Edgify Kerää 9 Miljoonaa Dollaria Laajentaakseen Reunatietokoneen AI-Infrastruktuuria Fyysiseen Vähittäiskauppaan

Lontoolaisen Edgifyn on kerännyt 9 miljoonaa dollaria A-sarjan rahoituksesta laajentaakseen reunatietokoneen tekoälyalustaa, jolloin yhtiön kokonaisrahoitus kasvaa 25 miljoonaan dollariin.

Rahoituksen taustalla ovat Rank Ventures ja Mangrove Capital Partners. Edgify aikoo käyttää pääomaa nopeuttaakseen käyttöönottoja fyysiseen vähittäiskauppaan ja kehittääkseen alustaa laajempaan infrastruktuurikerrokseen tekoälymallien hallintaan hajautetuissa laitteissa.

Yritys on aluksi saavuttanut menestystä elintarvikevähittäiskaupassa, jossa tietokoneen näkö voidaan käyttää tuotteiden tunnistamiseen, skannamattomien tuotteiden havaitsemiseen, viivakoodin vaihdon havaitsemiseen ja tappioiden vähentämiseen itsepalvelukassa. Suurempi tavoite rahoituksen taustalla on kuitenkin tarjota yhteinen tekoälykerros, joka yhdistää laitteita, kuten kameroita, vaakoja, skannereita, itsepalvelukassaterminaaleja ja myyntipistejärjestelmiä.

Edgify on suunniteltu toimimaan, päivittämään ja hallitsemaan tekoälymalleja suoraan reunalaitteissa, sen sijaan, että se lähettäisi jatkuvasti raakadataa keskitettyyn pilveen.

Muuttamalla Olemassa Olevat Myymälän Laitteet Tekoälyverkoksi

Fyysisten myyjien on toimittava suurten älykkäiden tai puolälykkäiden laitteiden verkostojen kanssa, mutta nämä järjestelmät ovat usein käyttöönotettu itsenäisesti.

Edgify yrittää yhdistää tämän laitteiston koordinoituun koneoppimisympäristöön.

Sen ohjelmisto voidaan integroida olemassa oleviin myyntipistejärjestelmiin ja itsepalvelukassoihin API: n kautta, ja tietokoneen näön mallit voidaan suorittaa laitteilla, kuten standardi-USB-kameroilla, skannereilla ja vaakaloilla. Yritys sanoo, että sen mallit voivat jatkaa oppimista normaalin myymälätoiminnan aikana tuotetuista tiedoista, sen sijaan, että ne olisivat täysin riippuvaisia keskitetystä uudelleen koulutuksesta.

Tämä arkkitehtuuri on erityisen relevantti tietokoneen näölle, koska videon ja kuvan tiedot voivat olla kalliita jatkuvasti lähettää ja prosessoida pilvessä. Tiedon prosessointi lähempänä sitä, missä se on tuotettu, voi vähentää verkkovaatimuksia ja myös mahdollistaa päätösten tekemisen alempaan viiveeseen.

Edgify sanoo, että raakasiakasdata voi pysyä myyjän alueella, mikä saattaa tehdä reunaprosessoinnista houkuttelevan myös ympäristöissä, joissa tietosuojan tai tietoresidenssivaatimusten vuoksi keskitetty datakeräily on ongelmallista.

Yritys ilmoittaa tällä hetkellä 2 042 myymälää, 9 437 kytkettyä laitetta ja yli 400 miljoonaa näytettä alustallaan. Nämä luvut ovat Edgifyn itse ilmoittamia.

Varastonsuojelu Tarjoaa Ensimmäisen Suuren Käyttötapausten

Vähittäiskaupan varastonsuojelu antaa Edgifylle suhteellisen suoran aloituspisteen, koska tietokoneen näkö voidaan kytkeä suoraan tietyille tapahtumille kassalla.

Itsepalvelukassaterminaaleilla alusta voidaan tunnistaa eroja tuotteen ja skannatun viivakoodin välillä, havaita tuotteita, jotka on asetettu pakkausalueelle ilman skannauksen suorittamista, ja hälyttää työntekijöitä tai laukaista automaattinen väliintulo.

Sen tuotetunnistusmallit voivat myös tunnistaa tuoreita elintarvikkeita ja muita tuotteita, joilla ei ole perinteisiä viivakoodeja. Edgify sanoo, että tämä teknologia voidaan käyttää suoraan olemassa olevassa skannaus- ja vaakalaiteinfrastruktuurissa ilman, että myyjien on korvattava kassalaitteensa.

Sama tietokoneen näön infrastruktuuri voidaan laajentaa varastonsuojelun ulkopuolelle. Edgify mainitsee jo jätteiden hallinnan toisena sovelluksena, jossa kameroita käytetään hävittävien tuotteiden tunnistamiseen ja varastotietojen parantamiseen.

Uusi rahoitus tukee tämän mallin elinkaaren infrastruktuurin laajentamista, mukaan lukien mallien koulutus, käyttöönotto, seuranta ja päivittäminen vähittäiskaupan laitteiden laivastossa.

Federated Learning Ratkaisee Vaikeamman Reunatietokoneen AI-Ongelman

Yksi Edgifyn lähestymistapaa koskevista teknisesti mielenkiintoisimmista asioista on sen työ federated learning parissa, jossa useat laitteet osallistuvat tekoälymallien parantamiseen ilman, että niiden perustana olevat tietojoukkojen on keskitettävä.

