Edgify 9 Milyon Dolar Yatırım Aldı ve Fiziksel Perakende için Edge AI Altyapısını Genişletiyor

Londra merkezli Edgify, edge yapay zeka platformunu genişletmek için 9 milyon dolarlık A+ serisi fonlama aldı ve şirketin toplam fonlaması 25 milyon dolara ulaştı.

Tur, Rank Ventures ve Mangrove Capital Partners tarafından destekleniyor. Edgify, sermayeyi fiziksel perakende boyunca dağıtımları hızlandırmak ve platformunu dağıtılmış cihazlar boyunca AI modellerini yönetmek için daha geniş bir altyapı katmanına dönüştürmek için kullanmayı planlıyor.

Şirket, ilk olarak gıda perakendesinde çekim gücünü buldu, burada bilgisayarlı görü ürünleri tanıyabilir, taranmamış ürünleri belirleyebilir, barkod değişimini tespit edebilir ve self-checkout’ta kayıpları azaltabilir. Ancak fonlamanın arkasındaki daha büyük hedef, kameralar, teraziler, tarayıcılar, self-checkout terminalleri ve satış noktaları sistemleri gibi cihazları birbirine bağlayan ortak bir AI katmanını sağlamaktır.

Edgify, ham verilerin merkezi bulut altyapısına sürekli olarak gönderilmesi yerine, AI modellerini doğrudan edge cihazlarda çalıştırma, güncelleme ve yönetme amacıyla tasarlandı.

Mevcut Mağaza Donanımını AI Ağına Dönüştürme

Fiziksel perakendeciler, genellikle bağımsız olarak dağıtılan büyük akıllı veya yarı akıllı cihaz ağları işletiyorlar.

Edgify, bu donanımı koordine edilmiş bir makine öğrenimi ortamına bağlamayı deniyor.

Yazılımı, API’ler aracılığıyla mevcut satış noktaları sistemleri ve self-checkout makinelerine entegre edebilir, bilgisayarlı görü modelleri standart USB kameralar, tarayıcılar ve teraziler gibi donanımda çalışabilir. Şirket, modellerinin normal mağaza operasyonları sırasında üretilen verilerden öğrenmeye devam edebileceğini, yalnızca merkezi yeniden eğitim bağımlılığına gerek kalmadığını söylüyor.

Bu mimari, özellikle bilgisayarlı görü için alakalı, çünkü video ve görüntü verilerini sürekli olarak iletmek ve bulutta işlemek pahalı olabilir. Verileri oluştukları yere daha yakın işlemek, ağ gereksinimlerini azaltabilir ve aynı zamanda daha düşük gecikmeyle kararlar alınmasına olanak tanır.

Edgify, ham müşteri verilerinin perakendecinin sınırları içinde kalabileceğini, bu yaklaşımın da merkezi veri toplama sorunları olan ortamlarda kenar işlemesini çekici kılacağı söylüyor.

Şirket, platformunda şu anda 2.042 mağaza, 9.437 bağlantılı cihaz ve 400 milyondan fazla örnek listeliyor. Bu rakamlar Edgify tarafından self-raporlanıyor.

Kayıp Önleme İlk Büyük Kullanım Örneğini Sağlıyor

Perakende kaybı önleme, Edgify’ye relatively basit bir başlangıç noktası sunuyor, çünkü bilgisayarlı görü doğrudan self-checkout’ta meydana gelen belirli olaylara bağlanabilir.

Self-checkout terminallerinde, platform, taranan barkod ile madde arasında uyumsuzlukları tespit edebilir, taranmamış ürünleri tanımlayabilir ve çalışanları uyarabilir veya otomatik bir müdahale tetikleyebilir.

Ürün tanıma modelleri ayrıca geleneksel barkodlara sahip olmayan taze ürünleri de tanıtabilir. Edgify, bu teknolojinin mevcut tarayıcı ve terazi altyapısı içinde çalışabileceğini, perakendecilerin checkout donanımını değiştirmesine gerek olmadığını söylüyor.

Aynı bilgisayarlı görü altyapısı, hırsızlık önleme ötesine genişletilebilir. Edgify, already atık yönetimi için başka bir uygulama olarak listeleniyor, kameraları atılan ürünleri tanımlamak ve envanter kayıtlarını iyileştirmek için kullanıyor.

Yeni fon, model yaşam döngüsü altyapısının daha da genişletmesine, modellerin nasıl eğitildiği, dağıtıldığı, izlendiği ve güncellendiği konusunda destek sağlayacak.

Federated Learning Daha Zor Bir Edge AI Problemini Çözüyor

Edgify’nin yaklaşımının daha teknik olarak ilginç yönlerinden biri, federated learning etrafındaki çalışması, burada birden fazla cihaz makine öğrenimi modellerini merkezi havuzlara gerek kalmadan geliştirmek için katkıda bulunabiliyor.

