Edgify Haalt $9 Miljoen Op Om Edge AI-infrastructuur voor Fysieke Detailhandel Uit te Breiden

Londen-based Edgify heeft $9 miljoen opgehaald in een Series A+-financieringsronde om zijn edge-artificiële intelligentieplatform uit te breiden, waardoor het totale financieringsbedrag van het bedrijf $25 miljoen bedraagt.

De ronde werd gesteund door Rank Ventures en Mangrove Capital Partners. Edgify plant om het kapitaal te gebruiken om de implementaties in de fysieke detailhandel te versnellen en zijn platform verder te ontwikkelen tot een bredere infrastructuurlaag voor het beheer van AI-modellen op gedistribueerde apparaten.

Het bedrijf heeft aanvankelijk succes behaald in de groothandel, waar computer visie kan worden gebruikt om producten te herkennen, niet-gescande artikelen te identificeren, barcodeswitching te detecteren en verliezen bij zelfscanning te verminderen. Maar de grotere ambitie achter de financiering is om een gemeenschappelijke AI-laag te bieden die apparaten zoals camera’s, weegschalen, scanners, zelfscankassa’s en kassasystemen verbindt.

In plaats van voortdurend ruwe gegevens naar centrale cloud-infrastructuur te verzenden, is Edgify ontworpen om AI-modellen rechtstreeks op edge-apparaten uit te voeren, bij te werken en te beheren.

Bestaande Winkelhardware Omzetten in een AI-netwerk

Fysieke detailhandelaren opereren steeds vaker grote netwerken van intelligente of semi-intelligente apparaten, maar die systemen worden vaak onafhankelijk van elkaar geïmplementeerd.

Edgify probeert die hardware te verbinden tot een gecoördineerde machine learning-omgeving.

Zijn software kan worden geïntegreerd met bestaande kassasystemen en zelfscankassa’s via API’s, terwijl computer visie-modellen kunnen worden uitgevoerd op hardware zoals standaard USB-camera’s, scanners en weegschalen. Het bedrijf zegt dat zijn modellen ook kunnen blijven leren van gegevens die worden gegenereerd tijdens normale winkeloperaties, in plaats van volledig te vertrouwen op periodieke centrale hertraining.

Die architectuur is vooral relevant voor computer visie, omdat video- en beeldgegevens duur kunnen zijn om voortdurend te verzenden en te verwerken in de cloud. Het verwerken van informatie dichter bij de bron kan netwerkvereisten verminderen en beslissingen mogelijk maken met lagere latentie.

Edgify zegt dat ruwe klantgegevens binnen de perimeter van de detailhandelaar kunnen blijven, een aanpak die ook aantrekkelijk kan zijn in omgevingen waar privacy- of gegevensresiderijvereisten centrale gegevensverzameling problematisch maken.

Het bedrijf heeft momenteel 2.042 winkels, 9.437 aangesloten apparaten en meer dan 400 miljoen samples in zijn platform. Deze cijfers zijn zelf gerapporteerd door Edgify.

Verliespreventie Biedt de Eerste Grote Toepassing

Verliespreventie in de detailhandel biedt Edgify een relatief eenvoudig startpunt, omdat computer visie rechtstreeks kan worden gekoppeld aan specifieke gebeurtenissen bij de kassa.

Bij zelfscankassa’s kan het platform ongerechtigheden tussen een artikel en de gescande barcode identificeren, producten detecteren die in de bagagezone worden geplaatst zonder te zijn gescand en medewerkers waarschuwen of een geautomatiseerde interventie activeren.

Zijn productherkenningmodellen kunnen ook verse producten en andere artikelen zonder traditionele barcodes identificeren. Edgify zegt dat deze technologie rechtstreeks kan werken binnen bestaande scanner- en weegschaalinfrastructuur, zonder dat detailhandelaren hun kassahardware hoeven te vervangen.

Dezelfde computer visie-infrastructuur kan worden uitgebreid tot verder dan diefstalpreventie. Edgify heeft al afvalbeheer als een andere toepassing genoemd, waarbij camera’s worden gebruikt om weggegooide producten te identificeren en voorraadrecords te verbeteren.

De nieuwe financiering zal de verdere uitbreiding van deze modellevenscyclusinfrastructuur ondersteunen, waaronder hoe modellen worden getraind, geïmplementeerd, bewaakt en bijgewerkt op fleets van retailapparaten.

