エッジファイが900万ドルを調達し、物理的な小売店のエッジAIインフラストラクチャを拡大

ロンドンを拠点とするエッジファイは、エッジの人工知能プラットフォームを拡大するために、900万ドルのシリーズA+資金調達を実施し、会社の総資金調達額を2,500万ドルに引き上げました。

このラウンドは、ランク・ベンチャーズとマンゴローブ・キャピタル・パートナーズによって支援されました。エッジファイは、この資金を使用して、物理的な小売店での展開を加速し、プラットフォームを、分散されたデバイス全体でAIモデルを管理するためのより広範なインフラストラクチャ層に開発することを計画しています。

同社は、コンピュータビジョンが製品を認識し、スキャンされていないアイテムを特定し、バーコードの交換を検出して、セルフチェックアウトでの損失を減らすことができる食料品小売業で最初のトラクションを見つけました。しかし、この資金調達の背後にあるより大きな野心は、カメラ、スケール、スキャナー、セルフチェックアウト端末、ポイントオブセールシステムなどのデバイスを接続する共通のAIレイヤーを提供することです。

エッジファイは、生のデータを継続的に中央のクラウドインフラストラクチャに送信するのではなく、エッジデバイス上で直接AIモデルを実行、更新、管理するように設計されています。

既存のストアハードウェアをAIネットワーク化する

物理的な小売業者は、知能化された、または半知能化されたデバイスの大きなネットワークを運用していますが、これらのシステムは、通常、独立して展開されます。

エッジファイは、このハードウェアを、調整された機械学習環境に接続しようとしています。

同社のソフトウェアは、APIを介して既存のポイントオブセールシステムやセルフチェックアウトマシンと統合できます。また、コンピュータビジョンモデルは、標準のUSBカメラ、スキャナー、スケールなどのハードウェアで実行できます。同社は、モデルが、定期的な中央の再トレーニングに依存するのではなく、通常の店舗運用中に生成されるデータから継続的に学習できることも示しています。

このアーキテクチャは、特にコンピュータビジョンに特に関連しています。ビデオや画像データを継続的に転送してクラウドで処理することはコストがかかります。データが生成される場所に近い場所で情報を処理することで、ネットワーク要件を削減し、待ち時間を短縮して決定を下すことができます。

エッジファイは、生の顧客データが小売業者の境界内に残ることができると述べています。これは、中央のデータ収集が問題となるプライバシーまたはデータ居住要件のある環境では、エッジ処理が魅力的になる可能性があることを意味します。

同社は現在、2,042の店舗、9,437の接続デバイス、4億件以上のサンプルをプラットフォーム上にリストしています。これらの数字は、エッジファイによって自己報告されています。

損失防止が最初の主なユースケースを提供する

小売業での損失防止は、コンピュータビジョンが直接チェックアウト時に発生する特定のイベントに結び付けることができるため、エッジファイにとって比較的直截した出発点を提供します。

セルフチェックアウト端末では、プラットフォームは、スキャンされているバーコードとアイテムの不一致を特定し、スキャンされていない製品を袋に入れるエリアに配置することを検出して、従業員に警告を送信したり、自動介入をトリガーしたりできます。

製品認識モデルの同社は、伝統的なバーコードを持たない新鮮な生産物やその他のアイテムも識別できます。エッジファイは、このテクノロジーが、チェックアウトハードウェアを交換する必要なく、既存のスキャナーとスケールのインフラストラクチャ内で直接動作できることを示しています。

同じコンピュータビジョンのインフラストラクチャは、盗難防止を超えて拡大できます。エッジファイはすでに、カメラを使用して廃棄された製品を識別し、在庫レコードを改善するための廃棄物管理を別のアプリケーションとしてリストしています。

新しい資金調達により、モデルライフサイクルインフラストラクチャのさらなる拡大が支援されます。具体的には、モデルがトレーニングされ、展開され、監視され、また小売デバイスのフリート全体で更新される方法が含まれます。

