Edgify får $9M for å utvide Edge AI‑infrastruktur for fysisk detaljhandel

London-basert Edgify har hentet $9 millioner i Series A+ finansiering for å utvide sin edge kunstig intelligens-plattform, og bringer selskapets totale finansiering til $25 millioner.

Runden ble støttet av Rank Ventures og Mangrove Capital Partners. Edgify planlegger å bruke kapitalen til å akselerere utrullinger i fysisk detaljhandel samtidig som de utvikler plattformen til et bredere infrastrukturlag for å håndtere AI-modeller på tvers av distribuerte enheter.

Selskapet har i første omgang fått fotfeste i dagligvarehandelen, hvor datamaskinsyn kan brukes til å gjenkjenne produkter, identifisere uskannede varer, oppdage bytte av strekkoder, og redusere tap ved selvbetjente kasser. Men den større ambisjonen bak finansieringen er å tilby et felles AI‑lag som kobler sammen enheter som kameraer, vekter, skannere, selvbetjente terminaler og kassesystemer.

I stedet for kontinuerlig å sende rådata til sentralisert skyinfrastruktur, er Edgify designet for å kjøre, oppdatere og administrere AI-modeller direkte på edge‑enheter.

Omforme eksisterende butikkmaskinvare til et AI‑nettverk

Fysiske detaljhandlere driver i økende grad store nettverk av intelligente eller semi‑intelligente enheter, men disse systemene blir ofte implementert uavhengig.

Edgify prøver å koble denne maskinvaren inn i et koordinert maskinlæringsmiljø.

Programvaren kan integreres med eksisterende kassesystemer og selvbetjente maskiner via API‑er, mens datamaskinsyn-modeller kan kjøres på maskinvare som standard USB‑kameraer, skannere og vekter. Selskapet sier at modellene også kan fortsette å lære fra data generert under normal butikkdrift, i stedet for å være helt avhengige av periodisk sentralisert retrening.

Denne arkitekturen er spesielt relevant for datamaskinsyn fordi video‑ og bildedata kan være kostbare å kontinuerlig overføre og behandle i skyen. Å behandle informasjon nærmere der den genereres kan redusere nettverkskravene samtidig som beslutninger kan tas med lavere latens.

Edgify sier at rå kundedata kan forbli innenfor butikkens perimeter, en tilnærming som også kan gjøre kantprosessering attraktiv i miljøer hvor personvern‑ eller datalokaliseringskrav gjør sentralisert datainnsamling problematisk.

Selskapet oppgir for øyeblikket 2 042 butikker, 9 437 tilkoblede enheter og mer enn 400 millioner prøver på tvers av plattformen. Disse tallene er selvrapportert av Edgify.

Tapforebygging gir det første store bruksområdet

Tapforebygging i detaljhandelen gir Edgify et relativt enkelt startpunkt fordi datamaskinsyn kan knyttes direkte til spesifikke hendelser som skjer ved kassen.

Ved selvbetjente terminaler kan plattformen identifisere avvik mellom en vare og strekkoden som skannes, oppdage produkter som legges i poseområdet uten å bli skannet, og varsle ansatte eller utløse en automatisert intervensjon.

Produktgjenkjenningsmodellene kan også identifisere ferske produkter og andre varer uten tradisjonelle strekkoder. Edgify sier at denne teknologien kan operere direkte innen eksisterende skanner‑ og vektinfrastruktur i stedet for at detaljhandlere må erstatte kassemaskinvaren.

Den samme datamaskinsyn‑infrastrukturen kan utvides utover tyveriforebygging. Edgify oppgir allerede avfallshåndtering som en annen anvendelse, ved å bruke kameraer til å identifisere kastede produkter og forbedre lageroppføringer.

Den nye finansieringen vil støtte ytterligere utvidelse av denne modell‑livssyklus‑infrastrukturen, inkludert hvordan modeller trenes, distribueres, overvåkes og oppdateres på tvers av flåter av detaljhandelenheter.

Føderert læring takler et vanskeligere Edge AI‑problem

Et av de mest teknisk interessante aspektene ved Edgify sin tilnærming er arbeidet med føderert læring, hvor flere enheter bidrar til å forbedre maskinlæringsmodeller uten at deres underliggende datasett må samles sentralt.