Federated Learning Lost een Moeilijker Edge AI-probleem aan

Een van de technisch interessantere aspecten van Edgify’s aanpak is zijn werk rond federated learning, waarbij meerdere apparaten bijdragen aan het verbeteren van machine learning-modellen zonder dat de onderliggende datasets centraal hoeven te worden gepoold.

Het probleem wordt ingewikkelder in fysieke omgevingen, omdat gegevens gegenereerd door verschillende apparaten zelden identiek zijn. Een camera in een supermarkt kan andere producten, lichtomstandigheden, klanten, lay-outs en gedragingen tegenkomen dan een camera die honderden kilometers verderop werkt.

Edgify’s onderzoek heeft dit probleem van federated learning op niet-onafhankelijke en niet-identieke gegevens (non-IID) onderzocht, waarbij lokaal getrainde modellen in verschillende richtingen kunnen gaan. Zijn onderzoekers hebben een methode voorgesteld die is ontworpen om die lokale modellen naar een gedeelde optimum te stimuleren zonder extra privacyrisico’s toe te voegen of de communicatievereisten aanzienlijk te verhogen.

In praktische zin kan deze gedistribueerde trainingsarchitectuur een netwerk van edge-apparaten in staat stellen om collectief te verbeteren zonder dat elke afbeelding of transactie hoeft te worden geüpload naar een enorme centrale trainingsdataset.

Dat kan steeds belangrijker worden naarmate AI zich verder ontwikkelt buiten datacenters en gaat werken op camera’s, industriële sensoren, voertuigen, robots, machines en andere fysieke infrastructuur.

Van Retail AI naar Fysieke AI-infrastructuur

Edgify ziet de detailhandel uiteindelijk als een ingangspunt in plaats van de limiet van zijn technologie.

Het bedrijf richt zich op aanvullende omgevingen, waaronder quick-service restaurants, distributiecentra, kledingwinkels, logistiek, productie, transport en magazijnoperaties.

Die sectoren delen veel van dezelfde technische beperkingen. Ze genereren aanzienlijke hoeveelheden lokale gegevens, vertrouwen vaak op bestaande hardware die niet gemakkelijk kan worden vervangen en vereisen AI-systemen die in staat zijn om in real-time te reageren, zelfs wanneer cloudconnectiviteit beperkt of duur is.

Dit is waar de langetermijnimplicaties van Edgify’s platform belangrijker worden.

Veel van de huidige AI-infrastructuurbloei is gericht op gecentraliseerde berekening, met steeds krachtigere modellen die binnen hyperschaaldatacenters draaien. Fysieke AI creëert een ander infrastructuurprobleem. Een magazijncamera, een zelfscankassa, een fabriekssensor of een autonome machine kan beslissingen moeten nemen die onmiddellijk, continu en mogelijk zonder de gehele gegevensstroom ergens anders naartoe te sturen.

Edgify’s edge-georiënteerde architectuur vertegenwoordigt een benadering om dat probleem op te lossen: AI-uitvoering distribueren over de apparaten die al in de fysieke wereld opereren, terwijl een beheerlaag wordt behouden die in staat is om modellen over het netwerk te coördineren.

Het bedrijf beschrijft zijn bredere doelstelling als het praktisch maken van AI waar ook maar beslissingen in de echte wereld worden gegenereerd, in plaats van te vereisen dat die beslissingen afhankelijk zijn van constante communicatie met gecentraliseerde infrastructuur.

De Volgende Slagveld voor AI Kan aan de Edge Zijn

De $9 miljoen ronde is relatief bescheiden in vergelijking met de enorme kapitaalstroom naar AI-modelontwikkelaars en datacenter-infrastructuur, maar Edgify opereert in een ander deel van de stack.

Naarmate computer visie en steeds geavanceerdere AI-modellen zich verspreiden naar winkels, fabrieken, magazijnen, transportnetwerken en andere fysieke omgevingen, zullen organisaties manieren nodig hebben om die modellen te implementeren en te onderhouden op mogelijk duizenden of miljoenen heterogene apparaten.

Dat creëert een nieuwe machine learning-uitdaging: niet alleen een model trainen, maar beslissen waar inferentie gebeurt, waar trainingsgegevens blijven, hoe modellen leren van gedistribueerde omgevingen en hoe updates worden gecoördineerd over hele vloten van machines.

Retail geeft Edgify een veeleisende omgeving om die problemen op te lossen. Als het onderliggende platform kan generaliseren tot verder dan zelfscanning en verliespreventie, kan de grotere kans liggen in het bieden van een deel van de orkestratie-infrastructuur die nodig is als AI zich verder ontwikkelt uit de cloud en dieper in de fysieke wereld.