फंडिंग
एडगिफाई $9M जुटाता है ताकि वह भौतिक रिटेल के लिए एज आई इन्फ्रास्ट्रक्चर का विस्तार कर सके
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
लंदन स्थित एडगिफाई ने अपने एज आर्टिफिशियल इंटेलिजेंस प्लेटफ़ॉर्म का विस्तार करने के लिए $9 मिलियन की श्रृंखला ए+ फंडिंग जुटाई है, जिससे कंपनी की कुल फंडिंग $25 मिलियन हो गई है।
इस दौर को रैंक वेंचर्स और मैंग्रोव कैपिटल पार्टनर्स ने समर्थित किया है। एडगिफाई इस पूंजी का उपयोग शारीरिक खुदरा में तैनाती को तेज करने और अपने प्लेटफ़ॉर्म को वितरित उपकरणों में एआई मॉडल प्रबंधन के लिए एक व्यापक इन्फ्रास्ट्रक्चर परत में विकसित करने के लिए करने की योजना बना रहा है।
कंपनी ने शुरू में खुदरा ग्रॉसरी में गति प्राप्त की है, जहां कंप्यूटर विजन का उपयोग उत्पादों को पहचानने, अनस्कैन किए गए आइटमों की पहचान करने, बार्कोड स्विचिंग का पता लगाने और स्व-चेकआउट पर नुकसान को कम करने के लिए किया जा सकता है। लेकिन फंडिंग के पीछे का बड़ा उद्देश्य एक सामान्य एआई परत प्रदान करना है जो कैमरे, स्केल, स्कैनर, स्व-चेकआउट टर्मिनल और पॉइंट-ऑफ-सेल सिस्टम जैसे उपकरणों को जोड़ता है।
निरंतर रॉ डेटा को केंद्रीकृत क्लाउड इन्फ्रास्ट्रक्चर में भेजने के बजाय, एडगिफाई को एज डिवाइसेस पर सीधे एआई मॉडल चलाने, अपडेट करने और प्रबंधित करने के लिए डिज़ाइन किया गया है।
मौजूदा स्टोर हार्डवेयर को एक एआई नेटवर्क में बदलना
भौतिक खुदरा विक्रेता बड़े नेटवर्क के बुद्धिमान या अर्ध-बुद्धिमान उपकरणों का संचालन करते हैं, लेकिन वे प्रणालियां अक्सर स्वतंत्र रूप से तैनात की जाती हैं।
एडगिफाई उस हार्डवेयर को एक समन्वित मशीन लर्निंग वातावरण में जोड़ने का प्रयास कर रहा है।
इसका सॉफ्टवेयर मौजूदा पॉइंट-ऑफ-सेल सिस्टम और स्व-चेकआउट मशीनों के साथ एपीआई के माध्यम से एकीकृत कर सकता है, जबकि कंप्यूटर विजन मॉडल मानक यूएसबी कैमरों, स्कैनरों और स्केल जैसे हार्डवेयर पर चल सकते हैं। कंपनी का कहना है कि इसके मॉडल सामान्य स्टोर संचालन के दौरान उत्पन्न डेटा से भी सीख सकते हैं, न कि केवल केंद्रीकृत पुन: प्रशिक्षण पर निर्भर करते हैं।
यह आर्किटेक्चर विशेष रूप से कंप्यूटर विजन के लिए प्रासंगिक है क्योंकि वीडियो और इमेज डेटा को लगातार प्रसारित और प्रसंस्करण करना महंगा हो सकता है। डेटा को जहां यह उत्पन्न होता है उसके करीब प्रसंस्करण करने से नेटवर्क आवश्यकताओं को कम किया जा सकता है और निर्णय लेने में कम विलंबता की अनुमति मिल सकती है।
एडगिफाई का कहना है कि कच्चा ग्राहक डेटा खुदरा विक्रेता की परिधि के भीतर रह सकता है, जो दृष्टिकोण डेटा निवास आवश्यकताओं के कारण केंद्रीकृत डेटा संग्रह को समस्याग्रस्त बना सकता है।
कंपनी वर्तमान में अपने प्लेटफ़ॉर्म पर 2,042 स्टोर, 9,437 जुड़े उपकरणों और 400 मिलियन से अधिक नमूनों को सूचीबद्ध करती है। ये आंकड़े एडगिफाई द्वारा स्वयं रिपोर्ट किए गए हैं।
नुकसान रोकथाम पहला प्रमुख उपयोग मामला प्रदान करता है
