Edgify Tar In 9 Miljoner Dollar För Att Utöka Edge AI-infrastruktur För Fysisk Detailhandel

Londonbaserade Edgify har tagit in 9 miljoner dollar i serie A+-finansiering för att utöka sin edge-artificiell intelligensplattform, vilket bringar företagets totala finansiering till 25 miljoner dollar.

Rundan backades av Rank Ventures och Mangrove Capital Partners. Edgify planerar att använda kapitalet för att accelerera distributioner över fysisk detaljhandel medan de utvecklar sin plattform till en bredare infrastruktur för att hantera AI-modeller över distribuerade enheter.

Företaget har initialt funnit dragkraft i livsmedelsdetaljhandel, där datorseende kan användas för att känna igen produkter, identifiera oskannade artiklar, upptäcka streckkodsbyte och minska förluster vid självscanning. Men den större ambitionen bakom finansieringen är att tillhandahålla ett gemensamt AI-lager som kopplar enheter som kameror, vågar, skannrar, självscanningsterminaler och kassasystem.

I stället för att kontinuerligt skicka rådata till centraliserad molninfrastruktur är Edgify utformat för att köra, uppdatera och hantera AI-modeller direkt på edge-enheterna.

Ombyggnad Av Befintlig Butikshårdvara Till Ett AI-nätverk

Fysiska detaljhandlare opererar alltmer stora nätverk av intelligenta eller semi-intelligenta enheter, men dessa system är ofta distribuerade oberoende.

Edgify försöker koppla ihop den hårdvaran till en samordnad maskinlärningsmiljö.

Deras programvara kan integreras med befintliga kassasystem och självscanningmaskiner via API:er, medan datorseendemodeller kan köras på hårdvara som inkluderar standard-USB-kameror, skannrar och vågar. Företaget säger att deras modeller också kan fortsätta lära sig från data som genereras under normala butiksoperationer snarare än att förlita sig helt på periodisk central omträning.

Den arkitekturen är särskilt relevant för datorseende eftersom videо- och bilddata kan vara dyra att kontinuerligt överföra och bearbeta i molnet. Att bearbeta information närmare där den genereras kan minska nätverkskraven samtidigt som det också tillåter beslut att fattas med lägre latens.

Edgify säger att rå kunddata kan förbli inom detaljhandlarens perimeter, en tillvägagångssätt som också kan göra edge-bearbetning attraktiv i miljöer där sekretess- eller dataresidenskrav gör central datainsamling problematisk.

Företaget listar för närvarande 2 042 butiker, 9 437 anslutna enheter och mer än 400 miljoner prover över sin plattform. Dessa siffror är självrapporterade av Edgify.

Förlustprevention Ger Den Första Stora Användningsfallet

Detaljhandelsförlustprevention ger Edgify en relativt enkel utgångspunkt eftersom datorseende kan kopplas direkt till specifika händelser som inträffar vid kassan.

Vid självscanningsterminaler kan plattformen identifiera diskrepanser mellan en artikel och streckkoden som scannas, upptäcka produkter som placeras i påsesystemet utan att scannas och varna anställda eller utlösa en automatiserad ingripande.

Deras produktigenkänningsmodeller kan också identifiera färskt producerat och andra artiklar utan traditionella streckkoder. Edgify säger att denna teknik kan fungera direkt inom befintlig skanner- och våghårdvara snarare än att kräva att detaljhandlare ersätter sin kassahårdvara.

Samma datorseendeinfrastruktur kan utökas bortom tjuvskydd. Edgify listar redan avfallshantering som ett annat tillämpningsområde, med kameror som identifierar bortkastade produkter och förbättrar lagerposter.

Den nya finansieringen kommer att stödja ytterligare utvidgning av denna modelllivscykelinfrastruktur, inklusive hur modeller utbildas, distribueras, övervakas och uppdateras över flottor av detaljhandelsenheter.

Federerat Lärande Tacklar Ett Svårare Edge AI-problem

En av de mer tekniskt intressanta aspekterna av Edgifys tillvägagångssätt är deras arbete kring federerat lärande, där flera enheter bidrar till att förbättra maskinlärningsmodeller utan att kräva att deras underliggande datamängder centraliseras.

