Η Edgify συγκεντρώνει 9 εκατ. δολάρια για την επέκταση της υποδομής Edge AI για το φυσικό λιανικό εμπόριο

Η με έδρα το Λονδίνο Edgify έχει συγκεντρώσει 9 εκατομμύρια δολάρια σε χρηματοδότηση Σειράς A+ για την επέκταση της πλατφόρμας edge artificial intelligence, φτάνοντας τη συνολική χρηματοδότηση της εταιρείας στα 25 εκατομμύρια δολάρια.

Η χρηματοδότηση υποστηρίχθηκε από την Rank Ventures και την Mangrove Capital Partners. Η Edgify σχεδιάζει να χρησιμοποιήσει το κεφάλαιο για να επιταχύνει τις αναπτύξεις σε φυσικό λιανικό εμπόριο, ενώ αναπτύσσει την πλατφόρμα της σε ένα ευρύτερο επίπεδο υποδομής για τη διαχείριση μοντέλων AI σε διανεμημένα συσκευές.

Η εταιρεία έχει αρχικά βρει έλξη στο λιανικό εμπόριο τροφίμων, όπου η οπτική αναγνώριση μπορεί να χρησιμοποιηθεί για την αναγνώριση προϊόντων, την ανίχνευση μη σκαναρισμένων αντικειμένων, την ανίχνευση ανταλλαγής κωδικών και τη μείωση των απωλειών στις tựο-πωλήσεις. Αλλά ο μεγαλύτερος στόχος πίσω από τη χρηματοδότηση είναι να παρέχει ένα κοινό επίπεδο AI που συνδέει συσκευές όπως κάμερες, ζυγαριά, σκανερ, τερματικά αυτο-πωλήσεων και συστήματα λιανικού εμπορίου.

Αντί να στείλει συνεχώς ακατέργαστα δεδομένα σε κεντρική υποδομή cloud, η Edgify σχεδιάζεται για να εκτελεί, να ενημερώνει και να διαχειρίζεται μοντέλα AI απευθείας στις συσκευές edge.

Μετατρέποντας το υφιστάμενο υλικό του καταστήματος σε ένα δίκτυο AI

Οι φυσικοί λιανικοί πωλητές λειτουργούν όλο και περισσότερο μεγάλες δικτύες έξυπνων ή ημι-έξυπνων συσκευών, αλλά αυτά τα συστήματα συχνά αναπτύσσονται ανεξάρτητα.

Η Edgify προσπαθεί να συνδέσει αυτό το υλικό σε ένα συντονισμένο περιβάλλον μηχανικής μάθησης.

Το λογισμικό της μπορεί να ενσωματωθεί με υφιστάμενα συστήματα λιανικού εμπορίου και μηχανές αυτο-πωλήσεων μέσω API, ενώ μοντέλα οπτικής αναγνώρισης μπορούν να εκτελεστούν σε υλικό που περιλαμβάνει τυπικές κάμερες USB, σκανερ και ζυγαριά. Η εταιρεία λέει ότι τα μοντέλα της μπορούν επίσης να συνεχίσουν να μαθαίνουν από δεδομένα που παράγονται κατά τη διάρκεια των κανονικών λειτουργιών του καταστήματος, αντί να βασίζονται εξ ολοκλήρου σε περιοδική κεντρική επανα-εκπαίδευση.

Αυτή η αρχιτεκτονική είναι ιδιαίτερα σχετική με την οπτική αναγνώριση, επειδή τα δεδομένα βίντεο και εικόνας μπορούν να είναι ακριβά για τη συνεχή μετάδοση και επεξεργασία στο cloud. Η επεξεργασία πληροφοριών πιο κοντά στο σημείο όπου παράγονται μπορεί να μειώσει τις απαιτήσεις δικτύου, ενώ επίσης επιτρέπει τις αποφάσεις να λαμβάνονται με χαμηλότερη καθυστέρηση.

Η Edgify λέει ότι τα ακατέργαστα δεδομένα του πελάτη μπορούν να παραμείνουν εντός του περιμέτρου του λιανικού εμπόρου, μια προσέγγιση που μπορεί επίσης να κάνει την επεξεργασία edge να φαίνεται ελκυστική σε περιβάλλοντα όπου οι απαιτήσεις ιδιωτικότητας ή κατοικίας δεδομένων κάνουν την κεντρική συλλογή δεδομένων προβληματική.

Η εταιρεία目前 καταγράφει 2.042 καταστήματα, 9.437 συνδεδεμένες συσκευές και περισσότερα από 400 εκατομμύρια δείγματα σε όλη την πλατφόρμα της. Αυτά τα στοιχεία αναφέρονται από την Edgify.

