Edgify привлекает $9 млн для расширения инфраструктуры Edge AI для физической розницы

Лондонская компания Edgify привлекла $9 млн в рамках раунда финансирования Series A+, увеличив общий объем финансирования до $25 млн.

Раунд был поддержан Rank Ventures и Mangrove Capital Partners. Edgify планирует использовать эти средства для ускорения развертывания своей платформы в физической рознице, а также для развития своей платформы в более широкий слой инфраструктуры для управления моделями AI на распределенных устройствах.

Компания изначально нашла отклик в розничной торговле, где компьютерное зрение можно использовать для распознавания продуктов, выявления незасканированных предметов, обнаружения подмены штрих-кодов и снижения потерь при самообслуживании. Но более крупная цель, стоящая за этим финансированием, заключается в предоставлении общего слоя AI, соединяющего устройства, такие как камеры, весы, сканеры, терминалы самообслуживания и системы оплаты.

Вместо того, чтобы постоянно отправлять сырые данные в централизованную облачную инфраструктуру, Edgify предназначена для запуска, обновления и управления моделями AI непосредственно на устройствах Edge.

Преобразование существующего магазинного оборудования в сеть AI

Физические ритейлеры все чаще эксплуатируют крупные сети интеллектуальных или полуинтеллектуальных устройств, но эти системы часто развертываются независимо.

Edgify пытается соединить это оборудование в согласованную среду машинного обучения.

Ее программное обеспечение может интегрироваться с существующими системами оплаты и самообслуживания через API, а модели компьютерного зрения могут работать на оборудовании, включая стандартные камеры USB, сканеры и весы. Компания утверждает, что ее модели также могут продолжать обучаться на данных, генерируемых во время нормальных операций магазина, а не полагаться исключительно на периодическую централизованную переподготовку.

Эта архитектура особенно актуальна для компьютерного зрения, поскольку видео- и изображения могут быть дорогими для постоянной передачи и обработки в облаке. Обработка информации ближе к месту ее генерации может снизить требования к сети, а также позволить принимать решения с меньшей задержкой.

Edgify утверждает, что сырые данные клиентов могут оставаться внутри периметра ритейлера, подход, который также может сделать обработку на Edge привлекательной в средах, где требования к конфиденциальности или резидентности данных делают централизованную сбор данных проблематичной.

Компания в настоящее время перечисляет 2042 магазина, 9437 подключенных устройств и более 400 миллионов образцов на своей платформе. Эти цифры саморегистрируются Edgify.

Профилактика потерь обеспечивает первый крупный случай использования

Профилактика потерь в рознице дает Edgify относительно простую отправную точку, поскольку компьютерное зрение может быть直接 связано с конкретными событиями, происходящими при оформлении заказа.

На терминалах самообслуживания платформа может выявлять несоответствия между предметом и сканируемым штрих-кодом, обнаруживать продукты, помещенные в зону упаковки без сканирования, и оповещать сотрудников или запускать автоматическое вмешательство.

Ее модели распознавания продуктов также могут идентифицировать свежие продукты и другие предметы без традиционных штрих-кодов. Edgify утверждает, что эта технология может работать直接 в существующей инфраструктуре сканеров и весов, а не требует от ритейлеров заменять свое оборудование для оформления заказа.

Та же инфраструктура компьютерного зрения может быть расширена за пределы предотвращения краж. Edgify уже перечисляет управление отходами в качестве другого применения, используя камеры для выявления выброшенных продуктов и улучшения учета запасов.

Новое финансирование поддержит дальнейшее расширение этой инфраструктуры жизненного цикла моделей, включая обучение, развертывание, мониторинг и обновление моделей на флоте розничных устройств.

Федеративное обучение решает более сложную проблему Edge AI

Одним из более интересных технических аспектов подхода Edgify является ее работа над федеративным обучением, где несколько устройств способствуют улучшению моделей машинного обучения без необходимости централизованного сбора их основных наборов данных.

Проблема становится более сложной в физических средах, поскольку данные, генерируемые разными устройствами, редко идентичны. Камера внутри одного супермаркета может встречать разные продукты, условия освещения, покупателей, планировки и поведение, чем камера, работающая hundreds of miles away.

Исследования Edgify изучали эту проблему федеративного обучения на неиндентичных и неидентичных данных (non-IID), где локально обученные модели могут начать движение в разных направлениях. Их исследователи предложили метод, предназначенный для того, чтобы поощрить эти локальные модели к общему оптимальному решению без добавления дополнительных рисков для конфиденциальности или значительного увеличения требований к связи.

В практическом смысле эта распределенная архитектура обучения могла бы позволить сети устройств Edge коллективно улучшаться без необходимости загружать каждое изображение или транзакцию в один огромный централизованный набор данных для обучения.

Это может стать все более важным, поскольку AI выходит за пределы центров обработки данных и начинает работать на камерах, промышленных датчиках, транспортных средствах, роботах, машинах и другой физической инфраструктуре.

От розничного AI к физической инфраструктуре AI

Edgify в конечном итоге видит розницу как точку входа, а не предел своей технологии.

Компания нацеливается на дополнительные среды, включая рестораны быстрого обслуживания, распределительные центры, розничную торговлю одеждой, логистику, производство, транспорт и складские операции.

Эти секторы имеют многие из тех же технических ограничений. Они генерируют значительные объемы местных данных, часто полагаются на существующее оборудование, которое не может быть легко заменено, и требуют систем AI, способных реагировать в реальном времени, даже когда подключение к облаку ограничено или дорого.

Это то место, где более долгосрочные последствия платформы Edgify становятся более значимыми.

Многое из текущего бума инфраструктуры AI сосредоточено вокруг централизованной вычислительной техники, с все более мощными моделями, работающими внутри гипермасштабных центров обработки данных. Физический AI создает другую проблему инфраструктуры. Камера на складе, сканер на кассе, датчик на заводе или автономная машина могут потребовать принятия решений немедленно, непрерывно и потенциально без отправки всего потока данных куда-то еще сначала.

Архитектура Edgify, ориентированная на Edge, представляет собой один из подходов к решению этой проблемы: распределение выполнения AI на устройствах, уже работающих в физическом мире, при сохранении слоя управления, способного координировать модели на сети.

Компания описывает свою более широкую цель как сделать AI практичным где-либо, где принимаются решения в реальном мире, а не требовать от этих решений зависеть от постоянной связи с централизованной инфраструктурой.

Следующее поле битвы для AI может быть на Edge

Раунд финансирования в $9 млн относительно скромен по сравнению с огромным капиталом,流ящим в разработчиков моделей AI и инфраструктуру центров обработки данных, но Edgify работает в другой части стека.

По мере того, как компьютерное зрение и все более сложные модели AI распространяются в розничные магазины, фабрики, склады, транспортные сети и другие физические среды, организациям понадобятся способы развертывания и поддержки этих моделей на потенциально тысячах или миллионах гетерогенных устройств.

Это создает новую задачу эксплуатации машинного обучения: не просто обучение модели, но решение о том, где происходит вывод, где остаются данные для обучения, как модели учатся в распределенных средах и как обновления координируются на整个 флоте машин.

Ритейл дает Edgify требовательную среду, в которой можно решить эти проблемы. Если базовая платформа может обобщиться за пределы оформления заказа и предотвращения потерь, более крупная возможность может заключаться в предоставлении части инфраструктуры оркестровки, необходимой при движении AI из облака в физический мир.