Edgify lève 9 millions de dollars pour étendre son infrastructure d’IA de pointe pour le commerce de détail physique

La société londonienne Edgify a levé 9 millions de dollars dans le cadre d’un financement de série A+ pour étendre sa plateforme d’intelligence artificielle de pointe, portant le financement total de l’entreprise à 25 millions de dollars.

Le tour a été soutenu par Rank Ventures et Mangrove Capital Partners. Edgify prévoit d’utiliser le capital pour accélérer les déploiements dans le commerce de détail physique tout en développant sa plateforme en une couche d’infrastructure plus large pour gérer les modèles d’IA sur des appareils distribués.

L’entreprise a initialement trouvé un élan dans le commerce de détail alimentaire, où la vision par ordinateur peut être utilisée pour reconnaître les produits, identifier les articles non scannés, détecter le commutateur de code à barres et réduire les pertes au self-checkout. Mais l’ambition plus large derrière le financement est de fournir une couche d’IA commune reliant des appareils tels que des caméras, des balances, des scanners, des terminaux de self-checkout et des systèmes de point de vente.

Au lieu d’envoyer continuellement des données brutes à une infrastructure cloud centralisée, Edgify est conçu pour exécuter, mettre à jour et gérer des modèles d’IA directement sur les appareils de pointe.

Transformer le matériel de magasin existant en un réseau d’IA

Les détaillants physiques exploitent de plus en plus de grands réseaux d’appareils intelligents ou semi-intelligents, mais ces systèmes sont souvent déployés de manière indépendante.

Edgify tente de connecter ce matériel en un environnement d’apprentissage automatique coordonné.

Son logiciel peut s’intégrer aux systèmes de point de vente et aux machines de self-checkout existants via des API, tandis que les modèles de vision par ordinateur peuvent s’exécuter sur du matériel comprenant des caméras USB standard, des scanners et des balances. L’entreprise affirme que ses modèles peuvent également continuer à apprendre à partir des données générées pendant les opérations normales de la boutique, plutôt que de dépendre entièrement d’une rééducation centralisée périodique.

Cette architecture est particulièrement pertinente pour la vision par ordinateur, car les données vidéo et d’image peuvent être coûteuses à transmettre et à traiter en continu dans le cloud. Le traitement de l’information plus près de l’endroit où elle est générée peut réduire les exigences réseau tout en permettant de prendre des décisions avec une latence plus faible.

Edgify affirme que les données brutes des clients peuvent rester dans le périmètre du détaillant, une approche qui peut également rendre le traitement de pointe attractif dans les environnements où les exigences de confidentialité ou de résidence des données rendent la collecte de données centralisée problématique.

L’entreprise liste actuellement 2 042 magasins, 9 437 appareils connectés et plus de 400 millions d’échantillons sur sa plateforme. Ces chiffres sont auto-déclarés par Edgify.

La prévention des pertes fournit le premier cas d’utilisation majeur

La prévention des pertes dans le commerce de détail donne à Edgify un point de départ relativement simple, car la vision par ordinateur peut être directement liée à des événements spécifiques se produisant au self-checkout.

Aux terminaux de self-checkout, la plateforme peut identifier les discordances entre un article et le code à barres scanné, détecter les produits placés dans la zone d’emballage sans être scannés et alerter les employés ou déclencher une intervention automatisée.

Ses modèles de reconnaissance de produits peuvent également identifier les produits frais et d’autres articles sans codes à barres traditionnels. Edgify affirme que cette technologie peut fonctionner directement dans les infrastructures de scanner et de balance existantes, plutôt que d’exiger que les détaillants remplacent leur matériel de self-checkout.

La même infrastructure de vision par ordinateur peut être étendue au-delà de la prévention des pertes. Edgify liste déjà la gestion des déchets comme une autre application, en utilisant des caméras pour identifier les produits jetés et améliorer les dossiers d’inventaire.

Le nouveau financement soutiendra une expansion supplémentaire de cette infrastructure de cycle de vie des modèles, y compris la formation, le déploiement, la surveillance et la mise à jour des modèles sur des flottes d’appareils de détail.

L’apprentissage fédéré résout un problème d’IA de pointe plus difficile

L’un des aspects les plus intéressants sur le plan technique de l’approche d’Edgify est son travail sur l’apprentissage fédéré, où plusieurs appareils contribuent à améliorer les modèles d’apprentissage automatique sans exiger que les ensembles de données sous-jacents soient regroupés de manière centralisée.