Η πρόληψη απωλειών παρέχει την πρώτη σημαντική περίπτωση χρήσης

Η πρόληψη απωλειών στο λιανικό εμπόριο δίνει στην Edgify ένα σχετικά απλό σημείο εκκίνησης, επειδή η οπτική αναγνώριση μπορεί να συνδεθεί απευθείας με συγκεκριμένα γεγονότα που συμβαίνουν στην πώληση.

Στις μηχανές αυτο-πωλήσεων, η πλατφόρμα μπορεί να αναγνωρίσει διακρυφές μεταξύ ενός αντικειμένου και του κωδικού που σκανάρεται, να ανιχνεύσει προϊόντα που τοποθετούνται στην περιοχή συσκευασίας χωρίς να σκανάρονται και να ειδοποιήσει τους υπαλλήλους ή να ενεργοποιήσει μια αυτοματοποιημένη παρέμβαση.

Τα μοντέλα αναγνώρισης προϊόντων της μπορούν επίσης να αναγνωρίσουν φρέσκα προϊόντα και άλλα αντικείμενα χωρίς παραδοσιακούς κωδικούς. Η Edgify λέει ότι αυτή η τεχνολογία μπορεί να λειτουργήσει απευθείας μέσα στην υφιστάμενη υποδομή σκανερ και ζυγαριών, αντί να απαιτεί από τους λιανικούς πωλητές να αντικαταστήσουν το υλικό πωλήσεων τους.

Η ίδια υποδομή οπτικής αναγνώρισης μπορεί να επεκταθεί πέρα από την πρόληψη κλοπής. Η Edgify έχει ήδη καταγράψει τη διαχείριση αποβλήτων ως μια άλλη εφαρμογή, χρησιμοποιώντας κάμερες για την αναγνώριση απορριμμένων προϊόντων και τη βελτίωση των εγγραφών αποθέματος.

Η νέα χρηματοδότηση θα υποστηρίξει την περαιτέρω επέκταση της υποδομής αυτής της ζωής του μοντέλου, συμπεριλαμβανομένου του πώς τα μοντέλα εκπαιδεύονται, αναπτύσσονται, παρακολουθούνται και ενημερώνονται σε στόλους συσκευών λιανικού εμπορίου.

Η ομοσπονδιακή μάθηση αντιμετωπίζει ένα πιο δύσκολο πρόβλημα AI Edge

Ένα από τα πιο τεχνικά ενδιαφέροντα аспектς της προσέγγισης της Edgify είναι η εργασία της γύρω από την ομοσπονδιακή μάθηση, όπου πολλές συσκευές συνεισφέρουν στην βελτίωση των μοντέλων μηχανικής μάθησης χωρίς να απαιτούν τα υποκείμενα σύνολα δεδομένων να συγκεντρωθούν κεντρικά.

Το πρόβλημα γίνεται πιο σύνθετο σε φυσικά περιβάλλοντα, επειδή τα δεδομένα που παράγονται από διαφορετικές συσκευές σπάνια είναι идентical. Μια κάμερα μέσα σε ένα σούπερ μάρκετ μπορεί να συναντήσει διαφορετικά προϊόντα, συνθήκες φωτισμού, πελάτες, διατάξεις και συμπεριφορές από μια κάμερα που λειτουργεί εκατοντάδες μίλια μακριά.

Η έρευνα της Edgify έχει εξερευνήσει αυτό το πρόβλημα της ομοσπονδιακής μάθησης σε μη-ανεξάρτητα και μη-ταυτόσημα διανεμημένα δεδομένα, όπου τα τοπικά εκπαιδευμένα μοντέλα μπορούν να αρχίσουν να κινούνται σε διαφορετικές κατευθύνσεις. Οι ερευνητές της προ提θηκαν了一一种 μέθοδο που σχεδιάστηκε για να ενθαρρύνει αυτά τα τοπικά μοντέλα προς ένα κοινό optimum χωρίς να προστίθενται πρόσθετοι κίνδυνοι ιδιωτικότητας ή να αυξάνουν σημαντικά τις απαιτήσεις επικοινωνίας.

Σε πρακτικούς όρους, αυτή η τύπου αρχιτεκτονικής κατανεμημένης εκπαίδευσης θα μπορούσε να επιτρέψει ένα δίκτυο συσκευών edge να βελτιωθούν συλλογικά χωρίς να απαιτείται η ανέβασή κάθε εικόνας ή συναλλαγής σε ένα τεράστιο κεντρικό σύνολο εκπαίδευσης.

Αυτό θα μπορούσε να γίνει όλο και πιο σημαντικό, καθώς η AI κινείται πέρα από τα κέντρα δεδομένων και αρχίζει να λειτουργεί σε κάμερες, βιομηχανικούς αισθητήρες, οχήματα, ρομπότ, μηχανές και άλλα φυσικά υπολογιστικά συστήματα.