Problemet blir mer komplisert i fysiske miljøer fordi data generert av ulike enheter sjelden er identiske. Et kamera i ett supermarked kan møte andre produkter, lysforhold, kunder, layout og atferd enn et kamera som opererer hundrevis av kilometer unna.

Edgify sin forskning har utforsket dette problemet med føderert læring på ikke‑uavhengige og identisk fordelte (non‑IID) data, hvor lokalt trente modeller kan begynne å bevege seg i ulike retninger. Forskerne deres foreslo en metode designet for å oppmuntre de lokale modellene mot et felles optimum uten å legge til ekstra personvernrisiko eller betydelig øke kommunikasjonskravene.

I praktiske termer kan denne typen distribuert treningsarkitektur tillate et nettverk av kant‑enheter å forbedre seg kollektivt uten at hvert bilde eller hver transaksjon må lastes opp til ett enormt sentralisert treningsdatasett.

Dette kan bli stadig viktigere etter hvert som AI beveger seg utover datasentre og begynner å operere på tvers av kameraer, industrielle sensorer, kjøretøy, roboter, maskiner og annen fysisk infrastruktur.

Fra detaljhandels‑AI til fysisk AI‑infrastruktur

Edgify ser i siste ende detaljhandelen som et inngangspunkt snarere enn en grense for teknologien deres.

Selskapet retter seg mot ytterligere miljøer, inkludert hurtigserveringsrestauranter, distribusjonssentre, klesbutikk, logistikk, produksjon, transport og lagerdrift.

Disse sektorene deler mange av de samme tekniske begrensningene. De genererer betydelige mengder lokal data, er ofte avhengige av eksisterende maskinvare som ikke lett kan erstattes, og krever AI‑systemer som kan svare i sanntid selv når skytilkoblingen er begrenset eller dyr.

Det er her de langsiktige implikasjonene av Edgify sin plattform blir mer betydningsfulle.

Mye av den nåværende AI‑infrastrukturboomen har sentrert seg rundt sentralisert databehandling, med stadig kraftigere modeller som kjører i hyperskalade datasentre. Fysisk AI skaper et annet infrastrukturproblem. Et lagerkamera, en kassaskanner, en fabrikk‑sensor eller en autonom maskin kan måtte ta beslutninger umiddelbart, kontinuerlig, og potensielt uten å først sende hele datastrømmen et annet sted.

Edgify sin edge‑første arkitektur representerer en tilnærming til å løse dette problemet: distribuere AI‑utførelse på tvers av enhetene som allerede opererer i den fysiske verden, samtidig som man opprettholder et styringslag som kan koordinere modeller på tvers av nettverket.

Selskapet beskriver sitt bredere mål som å gjøre AI praktisk der ekte verdensbeslutninger genereres, i stedet for å kreve at disse beslutningene er avhengige av konstant kommunikasjon med sentralisert infrastruktur.

Det neste slagmarken for AI kan være ved kanten

$9‑millionersrunden er relativt beskjeden sammenlignet med den enorme kapitalen som strømmer inn i AI‑modellutviklere og datasenter‑infrastruktur, men Edgify opererer i en annen del av stacken.

Etter hvert som datamaskinsyn og stadig mer sofistikerte AI‑modeller sprer seg inn i butikker, fabrikker, lager, transportnettverk og andre fysiske miljøer, vil organisasjoner trenge metoder for å distribuere og vedlikeholde disse modellene på tvers av potensielt tusenvis eller millioner av heterogene enheter.

Det skaper en ny utfordring innen maskinlæringsoperasjoner: ikke bare å trene en modell, men å bestemme hvor inferens skjer, hvor treningsdata forblir, hvordan modeller lærer fra distribuerte miljøer, og hvordan oppdateringer koordineres på tvers av hele flåter av maskiner.

Detaljhandelen gir Edgify et krevende miljø for å løse disse problemene. Hvis den underliggende plattformen kan generalisere utover kasse og tapforebygging, kan den større muligheten være å levere en del av orkestreringsinfrastrukturen som kreves når AI beveger seg ut av skyen og dypere inn i den fysiske verden.