Le problème devient plus compliqué dans les environnements physiques, car les données générées par différents appareils sont rarement identiques. Une caméra à l’intérieur d’un supermarché peut rencontrer différents produits, conditions de lumière, acheteurs, dispositions et comportements qu’une caméra fonctionnant à des centaines de kilomètres de distance.

La recherche d’Edgify a exploré ce problème d’apprentissage fédéré sur des données non indépendantes et identiquement distribuées (non-IID), où les modèles localement formés peuvent commencer à se déplacer dans différentes directions. Ses chercheurs ont proposé une méthode conçue pour encourager ces modèles locaux à se rapprocher d’un optimum partagé sans ajouter de risques de confidentialité supplémentaires ou augmenter considérablement les exigences de communication.

En termes pratiques, ce type d’architecture d’entraînement distribué pourrait permettre à un réseau d’appareils de pointe de s’améliorer collectivement sans exiger que chaque image ou transaction soit téléchargée dans un énorme ensemble de données d’entraînement centralisé.

Cela pourrait devenir de plus en plus important à mesure que l’IA dépasse les centres de données et commence à fonctionner sur des caméras, des capteurs industriels, des véhicules, des robots, des machines et d’autres infrastructures physiques.

De l’IA de détail à l’infrastructure d’IA physique

Edgify voit finalement le commerce de détail comme un point d’entrée plutôt que comme la limite de sa technologie.

L’entreprise cible des environnements supplémentaires, notamment les restaurants de service rapide, les centres de distribution, le commerce de détail d’habillement, la logistique, la fabrication, le transport et les opérations d’entrepôt.

Ces secteurs partagent de nombreuses contraintes techniques similaires. Ils génèrent d’importantes quantités de données locales, s’appuient souvent sur du matériel existant qui ne peut pas être facilement remplacé et nécessitent des systèmes d’IA capables de répondre en temps réel, même lorsque la connectivité cloud est limitée ou coûteuse.

C’est là que les implications à long terme de la plateforme d’Edgify deviennent plus significatives.

Une grande partie de l’essor actuel de l’infrastructure d’IA est centrée sur le calcul centralisé, avec des modèles de plus en plus puissants fonctionnant à l’intérieur de centres de données hyperscale. L’IA physique crée un problème d’infrastructure différent. Une caméra d’entrepôt, un scanner de self-checkout, un capteur de fabrication ou une machine autonome peut avoir besoin de prendre des décisions immédiatement, en continu et potentiellement sans envoyer tout son flux de données ailleurs d’abord.

L’architecture de pointe d’Edgify représente une approche pour résoudre ce problème : distribuer l’exécution de l’IA sur les appareils déjà opérationnels dans le monde physique, tout en maintenant une couche de gestion capable de coordonner les modèles sur le réseau.

L’entreprise décrit son objectif plus large comme rendre l’IA pratique partout où des décisions du monde réel sont générées, plutôt que d’exiger que ces décisions dépendent d’une communication constante avec une infrastructure centralisée.

Le prochain champ de bataille pour l’IA peut être à la pointe

Le tour de 9 millions de dollars est relativement modeste par rapport au capital énorme qui s’écoule dans les développeurs de modèles d’IA et l’infrastructure de centre de données, mais Edgify opère dans une partie différente de la pile.

À mesure que la vision par ordinateur et les modèles d’IA de plus en plus sophistiqués se propagent dans les magasins de détail, les usines, les entrepôts, les réseaux de transport et d’autres environnements physiques, les organisations auront besoin de moyens pour déployer et maintenir ces modèles sur des milliers ou des millions d’appareils hétérogènes.

Cela crée un nouveau défi d’exploitation de l’apprentissage automatique : il ne s’agit pas simplement de former un modèle, mais de décider où l’inférence se produit, où les données de formation restent, comment les modèles apprennent à partir d’environnements distribués et comment les mises à jour sont coordonnées sur toute la flotte de machines.

Le commerce de détail donne à Edgify un environnement exigeant pour résoudre ces problèmes. Si la plateforme sous-jacente peut généraliser au-delà du self-checkout et de la prévention des pertes, l’opportunité plus large pourrait être de fournir une partie de l’infrastructure d’orchestration requise à mesure que l’IA sort du cloud et pénètre plus profondément dans le monde physique.