfall

Die Verlustprävention im Einzelhandel bietet Edgify einen relativ einfachen Ausgangspunkt, da Computer-Vision direkt mit bestimmten Ereignissen am Kassenplatz verknüpft werden kann.

Bei Selbstbedienungskassen kann die Plattform Ungereimtheiten zwischen einem Artikel und dem gescannten Barcode erkennen, Produkte identifizieren, die in den Beutelbereich gelegt werden, ohne gescannt zu werden, und Mitarbeiter alarmieren oder eine automatisierte Intervention auslösen.

Ihre Produkt-Erkennungsmodelle können auch frische Produkte und andere Artikel ohne herkömmliche Barcodes identifizieren. Edgify sagt, dass diese Technologie direkt innerhalb der bestehenden Scanner- und Waagen-Infrastruktur funktionieren kann, ohne dass der Einzelhändler seine Kassenhardware ersetzen muss.

Dieselbe Computer-Vision-Infrastruktur kann auch über die Diebstahlsprävention hinaus eingesetzt werden. Edgify listet bereits Abfallmanagement als eine weitere Anwendung, bei der Kameras verwendet werden, um weggeworfene Produkte zu identifizieren und Lageraufzeichnungen zu verbessern.

Die neue Finanzierung wird die weitere Expansion dieser Modell-Lebenszyklus-Infrastruktur unterstützen, einschließlich der Frage, wie Modelle trainiert, bereitgestellt, überwacht und aktualisiert werden, um Flotten von Einzelhandelsgeräten zu verwalten.

Federated Learning löst ein schwierigeres Edge-AI-Problem

Einer der technisch interessanteren Aspekte von Edgifys Ansatz ist seine Arbeit an Federated Learning, bei dem mehrere Geräte zur Verbesserung von maschinellen Lernmodellen beitragen, ohne dass die zugrunde liegenden Datensätze zentral gepoolt werden müssen.

Das Problem wird in physischen Umgebungen komplizierter, da die von verschiedenen Geräten generierten Daten selten identisch sind. Eine Kamera in einem Supermarkt kann mit anderen Produkten, Lichtverhältnissen, Kunden, Layouts und Verhaltensweisen konfrontiert werden als eine Kamera, die hunderte von Meilen entfernt betrieben wird.

Edgifys Forschung hat sich mit diesem Problem des Federated Learning auf nicht-unabhängigen und nicht-identisch verteilten (non-IID) Daten befasst, bei dem lokale Modelle in unterschiedliche Richtungen trainiert werden können. Ihre Forscher haben eine Methode vorgeschlagen, die darauf abzielt, diese lokalen Modelle in Richtung eines gemeinsamen Optimums zu lenken, ohne zusätzliche Datenschutzrisiken hinzuzufügen oder die Kommunikationsanforderungen erheblich zu erhöhen.

In praktischer Hinsicht könnte diese Art von verteiltem Trainingsarchitektur es einem Netzwerk von Edge-Geräten ermöglichen, sich kollektiv zu verbessern, ohne dass jedes Bild oder jede Transaktion in einen enormen zentralen Trainingsdatensatz hochgeladen werden muss.

Dies könnte zunehmend wichtig werden, wenn KI über Rechenzentren hinausgeht und in Kameras, industrielle Sensoren, Fahrzeuge, Roboter, Maschinen und andere physische Infrastrukturen vordringt.

Von Retail-AI zu physischer AI-Infrastruktur

Edgify sieht den Einzelhandel letztendlich als Einstiegspunkt und nicht als Grenze seiner Technologie.

Das Unternehmen zielt auf zusätzliche Umgebungen ab, darunter Schnellrestaurants, Verteilungszentren, Bekleidungseinzelhandel, Logistik, Fertigung, Transport und Lagerverwaltung.

Diese Branchen teilen viele der gleichen technischen Einschränkungen. Sie generieren große Mengen an lokalen Daten, verlassen sich oft auf bestehende Hardware, die nicht leicht ersetzt werden kann, und erfordern KI-Systeme, die in Echtzeit reagieren können, auch wenn die Cloud-Verbindung begrenzt oder teuer ist.

Dies ist der Punkt, an dem die langfristigen Auswirkungen von Edgifys Plattform bedeutender werden.

Ein großer Teil des aktuellen KI-Infrastruktur-Booms hat sich auf zentrale Rechenzentren konzentriert, mit zunehmend leistungsfähigeren Modellen, die innerhalb von Hyperscale-Rechenzentren ausgeführt werden. Die physische KI schafft ein anderes Infrastrukturproblem. Eine Lagerkamera, eine Selbstbedienungskasse, ein Fabriksensor oder eine autonome Maschine kann Entscheidungen treffen müssen, ohne dass ihre gesamten Datenströme an einen anderen Ort gesendet werden müssen.

Edgifys Edge-erstes Design stellt einen Ansatz zur Lösung dieses Problems dar: die Ausführung von KI auf den Geräten, die bereits in der physischen Welt betrieben werden, während eine Verwaltungsebene aufrechterhalten wird, die in der Lage ist, Modelle über das Netzwerk zu koordinieren.

Das Unternehmen beschreibt sein umfassenderes Ziel als die Möglichkeit, KI überall dort zu machen, wo realweltliche Entscheidungen getroffen werden, anstatt diese Entscheidungen von ständiger Kommunikation mit zentraler Infrastruktur abhängig zu machen.

Der nächste Schlachtfeld für KI könnte am Edge liegen

Die 9-Millionen-Dollar-Runde ist im Vergleich zu den enormen Kapitalströmen in KI-Modellentwickler und Rechenzentrumsinfrastruktur relativ bescheiden, aber Edgify operiert in einem anderen Teil des Stacks.

Wenn Computer-Vision und zunehmend fortschrittliche KI-Modelle in den Einzelhandel, Fabriken, Lager, Transportnetze und andere physische Umgebungen vordringen, werden Organisationen Wege benötigen, um diese Modelle auf potenziell Tausende oder Millionen heterogener Geräte bereitzustellen und zu verwalten.

Dies schafft eine neue maschinelle Lernoperations-Herausforderung: nicht nur ein Modell zu trainieren, sondern zu entscheiden, wo die Inferenz stattfindet, wo Trainingsdaten bleiben, wie Modelle aus verteilten Umgebungen lernen und wie Updates über ganze Maschinenflotten koordiniert werden.

Der Einzelhandel bietet Edgify eine anspruchsvolle Umgebung, um diese Probleme zu lösen. Wenn die zugrunde liegende Plattform über den Kassenplatz und die Verlustprävention hinaus generalisieren kann, könnte die größere Chance darin bestehen, Teil der Orchestrierungsinfrastruktur bereitzustellen, die erforderlich ist, wenn KI aus der Cloud und tiefer in die physische Welt vordringt.