Edgify pozyskał 9 milionów dolarów, aby rozszerzyć infrastrukturę Edge AI dla handlu detalicznego

Londyńska firma Edgify pozyskała 9 milionów dolarów w ramach finansowania serii A+, zwiększając całkowite finansowanie spółki do 25 milionów dolarów.

Rundę finansowania wspierają Rank Ventures i Mangrove Capital Partners. Edgify planuje wykorzystać kapitał do przyspieszenia wdrożeń w handlu detalicznym, jednocześnie rozwijając swoją platformę w kierunku szerszej warstwy infrastrukturalnej do zarządzania modelami AI na urządzeniach rozproszonych.

Spółka początkowo znalazła zastosowanie w handlu detalicznym, gdzie wizja komputerowa może być wykorzystana do rozpoznawania produktów, identyfikacji nieprzeskanowanych przedmiotów, wykrywania wymiany kodów kreskowych i redukcji strat w kasach samoobsługowych. Ale większa ambicja za tym finansowaniem jest zapewnienie wspólnej warstwy AI, łączącej urządzenia takie jak kamery, wagi, skanery, terminaly samoobsługowe i systemy kasowe.

Zamiast ciągłego wysyłania surowych danych do scentralizowanej infrastruktury chmurowej, Edgify jest zaprojektowany do uruchamiania, aktualizowania i zarządzania modelami AI bezpośrednio na urządzeniach brzegowych.

Przekształcanie istniejącej sprzętu sklepu w sieć AI

Detalowi sprzedawcy coraz częściej operują dużymi sieciami inteligentnych lub półinteligentnych urządzeń, ale te systemy są często wdrażane niezależnie.

Edgify próbuje połączyć ten sprzęt w skoordynowane środowisko uczenia maszynowego.

Jego oprogramowanie może integrować się z istniejącymi systemami kasowymi i maszynami samoobsługowymi za pomocą interfejsów API, podczas gdy modele wizji komputerowej mogą działać na sprzęcie, w tym standardowych kamerach USB, skanerach i wagach. Spółka twierdzi, że jej modele mogą również kontynuować uczenie się z danych generowanych podczas normalnych operacji sklepu, zamiast polegać wyłącznie na centralnym przeszkoleniu.

Ta architektura jest szczególnie istotna dla wizji komputerowej, ponieważ dane wideo i obrazów mogą być drogie w ciągłym transmisji i przetwarzaniu w chmurze. Przetwarzanie informacji bliżej miejsca ich powstawania może zmniejszyć wymagania sieciowe, a także umożliwić podejmowanie decyzji z niższą latencją.

Edgify twierdzi, że surowe dane klientów mogą pozostać w obrębie detalisty, co może również sprawić, że przetwarzanie brzegowe będzie atrakcyjne w środowiskach, w których wymagania dotyczące prywatności lub rezydencji danych utrudniają scentralizowane zbieranie danych.

Spółka obecnie wymienia 2042 sklepy, 9437 połączonych urządzeń i ponad 400 milionów próbek na swojej platformie. Te dane są samodzielnie raportowane przez Edgify.

Zapobieganie stratom zapewnia pierwszy znaczący przypadek użycia

Zapobieganie stratom w handlu detalicznym daje Edgify stosunkowo prosty punkt wyjścia, ponieważ wizja komputerowa może być bezpośrednio związana z konkretnymi zdarzeniami występującymi na kasie.

Na terminalach samoobsługowych platforma może identyfikować niezgodności między produktem a skanowanym kodem kreskowym, wykrywać produkty umieszczane w obszarze pakowania bez skanowania i alarmować pracowników lub wywoływać automatyczne interwencje.

Jego modele rozpoznawania produktów mogą również identyfikować świeże produkty i inne przedmioty bez tradycyjnych kodów kreskowych. Edgify twierdzi, że ta technologia może działać bezpośrednio w ramach istniejącej infrastruktury skanerów i wag, zamiast wymagać od detalistów wymiany ich sprzętu kasowego.

Ta sama infrastruktura wizji komputerowej może być rozszerzona poza zapobieganie kradzieżom. Edgify już wymienia zarządzanie odpadami jako kolejne zastosowanie, wykorzystując kamery do identyfikacji wyrzucanych produktów i poprawy rejestrów inwentarzowych.

Nowe finansowanie wesprze dalszy rozwój tej infrastruktury cyklu życia modeli, w tym szkolenia, wdrożenia, monitorowania i aktualizacji modeli na flotach urządzeń detalicznych.

