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

런던에 본사를 둔 에지파이는 에지 인공 지능 플랫폼 확장을 위해 900만 달러의 시리즈 A+ 자금을 유치하였으며, 이는 회사 전체 자금을 2,500만 달러로 늘린다.

이 자금은 랭크 벤처스와 망그로브 캐피탈 파트너스가 후원하였다. 에지파이는 물리적 소매점에서 배포를 가속화하는 데 자금을 사용할 계획이며, 동시에 플랫폼을 분산된 장치에서 AI 모델을 관리하는 더广泛한 인프라 계층으로 개발할 것이다.

公司는 초기에 식료품 소매점에서 성과를 거두었는데, 여기서 컴퓨터 비전을 사용하여 제품을 인식하고, 스캔되지 않은 항목을 식별하며, 바코드 교환을 감지하고, 셀프 체크아웃에서 손실을 줄일 수 있다. 그러나 자금의 더 큰 야망은 카메라, 스케일, 스캐너, 셀프 체크아웃 터미널, 판매 시점 시스템과 같은 장치를 연결하는 공통 AI 계층을 제공하는 것이다.

에지파이는 원시 데이터를 지속적으로 중앙 클라우드 인프라에 전송하는 대신 에지 장치에서 직접 AI 모델을 실행, 업데이트, 관리하도록 설계되었다.

기존 매장 하드웨어를 AI 네트워크로 전환

물리적 소매점은 점점 더 많은 지능형 또는 반지능형 장치 네트워크를 운영하고 있지만, 이러한 시스템은 종종 독립적으로 배포된다.

에지파이는 이러한 하드웨어를 조정된 기계 학습 환경으로 연결하려고 시도한다.

에지파이의 소프트웨어는 API를 통해 기존 판매 시점 시스템 및 셀프 체크아웃 기계와 통합할 수 있으며, 컴퓨터 비전 모델은 표준 USB 카메라, 스캐너, 스케일과 같은 하드웨어에서 실행될 수 있다. 公司는 모델이 정기적인 중앙 집중식 재훈련에만 의존하지 않고 정상적인 매장 운영 중에 생성된 데이터에서 계속 학습할 수 있다고 말한다.

이 아키텍처는 특히 컴퓨터 비전에 관련이 있다. 비디오 및 이미지 데이터를 클라우드에서 지속적으로 전송하고 처리하는 것은 비용이 많이 들 수 있다. 데이터가 생성되는 곳에서 정보를 처리하면 네트워크 요구 사항을 줄일 수 있으며 대기 시간이 더 낮은 결정이 가능하다.

에지파이는 원시 고객 데이터가 소매점의 경계 내에 남아 있을 수 있으며, 이는 중앙 집중식 데이터 수집이 문제가 되는 환경에서 에지 처리가 매력적으로 만들 수 있다.

公司은 현재 2,042개의 매장, 9,437개의 연결된 장치, 플랫폼 전체에서 4억 개 이상의 샘플을 보유하고 있다. 이러한 숫자는 에지파이에서 자체 보고된다.

손실 방지: 첫 번째 주요 사용 사례

소매 손실 방지는 에지파이에게 비교적 간단한 시작점을 제공한다. 컴퓨터 비전을 체크아웃에서 발생하는 특정 이벤트에 직접 연결할 수 있기 때문이다.

셀프 체크아웃 터미널에서 플랫폼은 스캔된 바코드와 항목 사이의 불일치를 식별하고, 스캔되지 않은 제품을 가방에 넣는 것을 감지하며, 직원을 경고하거나 자동干预를 트리거할 수 있다.

제품 인식 모델은 또한 전통적인 바코드가 없는 신선한 제품을 식별할 수 있다. 에지파이는 이 기술이 체크아웃 하드웨어를 교체하지 않고도 기존 스캐너 및 스케일 인프라 내에서 작동할 수 있다고 말한다.

同じ 컴퓨터 비전 인프라는 도난 방지以外의 분야로 확장될 수 있다. 에지파이는 이미 폐기물 관리를 다른 응용 프로그램으로 나열하며, 카메라를 사용하여 폐기된 제품을 식별하고 재고 기록을 개선한다.

새로운 자금은 모델 수명 주기 인프라의 확장을 지원할 것이다. 여기에는 모델이 훈련, 배포, 모니터링, 업데이트되는 방식이 포함된다.

