Edgify Mengumpulkan $9M untuk Memperluas Infrastruktur AI Tepi untuk Ritel Fisik

London-based Edgify telah mengumpulkan $9 juta dalam pendanaan Seri A+ untuk memperluas platform kecerdasan buatan tepi, sehingga total pendanaan perusahaan menjadi $25 juta.

Putaran ini didukung oleh Rank Ventures dan Mangrove Capital Partners. Edgify berencana menggunakan modal ini untuk mempercepat penerapan di seluruh ritel fisik sambil mengembangkan platformnya menjadi lapisan infrastruktur yang lebih luas untuk mengelola model AI di seluruh perangkat terdistribusi.

Perusahaan ini awalnya menemukan traksi di ritel grosir, di mana penglihatan komputer dapat digunakan untuk mengenali produk, mengidentifikasi item yang tidak dipindai, mendeteksi penggantian barcode, dan mengurangi kerugian di checkout mandiri. Namun, ambisi yang lebih besar di balik pendanaan ini adalah untuk menyediakan lapisan AI umum yang menghubungkan perangkat seperti kamera, timbangan, pemindai, terminal checkout mandiri, dan sistem penjualan.

Daripada terus mengirim data mentah ke infrastruktur cloud terpusat, Edgify dirancang untuk menjalankan, memperbarui, dan mengelola model AI langsung di perangkat tepi.

Mengubah Perangkat Keras Toko yang Ada menjadi Jaringan AI

Ritel fisik semakin banyak mengoperasikan jaringan besar perangkat cerdas atau semi-cerdas, tetapi sistem tersebut sering diterapkan secara independen.

Edgify berusaha untuk menghubungkan perangkat keras tersebut ke dalam lingkungan pembelajaran mesin yang terkoordinasi.

Perangkat lunaknya dapat diintegrasikan dengan sistem penjualan dan mesin checkout mandiri yang ada melalui API, sementara model penglihatan komputer dapat berjalan di perangkat keras termasuk kamera USB standar, pemindai, dan timbangan. Perusahaan ini mengatakan modelnya juga dapat terus belajar dari data yang dihasilkan selama operasi toko normal tanpa bergantung sepenuhnya pada pelatihan terpusat berkala.

Arsitektur ini sangat relevan dengan penglihatan komputer karena data video dan gambar dapat mahal untuk dikirim dan diproses secara terus-menerus di cloud. Memproses informasi lebih dekat dengan tempat di mana informasi tersebut dihasilkan dapat mengurangi persyaratan jaringan serta memungkinkan keputusan dibuat dengan latensi yang lebih rendah.

Edgify mengatakan data pelanggan mentah dapat tetap berada dalam perimeter pengecer, suatu pendekatan yang juga membuat pemrosesan tepi menarik dalam lingkungan di mana persyaratan privasi atau residensi data membuat pengumpulan data terpusat menjadi bermasalah.

Perusahaan ini saat ini mencantumkan 2.042 toko, 9.437 perangkat terhubung, dan lebih dari 400 juta sampel di seluruh platformnya. Angka-angka tersebut dilaporkan sendiri oleh Edgify.

Pencegahan Kerugian Menyediakan Kasus Penggunaan Utama Pertama

Pencegahan kerugian ritel memberikan Edgify titik awal yang relatif sederhana karena penglihatan komputer dapat dihubungkan langsung dengan peristiwa spesifik yang terjadi di checkout.

Di terminal checkout mandiri, platform dapat mengidentifikasi ketidaksesuaian antara item dan barcode yang sedang dipindai, mendeteksi produk yang ditempatkan di area pengemasan tanpa dipindai, dan memicu intervensi otomatis atau mengingatkan karyawan.

Model pengenalan produknya juga dapat mengidentifikasi produk segar dan item lainnya tanpa barcode tradisional. Edgify mengatakan teknologi ini dapat beroperasi langsung dalam infrastruktur pemindai dan timbangan yang ada tanpa memerlukan pengecer untuk mengganti perangkat keras checkout mereka.

Infrastruktur penglihatan komputer yang sama dapat diperluas melampaui pencegahan pencurian. Edgify sudah mencantumkan pengelolaan limbah sebagai aplikasi lain, menggunakan kamera untuk mengidentifikasi produk yang dibuang dan memperbaiki catatan inventaris.

Pendanaan baru akan mendukung perluasan lebih lanjut dari infrastruktur siklus hidup model ini, termasuk cara model dilatih, diterapkan, dipantau, dan diperbarui di seluruh perangkat ritel.

Pembelajaran Federasi Mengatasi Masalah AI Tepi yang Lebih Sulit

Salah satu aspek teknis yang lebih menarik dari pendekatan Edgify adalah pekerjaan mereka di sekitar pembelajaran federasi, di mana beberapa perangkat berkontribusi pada perbaikan model pembelajaran mesin tanpa memerlukan dataset dasar untuk dipusatkan.