Sorun, fiziksel ortamlarda daha da karmaşık hale geliyor, çünkü farklı cihazlardan üretilen veriler nadiren aynıdır. Bir süpermarket içindeki bir kamera, uzakta çalışan bir kameradan farklı ürünleri, aydınlatma koşullarını, alışverişçileri, düzenleri ve davranışları karşılayabilir.

Edgify’nin araştırmaları, federated öğrenme problemine, özellikle de yerel olarak eğitilen modellerin farklı yönlerde ilerlemeye başladığı non-Independent and identically distributed (non-IID) verilerde odaklandı. Araştırmacılar, yerel modelleri paylaşılan bir optimuma yönlendirmek için tasarlanmış bir yöntem önerdi, bu da ek gizlilik riskleri eklenmeden veya iletişim gereksinimlerini önemli ölçüde artırmadan yerel modelleri bir araya getirebiliyor.

Pratik olarak, bu tür dağıtılmış eğitim mimarisi, bir edge cihazlar ağındaki kolektif olarak gelişmesine olanak tanıyabilir, bu da her görüntü veya işlemin merkezi bir eğitim veritabanına yüklenmesine gerek kalmadan gerçekleşebilir.

Bu, AI veri merkezlerinden çıkıp fiziksel altyapıya, kameralara, endüstriyel sensörlere, araçlara, robotlara, makinelerine ve diğer fiziksel altyapılara yayıldıkça giderek daha önemli hale gelebilir.

Perakende AI’den Fiziksel AI Altyapısına

Edgify, perakendenin kendi teknolojisinin sınırlı olmadığını düşünüyor.

Şirket, hızlı servis restoranları, dağıtım merkezleri, giyim perakendeciliği, lojistik, imalat, ulaşım ve depo operasyonları gibi ortamları hedefliyor.

Bu sektörler, benzer teknik kısıtlamaları paylaşıyor. Yerel olarak önemli miktarda veri üretiyorlar, genellikle kolayca değiştirilemeyen mevcut donanıma güveniyorlar ve gerçek zamanlı olarak cevap verebilen AI sistemlerine ihtiyaç duyuyorlar, özellikle bulut bağlantısı sınırlı veya pahalı olduğunda.

Burada Edgify’nin platformunun daha uzun vadeli etkileri daha önemli hale geliyor.

AI altyapısı patlaması, büyük ölçüde merkezi hesaplama etrafında dönüyor, hyperscale veri merkezlerinde giderek daha güçlü modeller çalıştırılıyor. Fiziksel AI farklı bir altyapı sorununu yaratıyor. Bir depo kamerası, self-checkout tarayıcı, fabrika sensörü veya otonom bir makine kararlar vermesi gerekiyor, sürekli ve potansiyel olarak tüm veri akışını başka bir yere göndermeden.

Edgify’nin edge-öncelikli mimarisi, bu sorunu çözme yaklaşımını temsil ediyor: AI yürütmesini fiziksel dünyada zaten çalışan cihazlar boyunca dağıtma ve aynı zamanda ağ boyunca modelleri koordine edebilen bir yönetim katmanını koruma.

Şirket, daha geniş hedefini, gerçek dünya kararlarının üretildiği her yerde AI’yi pratik hale getirmek olarak tanımlıyor, bu kararların merkezi altyapıyla sürekli iletişim kurmasına gerek kalmadan.

AI için Sonraki Savaş Alanı Kenarda Olabilir

9 milyon dolarlık tur, AI model geliştiricilerine ve veri merkezi altyapısına akın akın gelen sermayeye kıyasla nispeten mütevazı, ancak Edgify farklı bir yığın parçasında çalışıyor.

Bilgisayarlı görü ve giderek daha sofistike AI modelleri perakende mağazalarına, fabrikalara, depolara, ulaşım ağlarına ve diğer fiziksel ortamlara yayıldıkça, organizasyonlar bu modelleri potansiyel olarak binlerce veya milyonlarca heterojen cihaz boyunca dağıtmak ve bakımını yapmak için yollar bulacaklar.

Bu, yeni bir makine öğrenimi operasyonel zorluğu yaratıyor: sadece bir modeli eğitme değil, nerede çıkarım gerçekleştiği, eğitim verilerinin nerede kaldığı, modellerin dağıtılmış ortamlardan nasıl öğrendiği ve güncellemelerin tüm makine filoları boyunca nasıl koordine edildiği konusunda karar vermek.

Retail, Edgify‘ye bu sorunları çözme için talepkar bir ortam sunuyor. Altta yatan platform, self-checkout ve kaybı önleme ötesine genelleştirilebilirse, daha büyük fırsat, AI’nin bulut dışına ve fiziksel dünyaya daha da yayıldıkça gerekli olan orkestrasyon altyapısının bir kısmını sağlama olabilir.