연합 학습: 더 어려운 에지 AI 문제

에지파이 접근 방식의 더 기술적으로 흥미로운 측면 중 하나는 연합 학습을 다루는 것이다. 여기서 여러 장치가 중앙 집중식으로 풀리지 않아도 기계 학습 모델을 개선하는 데 기여한다.

물리적 환경에서 문제가 더 복잡해진다. 다른 장치에서 생성된 데이터는 거의 동일하지 않다. 한 슈퍼마켓 안의 카메라는 다른 조건에서 작동하는 카메라와 다른 제품, 조명, 쇼핑객, 레이아웃, 행동을遇할 수 있다.

에지파이의 연구는 비독립적이고 동일하게 분산되지 않은(Non-IID) 데이터에서 연합 학습 문제를 탐구했다. 여기서 지역적으로 훈련된 모델이 서로 다른 방향으로 이동하기 시작할 수 있다. 연구자들은 추가적인 개인 정보 보호 위험이나 통신 요구 사항을 크게 증가시키지 않으면서 지역 모델이 공유 최적값으로 향하도록 설계된 방법을 제안했다.

실제로, 이러한 분산된 훈련 아키텍처는 에지 장치 네트워크가 중앙 집중식 훈련 데이터 세트에 모든 이미지 또는 트랜잭션을 업로드하지 않고도 집체적으로 개선할 수 있도록 할 수 있다.

이것은 AI가 데이터 센터를 넘어 카메라, 산업 센서, 차량, 로봇, 기계, 기타 물리적 인프라에서 작동하기 시작할 때 점점 더 중요해질 수 있다.

소매 AI에서 물리적 AI 인프라로

에지파이는 소매를 기술의 한계로 보지 않는다.

公司은 추가 환경을 타겟으로 하고 있으며, 여기에는 퀵 서비스 레스토랑, 배급 센터, 의류 소매, 물류, 제조, 운송, 창고 운영이 포함된다.

이 섹터는 기술적으로 유사한 제약 조건을 공유한다. 많은 로컬 데이터를 생성하며, 쉽게 교체할 수 없는 기존 하드웨어에 의존하며, 클라우드 연결이 제한적이거나 비싼 경우에도 실시간으로 반응할 수 있는 AI 시스템이 필요하다.

에지파이의 에지 우선 아키텍처는 이러한 문제를 해결하는 접근 방식 중 하나이다. 물리적 세계에서 이미 작동하는 장치에 걸쳐 AI 실행을 분산시키면서, 네트워크를 걸쳐 모델을 조정할 수 있는 관리 계층을 유지한다.

公司은 더广泛한 목표를 실현하고자 한다. 즉, 실제 세계에서 결정이 생성되는 모든 곳에서 AI를 실제로 사용할 수 있도록 하는 것이다. 중앙 집중식 인프라와의 상시 통신에 의존하지 않고 말이다.

AI의 다음 전투는 에지에서 일어날 수 있다

900만 달러의 자금은 AI 모델 개발자와 데이터 센터 인프라에 흐르는 엄청난 자본에 비하면 MODEST하다. 그러나 에지파이는 스택의 다른 부분에서 작동한다.

컴퓨터 비전과 점점 더 복잡한 AI 모델이 소매점, 공장, 창고, 운송 네트워크, 기타 물리적 환경으로 확장함에 따라, 조직은 수천 또는 수백만 개의 이기종 장치에 걸쳐 이러한 모델을 배포하고 유지하는 방법을 찾야 한다.

그것은 새로운 기계 학습 운영 과제를 만든다. 단순히 모델을 훈련하는 것이 아니라, 추론이 어디서 일어나는지, 훈련 데이터가 어디에 남아 있는지, 모델이 분산된 환경에서 어떻게 학습하는지, 업데이트가 어떻게 조정되는지 결정하는 것이다.

소매는 에지파이에게 이러한 문제를 해결하기 위해 엄격한 환경을 제공한다. 플랫폼이 체크아웃과 손실 방지의 한계를 넘어 확장할 수 있다면, 더 큰 기회는 클라우드에서 물리적 세계로 이동하는 AI에 필요한 오케스트레이션 인프라의 일부를 제공하는 것이다.