Edgify збирає $9 млн для розширення інфраструктури Edge AI для фізичної торгівлі

Лондонська компанія Edgify зібрала $9 млн у рамках фінансування серії A+, що дозволить розширити свою платформу штучного інтелекту на основі краю, збільшивши загальне фінансування компанії до $25 млн.

Фінансування було забезпечено компаніями Rank Ventures і Mangrove Capital Partners. Edgify планує використати ці кошти для прискорення розгортання своєї платформи в сфері фізичної торгівлі, а також для розвитку інфраструктури управління моделями штучного інтелекту на розподілених пристроях.

Компанія спочатку знайшла успіх у сфері рітейлу, зокрема в торгівлі продуктами харчування, де комп’ютерне зір можна використовувати для розпізнавання товарів, виявлення несканованих товарів, виявлення підміни штрих-кодів та зменшення збитків при самообслужуванні. Однак більша мета фінансування полягає у створенні загального шару штучного інтелекту, який з’єднує пристрої, такі як камери, ваги, сканери, термінали самообслужування та системи оплати.

Натомість ніж постійно надсилати сирі дані в централізовану хмарну інфраструктуру, Edgify розроблена для виконання, оновлення та управління моделями штучного інтелекту безпосередньо на пристроях краю.

Перетворення існуючої апаратури магазину в мережу штучного інтелекту

Фізичні рітейлери все частіше використовують великі мережі інтелектуальних або напівінтелектуальних пристроїв, однак ці системи часто розгортаються незалежно.

Edgify намагається зв’язати цю апаратуру в координовану середовище машинного навчання.

Її програмне забезпечення може інтегруватися з існуючими системами оплати та терміналами самообслужування через API, а моделі комп’ютерного зору можуть виконуватися на апаратному забезпеченні, включаючи стандартні веб-камери, сканери та ваги. Компанія стверджує, що її моделі можуть продовжувати навчання з даних, згенерованих під час звичайної роботи магазину, а не залежати повністю від періодичного централізованого повторного навчання.

Ця архітектура особливо актуальна для комп’ютерного зору, оскільки відео- та зображення можуть бути дорогими для постійного передавання та обробки в хмарі. Обробка інформації ближче до місця її генерації може зменшити мережеві вимоги, а також дозволяє приймати рішення з меншою затримкою.

Edgify стверджує, що сирі дані клієнтів можуть залишатися всередині периметру рітейлера, що робить обробку на краю привабливою в середовищах, де вимоги щодо конфіденційності або резиденції даних роблять централізовану збору даних проблематичною.

Компанія зараз налічує 2042 магазини, 9437 підключених пристроїв та понад 400 млн зразків на своїй платформі. Ці цифри самі звітує Edgify.

Профілактика втрат забезпечує перший великий випадок використання

Профілактика втрат у рітейлі дає Edgify відносно простий стартовий пункт, оскільки комп’ютерний зір можна безпосередньо пов’язати з конкретними подіями, що відбуваються при оплаті.

На терміналах самообслужування платформа може виявляти розбіжності між товаром та штрих-кодом, сканованим при оплаті, виявляти товари, покладені в зону пакування без сканування, та повідомляти працівникам або запускати автоматичне втручання.

Її моделі розпізнавання товарів також можуть ідентифікувати свіжі продукти та інші товари без традиційних штрих-кодів. Edgify стверджує, що ця технологія може працювати безпосередньо в існуючій інфраструктурі сканерів та ваг, а не вимагати від рітейлерів заміни апаратури самообслужування.

Та сама інфраструктура комп’ютерного зору може бути розширена за межі профілактики крадіжок. Edgify вже перелічує управління відходами як інше застосування, використовуючи камери для ідентифікації викинутих товарів та покращення облікових записів запасів.

Нове фінансування підтримає подальше розширення цієї інфраструктури моделей, включаючи навчання, розгортання, моніторинг та оновлення моделей на флоті рітейл-пристроїв.