Problemet blir mer komplicerat i fysiska miljöer eftersom data som genereras av olika enheter sällan är identiska. En kamera i en stormarknad kan möta olika produkter, belysningsförhållanden, kunder, layouter och beteenden än en kamera som fungerar hundratals mil bort.

Edgifys forskning har undersökt detta problem med federerat lärande på icke-oberoende och icke-identiskt distribuerade data, där lokalt tränade modeller kan börja röra sig i olika riktningar. Deras forskare föreslog en metod som är utformad för att uppmuntra dessa lokala modeller mot en gemensam optimal lösning utan att lägga till ytterligare sekretessrisker eller signifikant öka kommunikationskraven.

I praktiska termer kunde denna typ av distribuerad träningsarkitektur tillåta ett nätverk av edge-enheter att kollektivt förbättras utan att kräva att varje bild eller transaktion laddas upp till en enorm central träningsdatamängd.

Detta kan bli alltmer viktigt när AI flyttar bortom datacenter och börjar fungera över kameror, industriella sensorer, fordon, robotar, maskiner och annan fysisk infrastruktur.

Från Retail AI Till Fysisk AI-infrastruktur

Edgify ser slutligen detaljhandel som en ingångspunkt snarare än gränsen för sin teknik.

Företaget riktar sig mot ytterligare miljöer, inklusive snabbmatsrestauranger, distributionscentraler, kläddetaljhandel, logistik, tillverkning, transport och lagerverksamhet.

De sektorerna delar många av samma tekniska begränsningar. De genererar betydande mängder lokal data, ofta förlitar sig på befintlig hårdvara som inte kan ersättas lätt och kräver AI-system som kan svara i realtid även när molntillgänglighet är begränsad eller dyr.

Detta är där de långsiktiga implikationerna av Edgifys plattform blir mer betydelsefulla.

Mycket av den nuvarande AI-infrastrukturbommen har centrerats kring centraliserad databehandling, med alltmer kraftfulla modeller som körs inom hyperskala datacenter. Fysisk AI skapar ett annat infrastrukturproblem. En lagerkamera, en självscanningsterminal, en fabriksensor eller en autonom maskin kan behöva fatta beslut omedelbart, kontinuerligt och potentiellt utan att skicka hela sin dataström någonstans först.

Edgifys edge-första arkitektur representerar ett tillvägagångssätt för att lösa det problemet: distribuera AI-exekvering över enheterna som redan fungerar i den fysiska världen, samtidigt som man upprätthåller en hanteringslager som kan samordna modeller över nätverket.

Företaget beskriver sin bredare målsättning som att göra AI praktiskt varhelst beslut i den verkliga världen genereras, snarare än att kräva att dessa beslut förlitar sig på konstant kommunikation med centraliserad infrastruktur.

Nästa Slagfält För AI Kan Vara Vid Kanten

De 9 miljoner dollar i finansiering är relativt blygsamma jämfört med den enorma kapital som flyter in i AI-modellutvecklare och datacenter-infrastruktur, men Edgify fungerar i en annan del av stacken.

När datorseende och alltmer sofistikerade AI-modeller sprider sig till butiker, fabriker, lager, transportnätverk och andra fysiska miljöer, kommer organisationer att behöva sätt att distribuera och underhålla dessa modeller över potentiellt tusentals eller miljontals heterogena enheter.

Det skapar en ny maskinlärningsoperationsutmaning: inte bara att träna en modell, utan att bestämma var inferens sker, var träningsdata förblir, hur modeller lär sig från distribuerade miljöer och hur uppdateringar samordnas över hela flottor av maskiner.

Retail ger Edgify en krävande miljö att lösa dessa problem. Om den underliggande plattformen kan generalisera bortom kassa och förlustprevention, kan den större möjligheten vara att tillhandahålla en del av den orkestreringsinfrastruktur som krävs när AI flyttar ut ur molnet och djupare in i den fysiska världen.