Masalah ini menjadi lebih rumit di lingkungan fisik karena data yang dihasilkan oleh perangkat yang berbeda jarang identik. Kamera di dalam satu supermarket mungkin menghadapi produk, kondisi pencahayaan, pelanggan, tata letak, dan perilaku yang berbeda dari kamera yang beroperasi ratusan mil jauhnya.

Penelitian Edgify telah mengeksplorasi masalah pembelajaran federasi pada data yang tidak independen dan identik (non-IID), di mana model lokal yang dilatih dapat mulai bergerak dalam arah yang berbeda. Peneliti mereka mengusulkan metode yang dirancang untuk mendorong model lokal tersebut menuju optimum bersama tanpa menambahkan risiko privasi atau meningkatkan persyaratan komunikasi secara signifikan.

Dalam istilah praktis, arsitektur pelatihan terdistribusi seperti ini dapat memungkinkan jaringan perangkat tepi untuk secara kolektif diperbaiki tanpa memerlukan setiap gambar atau transaksi untuk diunggah ke dalam dataset pelatihan terpusat yang sangat besar.

Hal ini bisa menjadi semakin penting ketika AI melampaui pusat data dan mulai beroperasi di seluruh kamera, sensor industri, kendaraan, robot, mesin, dan infrastruktur fisik lainnya.

Dari AI Ritel ke Infrastruktur AI Fisik

Edgify pada akhirnya melihat ritel sebagai titik awal daripada batas teknologinya.

Perusahaan ini menargetkan lingkungan tambahan termasuk restoran layanan cepat, pusat distribusi, ritel pakaian, logistik, manufaktur, transportasi, dan operasi gudang.

Sektor-sektor tersebut berbagi banyak konstrain teknis yang sama. Mereka menghasilkan sejumlah besar data lokal, sering bergantung pada perangkat keras yang ada yang tidak dapat dengan mudah diganti, dan memerlukan sistem AI yang dapat merespons dalam waktu nyata bahkan ketika koneksi cloud terbatas atau mahal.

Inilah di mana implikasi jangka panjang dari platform Edgify menjadi lebih signifikan.

Sebagian besar ledakan infrastruktur AI saat ini telah berpusat pada komputasi terpusat, dengan model yang semakin kuat berjalan di dalam pusat data hyperscale. AI fisik menciptakan masalah infrastruktur yang berbeda. Kamera gudang, pemindai checkout, sensor pabrik, atau mesin otonom mungkin perlu membuat keputusan segera, terus-menerus, dan potensial tanpa mengirim aliran data mereka ke tempat lain terlebih dahulu.

Arsitektur edge-first Edgify mewakili salah satu pendekatan untuk memecahkan masalah tersebut: mendistribusikan eksekusi AI di seluruh perangkat yang sudah beroperasi di dunia fisik, sambil mempertahankan lapisan manajemen yang dapat mengkoordinasikan model di seluruh jaringan.

Perusahaan ini menjelaskan tujuan yang lebih luas sebagai membuat AI praktis di mana pun keputusan dunia nyata dihasilkan, bukan memerlukan keputusan tersebut untuk bergantung pada komunikasi konstan dengan infrastruktur terpusat.

Pertempuran Berikutnya untuk AI Mungkin Berada di Tepi

Putaran $9 juta ini relatif modest dibandingkan dengan modal besar yang mengalir ke pengembang model AI dan infrastruktur pusat data, tetapi Edgify beroperasi di bagian yang berbeda dari tumpukan.

Ketika penglihatan komputer dan model AI yang semakin canggih menyebar ke toko ritel, pabrik, gudang, jaringan transportasi, dan lingkungan fisik lainnya, organisasi akan memerlukan cara untuk menerapkan dan memelihara model tersebut di seluruh perangkat heterogen yang berpotensi ribuan atau jutaan.

Hal ini menciptakan tantangan operasional pembelajaran mesin yang baru: tidak hanya melatih model, tetapi memutuskan di mana inferensi terjadi, di mana data pelatihan tetap, bagaimana model belajar dari lingkungan terdistribusi, dan bagaimana pembaruan dikordinasikan di seluruh armada mesin.

Ritel memberikan Edgify lingkungan yang menantang untuk memecahkan masalah tersebut. Jika platform dasar dapat diperluas melampaui checkout dan pencegahan kerugian, kesempatan yang lebih besar bisa menjadi menyediakan sebagian dari infrastruktur orkestrasi yang diperlukan ketika AI bergerak keluar dari cloud dan lebih dalam ke dunia fisik.