Ongelma muodostuu monimutkaisemmaksi fyysisten ympäristöjen kohdalla, koska eri laitteiden tuottamat tiedot ovat harvoin identtisiä. Yhden supermarketin sisällä oleva kamera voi kohdata eri tuotteita, valaistusolosuhteita, asiakkaita, rakenteita ja käyttäytymismalleja kuin kamera, joka toimii satojen mailien päässä.

Edgifyn tutkimus on käsitellyt tätä federated learningin ongelmaa ei-itsenäisissä ja ei-identtisissä (ei-IID) tiedoissa, joissa paikallisesti koulutetut mallit voivat alkaa siirtyä eri suuntiin. Sen tutkijat esittivät menetelmän, joka on suunniteltu rohkaisemaan näitä paikallisia malleja jakamaan yhteisen optimaalisen tuloksen ilman, että se lisää yksityisyyden riskejä tai merkittävästi lisää viestintävaatimuksia.

Käytännössä tämänlainen hajautettu koulutusarkkitehtuuri voisi mahdollistaa reunalaitteiden verkoston yhteisen parantamisen ilman, että jokaisen kuvan tai transaktion tarvitsee ladata yhteen valtavaan keskitettyyn koulutusjoukkoon.

Tämä saattaa tulla yhä tärkeämmäksi, kun tekoäly siirtyy datakeskuksista ja alkaa toimia kameroiden, teollisuuden anturien, ajoneuvojen, robottien, koneiden ja muiden fyysisten infrastruktuurien ympärillä.

Siirtyminen Vähittäiskaupan Tekoälystä Fyysiseen Tekoälyinfrastruktuuriin

Edgify näkee vähittäiskaupan lopulta vain yhtenä pääsylähtönä tekniikkaansa, eikä sen rajoituksena.

Yritys on suunnannut muita ympäristöjä, kuten nopean palvelun ravintoloita, jakelukeskuksia, vaatetusvähittäiskauppaa, logistiikkaa, valmistusta, liikennettä ja varastotoimintaa.

Nämä sektorit jakavat monia samanlaisia teknisiä rajoituksia. Ne tuottavat merkittäviä määriä paikallisia tietoja, usein riippuvat olemassa olevasta laitteistosta, jota ei voida helposti korvata, ja vaativat tekoälyjärjestelmiä, jotka voivat reagoida reaaliajassa, vaikka pilviyhteys on rajoitettu tai kallista.

Tässä vaiheessa Edgifyn alustan pidemmän aikavälin vaikutukset tulevat merkittävämmiksi.

Paljon nykyisestä tekoälyinfrastruktuurin buumista on keskittynyt keskitettyyn laskentaan, jossa yhä voimakkaammat mallit toimivat hyperskaalautuvissa datakeskuksissa. Fyysinen tekoäly luo erilaisen infrastruktuuriongelman. Varastokameran, itsepalvelukassan skannerin, teollisuuden anturin, robottien tai autonomisen koneen on tehtävä päätöksiä välittömästi, jatkuvasti ja mahdollisesti ilman, että se lähettää koko tietovirtaansa muualle ensin.

Edgifyn reunapuolen ensisijainen arkkitehtuuri edustaa yhtä lähestymistapaa tähän ongelman ratkaisemiseen: jakaa tekoälyn suoritus laitteiden ympärillä, jotka jo toimivat fyysisessä maailmassa, samalla ylläpitäen hallintakerrosta, joka voi koordinoida malleja verkostossa.

Yritys kuvailee laajempaa tavoitettaan tekemällä tekoälystä käytännöllistä siellä, missä todelliset päätökset syntyvät, sen sijaan, että ne riippuisivat jatkuvasti keskitetyn infrastruktuurin viestinnästä.

Seuraava Taistelutantereena Tekoälylle Saattaa Olla Reuna

9 miljoonan dollarin rahoitus on suhteellisen vaatimaton verrattuna valtavaan pääomaan, joka virtaa tekoälymallien kehittäjiin ja datakeskuksen infrastruktuuriin, mutta Edgify toimii eri osassa pinorakennetta.

Kun tietokoneen näkö ja yhä monimutkaisemmat tekoälymallit leviävät vähittäiskaupan myymälöihin, tehtaisiin, varastoihin, liikenneverkkoihin ja muihin fyysisiin ympäristöihin, organisaatioiden on löydettävä keinoja tekoälymallien käyttöönotolle ja ylläpitämiseen mahdollisesti tuhansien tai miljoonien heterogeenisten laitteiden yli.

Tämä luo uuden koneoppimisen operatiivisen haasteen: ei pelkästään mallin kouluttaminen, vaan sen määrittäminen, missä inference tapahtuu, missä koulutusdata pysyy, miten mallit oppivat hajautetuista ympäristöistä ja miten päivitykset koordinoidaan laitteiden laivastojen yli.

Retail antaa Edgifylle vaativan ympäristön, jossa ratkaista nämä ongelmat. Jos alustan perusrakenteinen voi yleistää kassan ja varastonsuojelun ulkopuolelle, suurempi mahdollisuus voisi olla osa orkestraatioinfrastruktuurin tarjoamista, jota tarvitaan, kun tekoäly siirtyy pilvestä syvemmälle fyysiseen maailmaan.