Edgify เพิ่มทุน 9 ล้านดอลลาร์เพื่อขยายโครงสร้างพื้นฐาน AI Edge สำหรับร้านค้าปลีก

Edgify ซึ่งตั้งอยู่ในลอนดอน ได้เพิ่มทุน 9 ล้านดอลลาร์ในรอบการให้ทุน Series A+ เพื่อขยายแพลตฟอร์ม AI Edge ของตน โดยทำให้ทุนรวมของบริษัทถึง 25 ล้านดอลลาร์

รอบการให้ทุนนี้ได้รับการสนับสนุนจาก Rank Ventures และ Mangrove Capital Partners Edgify มีแผนจะใช้ทุนนี้เพื่อเร่งการนำไปใช้ในร้านค้าปลีกทางกายภาพ ในขณะเดียวกันก็พัฒนาแพลตฟอร์มของตนให้เป็นโครงสร้างพื้นฐานที่กว้างขึ้นสำหรับการจัดการโมเดล AI ทั่วอุปกรณ์ที่กระจายอยู่

บริษัทได้พบความสำเร็จเริ่มแรกในร้านค้าปลีกขายของชำ โดยที่คอมพิวเตอร์วิชันสามารถใช้เพื่อระบุสินค้า ตรวจจับสินค้าที่ไม่ได้สแกน ตรวจจับการเปลี่ยนบาร์โค้ด และลดความสูญเสียที่ช่องเช็คเอาท์แบบตนเอง แต่ความทะเยอทะยานที่ใหญ่กว่าเบื้องหลังการเพิ่มทุนคือการให้บริการโครงสร้างพื้นฐาน AI ที่เชื่อมต่ออุปกรณ์ต่างๆ เช่น กล้อง สเกล สแกนเนอร์ เทอร์มินัลเช็คเอาท์แบบตนเอง และระบบขายปลีก

แทนที่จะส่งต่อข้อมูลดิบไปยังโครงสร้างพื้นฐานคลาวด์แบบศูนย์กลาง Edgify ได้รับการออกแบบมาเพื่อรัน อัปเดต และจัดการโมเดล AI โดยตรงบนอุปกรณ์ Edge

การเปลี่ยนฮาร์ดแวร์ร้านค้าปลีกที่มีอยู่ให้เป็นเครือข่าย AI

ร้านค้าปลีกทางกายภาพมีการดำเนินงานเครือข่ายอุปกรณ์ที่มีความฉลาดหรือมีความสามารถบางส่วน แต่ระบบเหล่านั้นมักถูกนำไปใช้ในลักษณะอิสระ

Edgify พยายามที่จะเชื่อมต่อฮาร์ดแวร์เหล่านั้นเข้ากับสภาพแวดล้อมการเรียนรู้ของเครื่องจักรที่ประสานกัน

ซอฟต์แวร์ของ Edgify สามารถรวมเข้ากับระบบขายปลีกและเครื่องเช็คเอาท์แบบตนเองที่มีอยู่ผ่าน API ในขณะที่โมเดลคอมพิวเตอร์วิชันสามารถรันบนฮาร์ดแวร์รวมถึงกล้อง USB มาตรฐาน สแกนเนอร์ และสเกล บริษัทระบุว่าโมเดลของตนสามารถเรียนรู้ต่อจากข้อมูลที่สร้างขึ้นระหว่างการดำเนินงานของร้านค้าปกติ แทนที่จะพึ่งพาการฝึกอบรมแบบจัดตารางที่ศูนย์กลาง

สถาปัตยกรรมนี้มีความเกี่ยวข้องอย่างมากกับคอมพิวเตอร์วิชัน เนื่องจากข้อมูลวิดีโอและภาพสามารถมีค่าใช้จ่ายสูงในการส่งต่อและประมวลผลในคลาวด์ การประมวลผลข้อมูลใกล้กับแหล่งที่มาสามารถลดความต้องการเครือข่ายและช่วยให้ตัดสินใจได้เร็วขึ้น

Edgify ระบุว่าข้อมูลลูกค้าดิบสามารถอยู่ภายในขอบเขตของร้านค้าปลีก ซึ่งอาจทำให้การประมวลผล Edge น่าสนใจใน môi trườngที่ความเป็นส่วนตัวหรือความต้องการด้านการอยู่อาศัยของข้อมูลทำให้การรวบรวมข้อมูลแบบจัดตารางเป็นปัญหา

บริษัทปัจจุบันระบุว่ามีร้านค้า 2,042 แห่ง อุปกรณ์ที่เชื่อมต่อ 9,437 ชิ้น และมากกว่า 400 ล้านตัวอย่างทั่วแพลตฟอร์ม ตัวเลขเหล่านี้ถูกรายงานโดย Edgify