連邦学習がより困難なエッジAI問題に取り組む

エッジファイのアプローチの技術的に最も興味深い側面の1つは、連邦学習を取り巻く同社の取り組みです。ここでは、複数のデバイスが、中央にデータセットをプールする必要なく、機械学習モデルを改善するために貢献します。

問題は、物理的な環境では、さまざまなデバイスによって生成されるデータがほとんど同じであることは稀です。あるスーパーマーケット内のカメラは、別の場所のカメラとは異なる製品、照明条件、買い手、レイアウト、動作に遭遇する可能性があります。

エッジファイの研究は、非独立および同一分布ではない（非IID）データでの連邦学習の問題を探究しており、ローカルでトレーニングされたモデルが異なる方向に進む可能性があります。同社の研究者は、プライバシー上のリスクを追加したり、通信要件を大幅に増やしたりせずに、ローカルモデルを共有最適解に向けて促進する方法を提案しました。

実用的には、この分散型トレーニングアーキテクチャにより、エッジデバイスのネットワークが、巨大な中央のトレーニングデータセットにすべての画像やトランザクションをアップロードする必要なく、共同で改善できるようになります。

これは、AIがデータセンターを超えて、カメラ、産業用センサー、車両、ロボット、機械、その他の物理インフラストラクチャ全体で動作し始めるにつれて、ますます重要になる可能性があります。

小売AIから物理AIインフラストラクチャへ

エッジファイは最終的に、小売業が技術の限界ではなく、むしろ出発点であると見なしています。

同社は、ファストフードレストラン、物流センター、衣料小売業、物流、製造、輸送、倉庫運営など、追加の環境をターゲットにしています。

これらのセクターは、多くの技術的な制約を共有しています。大量のローカルデータを生成し、クラウド接続が制限されているか高価な場合には、リアルタイムで応答できるAIシステムが必要です。

これは、エッジファイのプラットフォームの長期的な影響がより重大になる場所です。

現在のAIインフラストラクチャブームは、中央集権型コンピューティングを中心に展開しており、ますます強力なモデルがハイパースケールデータセンター内で実行されています。物理AIは、異なるインフラストラクチャ問題を生み出します。倉庫のカメラ、チェックアウトスキャナー、ファクトリーセンサー、または自律機械は、データを別の場所に送信することなく、すぐに、継続的に、そして潜在的に決定を下す必要があります。

エッジファイのエッジファーストアーキテクチャは、その問題を解決するための1つのアプローチを表しています。すなわち、物理的な世界で既に動作しているデバイス全体でAIの実行を分散し、同時に、ネットワーク全体でモデルを調整できる管理レイヤーを維持することです。

同社は、より広い目標を、現実世界の決定が生成されるどこにでもAIを実用的にすることであると説明しています。つまり、中央のインフラストラクチャとの継続的な通信に依存するのではなく、決定を下す必要があります。

AIの次の戦場はエッジにあるかもしれない

900万ドルのラウンドは、AIモデル開発者やデータセンターインフラストラクチャへの巨額の資金調達と比較して相対的に控えめですが、エッジファイはスタックの異なる部分で動作しています。

コンピュータビジョンやますます複雑なAIモデルが小売店、工場、倉庫、輸送ネットワーク、その他の物理的な環境に広がるにつれて、組織は、これらのモデルを、潜在的に数千または数百万の異種デバイスにわたって展開および維持する方法を見つける必要があります。

これにより、新しい機械学習オペレーションの課題が生じます。つまり、モデルをトレーニングするだけでなく、推論がどこで発生するか、トレーニングデータがどこに残るか、モデルが分散された環境からどのように学習するか、また更新がデバイスのフリート全体でどのように調整されるかを決定する必要があります。

小売業は、エッジファイに、問題を解決するための厳しい環境を提供します。如果基盤がチェックアウトと損失防止を超えて汎用性を持つことができる場合、より大きな機会は、AIがクラウドから物理的な世界にさらに深く進出するにつれて、必要なオーケストレーションインフラストラクチャの一部を提供することである可能性があります。