Από το λιανικό εμπόριο AI στη φυσική υποδομή AI

Η Edgify στο τέλος βλέπει το λιανικό εμπόριο ως ένα σημείο εκκίνησης και όχι ως το όριο της τεχνολογίας της.

Η εταιρεία στοχεύει σε επιπλέον περιβάλλοντα, συμπεριλαμβανομένων γρήγορων εστιατορίων, κέντρων διανομής, λιανικού εμπορίου ενδυμάτων, logistics, παραγωγής, μεταφορών, αποθήκης και εργοστασίων.

Αυτά τα τομείς μοιράζονται πολλές από τις ίδιες τεχνικές περιορισμούς. Παραγουν σημαντικές ποσότητες τοπικών δεδομένων, συχνά βασίζονται σε υφιστάμενο υλικό που δεν μπορεί εύκολα να αντικατασταθεί και απαιτούν συστήματα AI που μπορούν να ανταποκριθούν σε πραγματικό χρόνο, ακόμη και όταν η σύνδεση στο cloud είναι περιορισμένη ή ακριβή.

Αυτή είναι η θέση όπου οι μακροπρόθεσμες επιπτώσεις της πλατφόρμας της Edgify γίνονται πιο σημαντικές.

Πολύ από την τρέχουσα υποδομή AI έχει επικεντρωθεί στην κεντρική υπολογιστική, με όλο και πιο ισχυρά μοντέλα που εκτελούνται μέσα σε κέντρα δεδομένων. Η φυσική AI δημιουργεί ένα διαφορετικό πρόβλημα υποδομής. Μια κάμερα αποθήκης, σκανερ εργοστασίου, αισθητήρας αυτονομίας ή μηχανή μπορεί να χρειαστεί να λάβει αποφάσεις αμέσως, συνεχώς και πιθανώς χωρίς να στείλει ολόκληρη τη ροή δεδομένων σε άλλο μέρος πρώτα.

Η αρχιτεκτονική της Edgify αντιπροσωπεύει μια προσέγγιση για την επίλυση αυτού του προβλήματος: να διανείμει την εκτέλεση AI σε συσκευές που ήδη λειτουργούν στον φυσικό κόσμο, ενώ διατηρεί ένα επίπεδο διαχείρισης ικανό να συντονίζει μοντέλα σε όλο το δίκτυο.

Η εταιρεία περιγράφει τον ευρύτερο στόχο της ως να κάνει την AI πρακτική όπου-ever οι αποφάσεις του πραγματικού κόσμου παράγονται, αντί να απαιτεί αυτές τις αποφάσεις να εξαρτώνται από συνεχή επικοινωνία με κεντρική υποδομή.

Ο επόμενος αγώνας για την AI μπορεί να είναι στο edge

Η χρηματοδότηση των 9 εκατομμυρίων δολαρίων είναι σχετικά σεμνά σε σύγκριση με το τεράστιο κεφάλαιο που ρέει στους dévelopers μοντέλων AI και την υποδομή κέντρων δεδομένων, αλλά η Edgify λειτουργεί σε ένα διαφορετικό μέρος του στρώματος.

Όσο η οπτική αναγνώριση και τα όλο και πιο σύνθετα μοντέλα AI εξαπλώνονται σε καταστήματα λιανικού εμπορίου, εργοστάσια, αποθήκες, δίκτυα μεταφορών και άλλα φυσικά περιβάλλοντα, οι οργανισμοί θα χρειαστούν τρόπους για να αναπτύξουν και να διατηρήσουν αυτά τα μοντέλα σε χιλιάδες ή εκατομμύρια ετερογενών συσκευών.

Αυτό δημιουργεί μια νέα πρόκληση λειτουργιών μηχανικής μάθησης: όχι απλώς η εκπαίδευση ενός μοντέλου, αλλά η απόφαση για το πού συμβαίνει η ερμηνεία, πού παραμένουν τα δεδομένα εκπαίδευσης, πώς τα μοντέλα μαθαίνουν από διανεμημένα περιβάλλοντα και πώς οι ενημερώσεις συντονίζονται σε ολόκληρους στόλους μηχανών.

Το λιανικό εμπόριο δίνει στην Edgify ένα απαιτητικό περιβάλλον για την επίλυση αυτών των προβλημάτων. Αν η υποκείμενη πλατφόρμα μπορεί να γενικευθεί πέρα από την πώληση και την πρόληψη απωλειών, η μεγαλύτερη ευκαιρία θα μπορούσε να είναι η παροχή μέρους της υποδομής ορχήστρας που απαιτείται καθώς η AI κινείται έξω από το cloud και βαθύτερα στον φυσικό κόσμο.