การป้องกันการสูญเสียให้เป็นกรณีการใช้งานหลัก

การป้องกันการสูญเสียในร้านค้าปลีกให้ Edgify จุดเริ่มต้นที่ค่อนข้างตรงไปตรงมา เนื่องจากคอมพิวเตอร์วิชันสามารถเชื่อมโยงโดยตรงกับเหตุการณ์เฉพาะที่เกิดขึ้นที่ช่องเช็คเอาท์

ที่ช่องเช็คเอาท์แบบตนเอง แพลตฟอร์มสามารถระบุความไม่สอดคล้องกันระหว่างสินค้ากับบาร์โค้ดที่สแกน ตรวจจับสินค้าที่วางในพื้นที่ใส่ของโดยไม่ได้สแกน และเตือนพนักงานหรือกระตุ้นการแทรกแซงแบบอัตโนมัติ

โมเดลการรู้จำสินค้าของ Edgify ยังสามารถระบุสินค้าสดและอื่นๆ ที่ไม่มีบาร์โค้ดแบบดั้งเดิม Edgify ระบุว่าเทคโนโลยีนี้สามารถทำงานภายในโครงสร้างพื้นฐานสแกนเนอร์และสเกลที่มีอยู่ แทนที่จะต้องให้ร้านค้าปลีกเปลี่ยนฮาร์ดแวร์เช็คเอาท์

โครงสร้างพื้นฐานคอมพิวเตอร์วิชันเดียวกันสามารถขยายได้eyond การป้องกันการขโมย Edgify ระบุการบริหารจัดการขยะเป็นอีกหนึ่งการประยุกต์ โดยใช้กล้องเพื่อระบุสินค้าที่ถูกทิ้งและปรับปรุงบันทึกสินค้า

การเพิ่มทุนใหม่จะสนับสนุนการขยายโครงสร้างพื้นฐานวงจรชีวิตของโมเดล รวมถึงวิธีการฝึกอบรม การนำไปใช้ การติดตาม และการอัปเดตโมเดลทั่วอุปกรณ์ร้านค้าปลีก

Federated Learning ตอบสนองปัญหาที่ยากขึ้นของ AI Edge

หนึ่งในด้านที่น่าสนใจทางเทคนิคของแนวทาง Edgify คือการทำงานเกี่ยวกับการเรียนรู้แบบสหพันธ์ (Federated Learning) โดยอุปกรณ์หลายเครื่องมีส่วนช่วยในการปรับปรุงโมเดลการเรียนรู้ของเครื่องโดยไม่ต้องรวบรวมเซตข้อมูลที่อยู่ภายใต้การควบคุมจุดศูนย์กลาง

ปัญหานี้ซับซ้อนมากขึ้นใน môi trườngทางกายภาพ เนื่องจากข้อมูลที่สร้างโดยอุปกรณ์ต่างๆ มักไม่เหมือนกัน กล้องภายในซุปเปอร์มาร์เก็ตหนึ่งอาจพบสินค้า สภาพแสง ลูกค้า การจัดเรียง และพฤติกรรมที่แตกต่างจากกล้องที่ทำงานห่างออกไปหลายร้อยไมล์

การวิจัยของ Edgify ได้สำรวจปัญหานี้ของการเรียนรู้แบบสหพันธ์บนข้อมูลที่ไม่สัมพันธ์กันและไม่เหมือนกัน (non-IID) โดยที่โมเดลที่ฝึกอบรมท้องถิ่นสามารถเริ่มเคลื่อนไปในทิศทางที่แตกต่างกัน นักวิจัยของ Edgify เสนอวิธีการที่ออกแบบมาเพื่อส่งเสริมโมเดลท้องถิ่นเหล่านั้นให้เข้าสู่จุดยอดร่วมโดยไม่เพิ่มความเสี่ยงด้านความเป็นส่วนตัวหรือเพิ่มความต้องการในการสื่อสารอย่างมีนัยสำคัญ

ในทางปฏิบัติ สถาปัตยกรรมการฝึกอบรมแบบกระจายนี้จะช่วยให้เครือข่ายของอุปกรณ์ Edge สามารถปรับปรุงร่วมกันโดยไม่ต้องอัปโหลดทุกภาพหรือธุรกรรมไปยังเซตข้อมูลการฝึกอบรมแบบจัดตารางขนาดใหญ่

สิ่งนี้อาจมีความสำคัญมากขึ้นเมื่อ AI ขยายออกไปนอกศูนย์กลางข้อมูลและเริ่มทำงานทั่วกล้อง เซ็นเซอร์ทางอุตสาหกรรม ยานพาหนะ โรบอท เครื่องจักร และโครงสร้างพื้นฐานทางกายภาพอื่นๆ

จาก AI ในร้านค้าปลีกสู่โครงสร้างพื้นฐาน AI ทางกายภาพ

Edgify มองว่าร้านค้าปลีกเป็นจุดเริ่มต้นมากกว่าที่จะเป็นขอบเขตของเทคโนโลยี

บริษัทมีเป้าหมายที่จะขยายสู่สภาพแวดล้อมเพิ่มเติม รวมถึงร้านอาหารบริการเร็ว ศูนย์กระจายสินค้า ร้านค้าเสื้อผ้า โลจิสติกส์ การผลิต การขนส่ง และการดำเนินงานในคลังสินค้า