खुदरा नुकसान रोकथाम एडगिफाई को एक अपेक्षाकृत सीधा प्रारंभिक बिंदु प्रदान करता है क्योंकि कंप्यूटर विजन को सीधे चेकआउट पर होने वाली विशिष्ट घटनाओं से जोड़ा जा सकता है।
स्व-चेकआउट टर्मिनलों पर, प्लेटफ़ॉर्म स्कैन की जा रही बार्कोड और आइटम के बीच विसंगतियों की पहचान कर सकता है, बिना स्कैन किए बैगिंग क्षेत्र में रखे उत्पादों का पता लगा सकता है और कर्मचारियों को अलर्ट कर सकता है या स्वचालित हस्तक्षेप को ट्रिगर कर सकता है।
इसके उत्पाद-मान्यता मॉडल ताजे उत्पादों और पारंपरिक बार्कोड के बिना अन्य आइटमों की पहचान कर सकते हैं। एडगिफाई का कहना है कि यह प्रौद्योगिकी मौजूदा स्कैनर और स्केल इन्फ्रास्ट्रक्चर के भीतर संचालित हो सकती है, खुदरा विक्रेताओं को अपने चेकआउट हार्डवेयर को बदलने की आवश्यकता नहीं है।
समान कंप्यूटर विजन इन्फ्रास्ट्रक्चर को चोरी रोकथाम से परे विस्तारित किया जा सकता है। एडगिफाई पहले से ही अपशिष्ट प्रबंधन को एक और अनुप्रयोग के रूप में सूचीबद्ध करता है, जिसमें कैमरों का उपयोग त्यागे गए उत्पादों की पहचान करने और इन्वेंट्री रिकॉर्ड में सुधार करने के लिए किया जाता है।
नई फंडिंग इस मॉडल लाइफसाइकल इन्फ्रास्ट्रक्चर के विस्तार का समर्थन करेगी, जिसमें मॉडल को प्रशिक्षित, तैनात, निगरानी और खुदरा उपकरणों के बेड़े में अपडेट किया जाता है।
संघीय सीखना एक कठिन एज एआई समस्या को संबोधित करता है
एडगिफाई के दृष्टिकोण के अधिक तकनीकी रूप से दिलचस्प पहलुओं में से एक इसके आसपास का काम है संघीय सीखने के बारे में, जहां कई उपकरणों के योगदान से मशीन लर्निंग मॉडल में सुधार होता है बिना उनके अंतर्निहित डेटासेट को केंद्रीय रूप से पूल किए।
समस्या शारीरिक वातावरण में अधिक जटिल हो जाती है क्योंकि विभिन्न उपकरणों द्वारा उत्पन्न डेटा शायद ही कभी समान होता है। एक सुपरमार्केट के अंदर एक कैमरा दूसरे सुपरमार्केट में सैकड़ों मील दूर संचालित होने वाले कैमरे की तुलना में विभिन्न उत्पादों, प्रकाश स्थितियों, ग्राहकों, लेआउट और व्यवहार का सामना कर सकता है।
एडगिफाई के शोध ने गैर-स्वतंत्र और गैर-एकसमान वितरित (गैर-आईआईडी) डेटा पर संघीय सीखने की समस्या का अन्वेषण किया है, जहां स्थानीय रूप से प्रशिक्षित मॉडल विभिन्न दिशाओं में आगे बढ़ने लगते हैं। इसके शोधकर्ताओं ने एक विधि का प्रस्ताव किया जो उन स्थानीय मॉडलों को एक साझा ऑप्टिमम की ओर प्रोत्साहित करने के लिए डिज़ाइन किया गया है बिना अतिरिक्त गोपनीयता जोखिम जोड़े या महत्वपूर्ण रूप से संचार आवश्यकताओं को बढ़ाए।
व्यावहारिक रूप से, इस प्रकार की वितरित प्रशिक्षण वास्तुकला एक एज डिवाइसों के नेटवर्क को सामूहिक रूप से सुधारने की अनुमति दे सकती है बिना हर छवि या लेनदेन को एक विशाल केंद्रीकृत प्रशिक्षण डेटासेट में अपलोड किए।
यह तब और भी महत्वपूर्ण हो सकता है जब एआई डेटा केंद्रों से परे और भौतिक बुनियादी ढांचे में गहराई से काम करना शुरू करता है।
खुदरा एआई से भौतिक एआई इन्फ्रास्ट्रक्चर तक
