Edgify atrage 9 milioane de dolari pentru a extinde infrastructura de inteligență artificială de margine pentru retailul fizic

Londra-based Edgify a strâns 9 milioane de dolari în finanțare de serie A+ pentru a-și extinde platforma de inteligență artificială de margine, ajungând la un total de 25 de milioane de dolari finanțați.

Runda a fost sprijinită de Rank Ventures și Mangrove Capital Partners. Edgify plănuiește să utilizeze capitalul pentru a accelera implementările în retailul fizic, în timp ce dezvoltă platforma într-un strat de infrastructură mai larg pentru gestionarea modelelor de inteligență artificială pe dispozitive distribuite.

Compania a găsit inițial tracțiune în retailul de alimente, unde viziunea computerizată poate fi utilizată pentru a recunoaște produse, a identifica articole neînscriese, a detecta schimbarea codurilor de bare și a reduce pierderile la casele de plată self-service. Dar ambiția mai mare din spatele finanțării este de a oferi un strat de inteligență artificială comun care conectează dispozitive precum camere, cântare, scanere, terminale de plată self-service și sisteme de punct de vânzare.

În loc de a trimite în mod constant date brute către infrastructura centralizată de cloud, Edgify este proiectat pentru a rula, actualiza și gestiona modele de inteligență artificială direct pe dispozitivele de margine.

Transformarea hardware-ului de magazin existent într-o rețea de inteligență artificială

Retailerii fizici operează din ce în ce mai mult o rețea mare de dispozitive inteligente sau semi-inteligente, dar aceste sisteme sunt adesea implementate în mod independent.

Edgify încearcă să conecteze această hardware într-un mediu de învățare automată coordonat.

Software-ul său poate integra cu sistemele de punct de vânzare și mașinile de plată self-service existente prin API-uri, în timp ce modelele de viziune computerizată pot rula pe hardware care include camere USB standard, scanere și cântare. Compania afirmă că modelele sale pot continua să învețe din datele generate în timpul operațiunilor normale ale magazinului, fără a depinde în întregime de reantrenarea centralizată periodică.

Arhitectura aceasta este deosebit de relevantă pentru viziunea computerizată, deoarece datele video și de imagine pot fi scumpe pentru a fi transmise și procesate în mod constant în cloud. Procesarea informațiilor mai aproape de locul în care sunt generate poate reduce cerințele de rețea și poate permite luarea deciziilor cu o latență mai mică.

Edgify afirmă că datele brute ale clienților pot rămâne în perimetrul retailerului, o abordare care poate face procesarea de margine atractivă în medii în care cerințele de confidențialitate sau de reședință a datelor fac colectarea centralizată a datelor problematică.

Compania listează în prezent 2.042 de magazine, 9.437 de dispozitive conectate și peste 400 de milioane de mostre pe platforma sa. Aceste cifre sunt raportate de Edgify.

Prevenirea pierderilor oferă primul caz de utilizare major

Prevenirea pierderilor în retail oferă Edgify un punct de plecare relativ simplu, deoarece viziunea computerizată poate fi legată direct de evenimente specifice care apar la casele de plată.

La terminalele de plată self-service, platforma poate identifica discrepanțe între un articol și codul de bare scanat, detecta produse plasate în zona de ambalare fără a fi scanate și alerta angajații sau declanșa o intervenție automată.

Modelele sale de recunoaștere a produselor pot identifica, de asemenea, produse proaspete și alte articole fără coduri de bare tradiționale. Edgify afirmă că această tehnologie poate funcționa direct în cadrul infrastructurii de scanare și cântărire existente, fără a necesita ca retailerii să înlocuiască hardware-ul de la casele de plată.

Infrastructura acestei viziuni computerizate poate fi extinsă dincolo de prevenirea furturilor. Edgify listează deja gestionarea deșeurilor ca o altă aplicație, utilizând camere pentru a identifica produsele aruncate și a îmbunătăți înregistrările de stoc.

Noul finanțare va sprijini extinderea ulterioară a acestei infrastructuri de ciclu de viață a modelului, inclusiv modul în care modelele sunt antrenate, implementate, monitorizate și actualizate pe flote de dispozitive de retail.

Învățarea federată abordează o problemă mai dificilă de inteligență artificială de margine

Unul dintre aspectele mai interesante din punct de vedere tehnic ale abordării Edgify este munca sa în jurul învățării federate, unde mai multe dispozitive contribuie la îmbunătățirea modelelor de învățare automată fără a necesita ca seturile de date subiacente să fie centralizate într-un mod central.