Федеративне навчання вирішує більш складну проблему штучного інтелекту на краю

Одним з більш технічно цікавих аспектів підходу Edgify є робота навколо федеративного навчання, де кілька пристроїв сприяють покращенню моделей машинного навчання без необхідності централізованого пулінгу їхніх даних.

Проблема стає більш складною в фізичних середовищах, оскільки дані, згенеровані різними пристроями, рідко ідентичні. Камера всередині одного супермаркету може зустріти інші товари, умови освітлення, покупців, плани та поведінку, ніж камера, що працює за сотні миль.

Дослідження Edgify розглянуло цю проблему федеративного навчання на не незалежних та не ідентично розподілених даних, де локально навчені моделі можуть почати рухатися в різних напрямках. Їхні дослідники запропонували метод, розроблений для заохочення цих локальних моделей до спільної оптимальної точки без додавання додаткових ризиків для конфіденційності чи суттєвого збільшення вимог до зв’язку.

У практичному сенсі така розподілена архітектура навчання могла б дозволити мережі пристроїв краю колективно покращуватися без необхідності завантажувати кожне зображення чи транзакцію в одну величезну централізовану навчальну базу даних.

Це може стати дедалі важливішим, оскільки штучний інтелект виходить за межі центрів даних та починає працювати на камерах, промислових сенсорах, транспортних засобах, роботах, машинах та іншій фізичній інфраструктурі.

Від рітейл-штучного інтелекту до фізичної інфраструктури штучного інтелекту

Edgify врешті-решт розглядає рітейл як точку входу, а не межу своєї технології.

Компанія націлена на додаткові середовища, включаючи ресторани швидкого харчування, розподільчі центри, рітейл одягу, логістику, виробництво, транспорт та операції з управління складами.

Ці сектори мають багато спільних технічних обмежень. Вони генерують значну кількість місцевих даних, часто залежать від існуючої апаратури, яку не можна легко замінити, та вимагають систем штучного інтелекту, здатних реагувати в режимі реального часу, навіть коли зв’язок з хмарою обмежений або дорогий.

Це місце, де довгострокові наслідки платформи Edgify стають більш значущими.

Більшість поточного буму інфраструктури штучного інтелекту зосереджена навколо централізованого обчислення, з все потужнішими моделями, що працюють всередині гіпермасштабних центрів даних. Фізичний штучний інтелект створює іншу інфраструктурну проблему. Камера на складі, сканер на заводі, сенсор на фабриці чи автономна машина можуть потребувати прийняття рішень негайно, безперервно та потенційно без надсилання всього потоку даних в інше місце.

Архітектура Edgify, орієнтована на край, представляє один із підходів до вирішення цієї проблеми: розподіляти виконання штучного інтелекту по пристроям, що вже працюють у фізичному світі, зберігаючи при цьому шар управління, здатний координувати моделі по мережі.

Компанія описує свою ширшу мету як роблення штучного інтелекту практичним там, де генеруються реальні рішення, а не вимагання від цих рішень залежності від постійного зв’язку з централізованою інфраструктурою.

Наступне поле битви для штучного інтелекту може бути на краю

$9 млн раунд відносно скромний порівняно з величезним капіталом, що тече в розробників моделей штучного інтелекту та інфраструктуру центрів даних, але Edgify працює в іншій частині стека.

Когда комп’ютерний зір та все більш складні моделі штучного інтелекту поширюються у рітейл-магазини, фабрики, склади, транспортні мережі та інші фізичні середовища, організації будуть потребувати способів розгортання та підтримки цих моделей на потенційно тисячах або мільйонах гетерогенних пристроїв.

Це створює новий виклик операцій штучного інтелекту: не просто навчання моделі, а визначення того, де відбувається висновок, де залишаються дані для навчання, як моделі вчаться у розподілених середовищах та як оновлення координуються по всьому флоту машин.

Рітейл дає Edgify вимогою середовище для вирішення цих проблем. Якщо підлягаюча платформа може загeneralizуватися за межі самообслужування та профілактики втрат, більша можливість може полягати у забезпеченні частини інфраструктури оркестрування, необхідної для штучного інтелекту при виході з хмари та глибшому проникненні у фізичний світ.