एडगिफाई अंततः खुदरा को अपनी प्रौद्योगिकी के प्रवेश द्वार के रूप में देखता है, न कि सीमा के रूप में।
कंपनी तेजी से सेवा रेस्तरां, वितरण केंद्र, परिधान खुदरा, लॉजिस्टिक्स, विनिर्माण, परिवहन, गोदाम संचालन सहित अन्य वातावरण को लक्षित कर रही है।
इन क्षेत्रों में कई समान तकनीकी प्रतिबंध हैं। वे स्थानीय डेटा की महत्वपूर्ण मात्रा उत्पन्न करते हैं, अक्सर ऐसे हार्डवेयर पर निर्भर करते हैं जिन्हें आसानी से बदला नहीं जा सकता है, और वास्तविक समय में प्रतिक्रिया देने में सक्षम एआई प्रणालियों की आवश्यकता होती है, भले ही क्लाउड कनेक्टिविटी सीमित या महंगी हो।
यहीं पर एडगिफाई के प्लेटफ़ॉर्म के दीर्घकालिक निहितार्थ अधिक महत्वपूर्ण हो जाते हैं।
वर्तमान एआई इन्फ्रास्ट्रक्चर बूम केंद्रीकृत कंप्यूटिंग के इर्द-गिर्द केंद्रित है, जिसमें डेटा केंद्रों के अंदर बढ़ती शक्तिशाली मॉडल चल रहे हैं। भौतिक एआई एक अलग इन्फ्रास्ट्रक्चर समस्या बनाता है। एक गोदाम कैमरा, चेकआउट स्कैनर, फैक्ट्री सेंसर या स्वायत्त मशीन को तुरंत, निरंतर और संभावित रूप से अपने पूरे डेटा प्रवाह को कहीं और भेजे बिना निर्णय लेने की आवश्यकता हो सकती है।
एडगिफाई का एज-फर्स्ट आर्किटेक्चर इस समस्या का समाधान करने के लिए एक दृष्टिकोण का प्रतिनिधित्व करता है: भौतिक दुनिया में पहले से मौजूद उपकरणों में एआई निष्पादन को वितरित करें, जबकि नेटवर्क में मॉडल को समन्वयित करने में सक्षम एक प्रबंधन परत बनाए रखें।
कंपनी का व्यापक उद्देश्य वास्तविक दुनिया के निर्णयों के लिए एआई को व्यावहारिक बनाना है, न कि केंद्रीकृत बुनियादी ढांचे के साथ निरंतर संचार पर निर्भर रहना।
एआई के लिए अगला युद्ध क्षेत्र एज पर हो सकता है
$9 मिलियन का दौर एआई मॉडल डेवलपर्स और डेटा-सेंटर इन्फ्रास्ट्रक्चर में बहुत अधिक पूंजी के प्रवाह की तुलना में अपेक्षाकृत मामूली है, लेकिन एडगिफाई स्टैक के एक अलग हिस्से में काम कर रहा है।
जैसे ही कंप्यूटर विजन और बढ़ती जटिलता वाले एआई मॉडल खुदरा स्टोर, कारखानों, गोदामों, परिवहन नेटवर्क और अन्य भौतिक वातावरण में फैलते हैं, संगठनों को उन मॉडलों को तैनात करने और संभालने के तरीके की आवश्यकता होगी जो संभावित रूप से हजारों या लाखों विषम उपकरणों में फैले हुए हैं।
यह एक नई मशीन लर्निंग ऑपरेशन चुनौती बनाता है: न केवल एक मॉडल को प्रशिक्षित करना, बल्कि यह तय करना कि अनुमान कहां होता है, प्रशिक्षण डेटा कहां रहता है, मॉडल वितरित वातावरण से कैसे सीखते हैं और पूरे मशीनों के बेड़े में अपडेट कैसे समन्वयित किए जाते हैं।
खुदरा एडगिफाई को उन समस्याओं का समाधान करने के लिए एक मांग वाला वातावरण प्रदान करता है। यदि अंतर्निहित प्लेटफ़ॉर्म चेकआउट और नुकसान रोकथाम से परे सामान्य हो सकता है, तो बड़ा अवसर एआई के लिए ऑर्केस्ट्रेशन इन्फ्रास्ट्रक्चर का हिस्सा प्रदान करना हो सकता है क्योंकि यह क्लाउड से बाहर निकलता है और गहराई से भौतिक दुनिया में प्रवेश करता है।