ภาคเหล่านี้มีข้อจำกัดทางเทคนิคที่คล้ายคลึงกัน พวกมันสร้างข้อมูลท้องถิ่นจำนวนมาก มักพึ่งพาฮาร์ดแวร์ที่มีอยู่ซึ่งไม่สามารถเปลี่ยนได้ง่ายๆ และต้องการระบบ AI ที่สามารถตอบสนองแบบเรียลไทม์แม้เมื่อการเชื่อมต่อคลาวด์มีข้อจำกัดหรือมีค่าใช้จ่ายสูง

สิ่งนี้ทำให้ผลกระทบในระยะยาวของแพลตฟอร์ม Edgify มีความสำคัญมากขึ้น

การบูมของโครงสร้างพื้นฐาน AI ในปัจจุบันส่วนใหญ่มุ่งเน้นไปที่การประมวลผลแบบจัดตาราง โดยมีโมเดลที่มีพลังมากขึ้นกำลังทำงานภายในศูนย์กลางข้อมูลขนาดใหญ่ AI ทางกายภาพสร้างปัญหาการสร้างโครงสร้างพื้นฐานที่แตกต่าง อุปกรณ์เช่นกล้องในคลังสินค้า สแกนเนอร์ในช่องเช็คเอาท์ เซ็นเซอร์ในโรงงาน หรือเครื่องจักรอัตโนมัติอาจต้องตัดสินใจทันที ต่อเนื่อง และอาจไม่ต้องส่งสตรีมข้อมูลทั้งหมดไปยังที่อื่น

สถาปัตยกรรม Edge-First ของ Edgify แสดงถึงวิธีการแก้ปัญหาหนึ่ง: การกระจายการประมวลผล AI ไปยังอุปกรณ์ที่ทำงานในโลกแห่งความเป็นจริง ในขณะเดียวกันก็รักษาชั้นการบริหารจัดการที่สามารถประสานงานโมเดลทั่วเครือข่าย

บริษัทอธิบายวัตถุประสงค์โดยรวมของตนคือการทำให้ AI เป็นไปได้ทุกที่ที่การตัดสินใจในโลกแห่งความเป็นจริงเกิดขึ้น แทนที่จะต้องอาศัยการตัดสินใจเหล่านั้นพึ่งพาการสื่อสารแบบต่อเนื่องกับโครงสร้างพื้นฐานแบบจัดตาราง

สนามรบถัดไปของ AI อาจอยู่ที่ Edge

รอบการให้ทุน 9 ล้านดอลลาร์นี้ค่อนข้างมีขนาดเล็กเมื่อเทียบกับทุนขนาดใหญ่ที่ไหลเข้าสู่นักพัฒนาโมเดล AI และโครงสร้างพื้นฐานศูนย์กลางข้อมูล แต่ Edgify กำลังดำเนินงานในส่วนต่างๆ ของสแต็ก

เมื่อการมองเห็นของคอมพิวเตอร์และโมเดล AI ที่ซับซ้อนมากขึ้นแพร่กระจายเข้าสู่ร้านค้าปลีก โรงงาน คลังสินค้า เครือข่ายการขนส่ง และสภาพแวดล้อมทางกายภาพอื่นๆ องค์กรจะต้องหาวิธีการติดตั้งและบำรุงรักษาโมเดลเหล่านั้นทั่วอุปกรณ์ที่ไม่เหมือนกันหลายพันหรือหลายล้านเครื่อง

สิ่งนี้สร้างความท้าทายใหม่ในการดำเนินงานการเรียนรู้ของเครื่อง: ไม่ใช่แค่การฝึกอบรมโมเดล แต่ยังรวมถึงการตัดสินใจว่าควรทำการอนุมานที่ไหน ข้อมูลฝึกอบรมยังคงอยู่ที่ไหน โมเดลเรียนรู้จากสภาพแวดล้อมที่กระจายอย่างไร และการอัปเดตถูกประสานงานอย่างไรทั่วทั้งฝูงเครื่องจักร

Retail ให้ Edgify สภาพแวดล้อมที่ท้าทายในการแก้ปัญหาเหล่านั้น หากแพลตฟอร์มสามารถขยายไปไกลกว่าช่องเช็คเอาท์และการป้องกันการสูญเสียได้ โอกาสที่ใหญ่กว่าคือการให้บริการส่วนหนึ่งของโครงสร้างพื้นฐานการประสานงานที่จำเป็นเมื่อ AI ขยายออกจากคลาวด์และลึกเข้าไปในโลกแห่งความเป็นจริง

แหล่งอ้างอิงของบทความต้นฉบับ: edgify.ai [1] · rank-ventures.com [2] · mangrove.vc [3] · unite.ai [4] · unite.ai [5] · unite.ai [6]