Problema devine mai complicată în medii fizice, deoarece datele generate de dispozitive diferite sunt rareori identice. O cameră dintr-un supermarket poate întâlni produse, condiții de iluminare, clienți, layout-uri și comportamente diferite decât o cameră care funcționează la sute de mile distanță.

Cercetarea Edgify a explorat această problemă a învățării federate pe date non-independente și non-identic distribuite (non-IID), unde modelele locale antrenate pot începe să se miște în direcții diferite. Cercetătorii săi au propus o metodă destinată să încurajeze aceste modele locale către un optimum comun fără a adăuga riscuri de confidențialitate suplimentare sau a crește semnificativ cerințele de comunicare.

În termeni practici, această arhitectură de antrenament distribuit poate permite unei rețele de dispozitive de margine să se îmbunătățească colectiv fără a necesita ca fiecare imagine sau tranzacție să fie încărcată într-un enorm set de date centralizat de antrenament.

Acest lucru poate deveni din ce în ce mai important pe măsură ce inteligența artificială se extinde dincolo de centrele de date și începe să funcționeze pe camere, senzori industriali, vehicule, roboți, mașini și alte infrastructuri fizice.

De la inteligența artificială de retail la infrastructura de inteligență artificială fizică

Edgify consideră în cele din urmă retailul ca un punct de intrare, mai degrabă decât limita tehnologiei sale.

Compania își propune să vizeze medii suplimentare, inclusiv restaurante de servire rapidă, centre de distribuție, retail de îmbrăcăminte, logistică, producție, transport și operațiuni de depozitare.

Aceste sectoare împărtășesc multe dintre aceleași constrângeri tehnice. Ei generează cantități semnificative de date locale, adesea se bazează pe hardware existent care nu poate fi înlocuit cu ușurință și necesită sisteme de inteligență artificială capabile să răspundă în timp real, chiar și atunci când conectivitatea la cloud este limitată sau scumpă.

Acesta este locul în care implicațiile pe termen lung ale platformei Edgify devin mai semnificative.

Marea parte a valului actual de infrastructură de inteligență artificială s-a concentrat pe calculul centralizat, cu modele din ce în ce mai puternice care rulează în interiorul centrelor de date hyperscale. Inteligența artificială fizică creează o altă problemă de infrastructură. O cameră de depozit, un scanner de la casa de marcat, un senzor de fabrică sau o mașină autonomă poate necesita să ia decizii imediate, continuu și posibil fără a trimite întreaga flux de date undeva altundeva mai întâi.

Arhitectura Edgify de margine reprezintă o abordare pentru a rezolva această problemă: distribuiți execuția inteligenței artificiale pe dispozitivele care deja funcționează în lumea fizică, menținând un strat de gestionare capabil să coordoneze modelele pe rețea.

Compania descrie obiectivul său mai larg ca fiind acela de a face inteligența artificială practică oriunde sunt generate decizii din lumea reală, mai degrabă decât a necesita ca aceste decizii să depindă de o comunicare constantă cu infrastructura centralizată.

Următorul câmp de luptă pentru inteligența artificială poate fi la margine

Runda de 9 milioane de dolari este relativ modestă în comparație cu capitalul enorm care curge în dezvoltatorii de modele de inteligență artificială și infrastructura de centre de date, dar Edgify funcționează într-o parte diferită a stivei.

Pe măsură ce viziunea computerizată și modelele de inteligență artificială din ce în ce mai sofisticate se răspândesc în magazine, fabrici, depozite, rețele de transport și alte medii fizice, organizațiile vor avea nevoie de modalități de a implementa și menține aceste modele pe mii sau milioane de dispozitive eterogene.

Acest lucru creează o nouă provocare de operare a învățării automate: nu doar antrenarea unui model, ci deciderea unde are loc inferența, unde rămân datele de antrenament, cum modelele învață din medii distribuite și cum sunt coordonate actualizările pe întreaga flotă de mașini.

Retailul oferă Edgify un mediu exigent în care să rezolve aceste probleme. Dacă platforma subiacentă poate generaliza dincolo de casele de marcat și prevenirea pierderilor, oportunitatea mai mare poate fi aceea de a oferi o parte a infrastructurii de orchestrare necesare pe măsură ce inteligența artificială se deplasează din cloud și mai adânc în lumea fizică.