에지파이, 물리적 소매점을 위한 에지 AI 인프라 확장 위해 900만 달러 투자 유치

런던에 본사를 둔 에지파이 는 에지 AI 플랫폼 확장을 위한 시리즈 A+ 투자로 900만 달러를 유치했습니다. 누적 투자금은 2,500만 달러가 됐습니다.

이번 투자에는 Rank Ventures 와 Mangrove Capital Partners가 참여했습니다. 에지파이는 자금을 오프라인 소매점 도입 확대에 쓰면서 여러 기기에 분산된 AI 모델을 관리하는 더 폭넓은 인프라 계층으로 플랫폼을 발전시킬 계획입니다.

회사는 초기에 식료품 소매업에서 성과를 거뒀습니다. 이 분야에서는 컴퓨터 비전 으로 상품을 인식하고 미스캔 상품과 바코드 바꿔치기를 탐지하며 셀프 계산대 손실을 줄일 수 있습니다. 투자 유치의 더 큰 목표는 카메라, 저울, 스캐너, 셀프 계산대, 판매시점관리(POS) 시스템을 연결하는 공통 AI 계층을 제공하는 것입니다.

에지파이는 원시 데이터를 중앙 클라우드 인프라로 계속 보내는 대신 에지 기기에서 직접 AI 모델을 실행·업데이트·관리하도록 설계됐습니다.

기존 매장 하드웨어를 AI 네트워크로 전환

오프라인 소매업체는 지능형 또는 일부 지능 기능을 갖춘 기기의 대규모 네트워크를 점점 더 많이 운영하지만, 개별 시스템은 따로 설치되는 경우가 많습니다.

에지파이는 이런 하드웨어를 서로 조정되는 기계학습 환경으로 연결하려 합니다.

에지파이 소프트웨어는 API로 기존 판매시점관리(POS) 시스템 및 셀프 계산대와 연동할 수 있습니다. 컴퓨터 비전 모델은 일반 USB 카메라, 스캐너, 저울 등의 하드웨어에서 실행할 수 있습니다. 회사는 정기적인 중앙 재학습에만 의존하지 않고 정상적인 매장 운영 중 생성되는 데이터로 모델이 계속 학습할 수도 있다고 설명합니다.

영상과 이미지 데이터를 클라우드로 계속 전송하고 처리하는 데 비용이 많이 들 수 있어 이 구조는 컴퓨터 비전에서 특히 의미가 있습니다. 데이터가 생성되는 곳 가까이에서 처리하면 네트워크 요구량을 줄이고 더 짧은 지연으로 결정을 내릴 수 있습니다.

에지파이는 고객 원시 데이터를 소매업체의 경계 안에 유지할 수 있다고 설명합니다. 개인정보 보호나 데이터 보관 지역 요건 때문에 중앙 수집이 어려운 환경에서도 에지 처리의 매력이 커질 수 있습니다.

회사가 현재 공개한 플랫폼 규모는 매장 2,042곳, 연결 기기 9,437대, 샘플 4억 개 이상입니다. 모두 에지파이가 자체 보고한 수치입니다.

첫 주요 활용 분야는 손실 방지

소매 손실 방지는 컴퓨터 비전을 계산대에서 일어나는 구체적인 사건에 직접 연결할 수 있어 에지파이에 비교적 명확한 출발점을 제공합니다.

셀프 계산대에서 플랫폼은 상품과 스캔한 바코드의 불일치를 찾고, 스캔하지 않은 상품을 포장 구역에 놓는 행동을 감지하며, 직원에게 알리거나 자동 개입을 실행할 수 있습니다.

상품 인식 모델은 일반 바코드가 없는 신선 농산물과 다른 상품도 식별할 수 있습니다. 에지파이는 소매업체가 계산대 하드웨어를 교체하지 않아도 기존 스캐너·저울 인프라에서 이 기술을 직접 실행할 수 있다고 설명합니다.

같은 컴퓨터 비전 인프라는 도난 방지 외에도 활용할 수 있습니다. 에지파이는 카메라로 폐기 상품을 식별하고 재고 기록을 개선하는 폐기물 관리도 이미 적용 분야로 제시합니다.

새 투자금은 소매 기기 전체에서 모델을 학습·배포·감시·업데이트하는 모델 수명주기 인프라를 더욱 확장하는 데 쓰입니다.