Federated Learning rozwiązuje trudniejszy problem AI brzegowego

Jednym z bardziej interesujących aspektów technicznych podejścia Edgify jest praca nad federated learning, gdzie wiele urządzeń przyczynia się do poprawy modeli uczenia maszynowego bez wymogu scentralizowanego połączenia ich podstawowych zbiorów danych.

Problem staje się bardziej skomplikowany w środowiskach fizycznych, ponieważ dane generowane przez różne urządzenia są rzadko identyczne. Kamera wewnątrz jednego supermarketu może napotkać różne produkty, warunki oświetlenia, klientów, układy i zachowania niż kamera działająca setki mil dalej.

Badania Edgify dotyczyły tego problemu federated learning na danych niezależnych i identycznie rozłożonych (non-IID), gdzie lokalnie trenowane modele mogą zacząć poruszać się w różnych kierunkach. Ich badacze zaproponowali metodę zaprojektowaną do zachęcania tych lokalnych modeli do wspólnego optymalnego rozwiązania bez dodawania dodatkowych ryzyk związanych z prywatnością lub znacznego zwiększania wymagań komunikacyjnych.

W praktyce taki rozproszonej architektury szkoleniowej mógłby umożliwić sieci urządzeń brzegowych wspólne poprawianie się bez konieczności przesyłania każdego obrazu lub transakcji do jednego ogromnego scentralizowanego zestawu danych szkoleniowych.

To może stać się coraz bardziej istotne, gdy AI wykracza poza centra danych i zaczyna działać w kamerach, czujnikach przemysłowych, pojazdach, robotach, maszynach i innej infrastrukturze fizycznej.

Od AI detalicznej do infrastruktury AI fizycznej

Edgify ostatecznie widzi handel detaliczny jako punkt wejścia, a nie ograniczenie swojej technologii.

Spółka celuje w dodatkowe środowiska, w tym restauracje szybkiego obsługi, centra dystrybucyjne, handel odzieżą, logistykę, produkcję, transport i operacje magazynowe.

Te sektory dzielą wiele tych samych ograniczeń technicznych. Generują znaczne ilości lokalnych danych, często polegają na istniejącym sprzęcie, który nie może być łatwo zastąpiony, i wymagają systemów AI, które mogą reagować w czasie rzeczywistym, nawet gdy łączność z chmurą jest ograniczona lub droga.

To jest miejsce, w którym długoterminowe implikacje platformy Edgify stają się bardziej znaczące.

Większość obecnej infrastruktury AI koncentruje się wokół scentralizowanego obliczania, z coraz potężniejszymi modelami działającymi wewnątrz centrów danych. AI fizyczna tworzy inny problem infrastrukturalny. Kamera magazynowa, skaner kasowy, czujnik fabryczny lub autonomiczna maszyna może musieć podejmować decyzje natychmiast, ciągle i potencjalnie bez wysyłania całego strumienia danych w inne miejsce.

Architektura Edgify zorientowana na brzeg reprezentuje jeden z podejść do rozwiązania tego problemu: rozproszyć wykonanie AI na urządzeniach już działających w świecie fizycznym, utrzymując warstwę zarządzania zdolną do koordynowania modeli w sieci.

Spółka opisuje swój szerszy cel jako uczynienie AI praktycznym tam, gdzie generowane są decyzje świata rzeczywistego, zamiast wymagać, aby te decyzje zależały od stałej komunikacji z scentralizowaną infrastrukturą.

Następne pole bitwy dla AI może być na brzegu

Runda finansowania w wysokości 9 milionów dolarów jest stosunkowo skromna w porównaniu z ogromnym kapitałem płynącym do deweloperów modeli AI i infrastruktury centrów danych, ale Edgify działa w innym miejscu stosu.

Gdy wizja komputerowa i coraz bardziej zaawansowane modele AI rozprzestrzeniają się w sklepach detalicznych, fabrykach, magazynach, sieciach transportowych i innych środowiskach fizycznych, organizacje będą potrzebować sposobów wdrożenia i utrzymania tych modeli na potencjalnie tysiącach lub milionach heterogenicznych urządzeń.

To tworzy nowe wyzwanie operacji uczenia maszynowego: nie tylko szkolenie modelu, ale decyzja, gdzie zachodzi inferencja, gdzie pozostają dane szkoleniowe, jak modele uczą się z rozproszonych środowisk i jak aktualizacje są koordynowane na całych flotach maszyn.

Handel detaliczny daje Edgify wymagające środowisko, w którym można rozwiązać te problemy. Jeśli podstawowa platforma może uogólnić się poza kasę i zapobieganie stratom, większa możliwość może polegać na zapewnieniu części infrastruktury orchestracji wymaganej, gdy AI wychodzi z chmury i wnika głębiej w świat fizyczny.