더 어려운 에지 AI 문제에 대응하는 연합학습

에지파이 접근법에서 기술적으로 주목할 부분 중 하나는 연합학습입니다. 여러 기기가 원천 데이터셋을 중앙에 모으지 않고도 기계학습 모델 개선에 기여하는 방식입니다.

물리적 환경에서는 기기별 데이터가 같지 않기 때문에 문제가 더 복잡해집니다. 한 슈퍼마켓의 카메라와 수백 마일 떨어진 카메라는 서로 다른 상품, 조명, 고객, 배치, 행동을 마주할 수 있습니다.

에지파이는 데이터가 독립적이고 동일한 분포를 따르지 않는 비IID 환경의 연합학습을 연구했습니다. 이런 환경에서는 현지에서 학습한 모델들이 서로 다른 방향으로 움직일 수 있습니다. 연구진은 개인정보 위험을 추가하거나 통신 요구량을 크게 늘리지 않으면서 현지 모델들이 공통 최적점으로 향하도록 유도하는 방법을 제안했습니다.

실제로 이런 분산 학습 구조는 에지 기기 네트워크가 모든 이미지와 거래를 거대한 중앙 학습 데이터셋에 올리지 않고도 함께 성능을 높이게 할 수 있습니다.

AI가 데이터센터를 넘어 카메라, 산업 센서, 차량, 로봇, 기계 등 물리적 인프라로 퍼질수록 이는 더 중요해질 수 있습니다.

소매 AI에서 물리적 AI 인프라로

에지파이는 소매를 기술의 한계가 아니라 진입점으로 봅니다.

회사는 패스트푸드 등 신속 서비스 음식점, 물류센터, 의류 소매, 물류, 제조, 운송, 창고 운영으로 적용 대상을 넓히려 합니다.

이 분야들은 비슷한 기술적 제약을 공유합니다. 현장에서 많은 데이터를 생성하고 쉽게 교체할 수 없는 기존 하드웨어에 의존하며, 클라우드 연결이 제한되거나 비싸도 AI가 실시간으로 대응해야 합니다.

여기서 에지파이 플랫폼의 장기적 의미가 커집니다.

현재 AI 인프라 호황의 상당 부분은 초대형 데이터센터에서 점점 강력한 모델을 실행하는 중앙집중형 컴퓨팅에 집중됐습니다. 물리적 AI는 다른 인프라 문제를 만듭니다. 창고 카메라, 계산대 스캐너, 공장 센서, 자율 기계는 모든 데이터 흐름을 먼저 다른 곳에 보내지 않고도 즉시, 지속적으로 판단해야 할 수 있습니다.

에지파이의 에지 우선 구조는 한 가지 해결책입니다. 물리적 세계에서 이미 작동하는 기기로 AI 실행을 분산하고, 관리 계층이 네트워크 전반의 모델을 조정하도록 합니다.

회사는 더 큰 목표를 실제 세계의 의사결정이 이뤄지는 모든 곳에서 AI를 실용적으로 사용할 수 있게 하는 것이라고 설명합니다. 그런 결정이 중앙 인프라와의 끊임없는 통신에 의존하지 않도록 하려는 것입니다.

AI의 다음 경쟁 무대는 에지일 수 있다

900만 달러 투자는 AI 모델 개발사와 데이터센터 인프라에 들어가는 막대한 자본에 비하면 작은 편입니다. 하지만 에지파이는 기술 체계의 다른 부분에서 사업을 하고 있습니다.

컴퓨터 비전과 더욱 정교한 AI 모델이 매장, 공장, 창고, 운송망 등 물리적 환경으로 확산되면 조직은 수천 대에서 수백만 대에 이를 수 있는 이질적인 기기에 모델을 배포하고 유지할 방법이 필요합니다.

새로운 기계학습 운영 과제가 생깁니다. 모델 학습뿐 아니라 어디서 추론할지, 학습 데이터를 어디에 둘지, 분산된 환경에서 어떻게 학습할지, 전체 기기의 업데이트를 어떻게 조정할지를 결정해야 합니다.

소매업은 에지파이 가 이런 문제를 풀기에 까다로운 환경을 제공합니다. 기반 플랫폼을 계산대와 손실 방지 너머로 일반화할 수 있다면, AI가 클라우드 밖 물리적 세계로 더 깊이 들어가는 데 필요한 조정 인프라의 일부를 제공하는 더 큰 기회가 열릴 수 있습니다.