Edgify Raises $9M để Mở Rộng Cơ Sở Hạ Tầng Trí Tuệ Nhân Tạo Cạnh cho Bán Lẻ Vật Lý

Edgify có trụ sở tại London đã huy động được 9 triệu đô la trong vòng tài trợ Series A+ để mở rộng nền tảng trí tuệ nhân tạo cạnh của mình, đưa tổng số vốn của công ty lên 25 triệu đô la.

Vòng tài trợ này được hỗ trợ bởi Rank Ventures và Mangrove Capital Partners. Edgify dự định sử dụng số vốn này để tăng tốc triển khai trên các cửa hàng bán lẻ vật lý trong khi phát triển nền tảng của mình thành một lớp cơ sở hạ tầng rộng lớn hơn để quản lý các mô hình trí tuệ nhân tạo trên các thiết bị phân tán.

Công ty đã ban đầu tìm thấy sự thành công trong bán lẻ tạp hóa, nơi trí tuệ nhân tạo thị giác có thể được sử dụng để nhận dạng sản phẩm, xác định các mục không được quét, phát hiện việc chuyển đổi mã vạch và giảm thất thoát tại các quầy tự phục vụ. Nhưng tham vọng lớn hơn đằng sau việc huy động vốn này là cung cấp một lớp trí tuệ nhân tạo chung kết nối các thiết bị như máy ảnh, cân, máy quét, thiết bị tự phục vụ và hệ thống điểm bán hàng.

Thay vì liên tục gửi dữ liệu thô đến cơ sở hạ tầng đám mây tập trung, Edgify được thiết kế để chạy, cập nhật và quản lý các mô hình trí tuệ nhân tạo trực tiếp trên các thiết bị cạnh.

Chuyển Đổi Phần Cứng Cửa Hàng Hiện Có Thành Mạng Lưới Trí Tuệ Nhân Tạo

Các nhà bán lẻ vật lý ngày càng vận hành các mạng lưới lớn các thiết bị thông minh hoặc bán thông minh, nhưng những hệ thống này thường được triển khai độc lập.

Edgify đang cố gắng kết nối phần cứng đó vào một môi trường học máy phối hợp.

Phần mềm của công ty có thể tích hợp với các hệ thống điểm bán hàng và máy tự phục vụ hiện có thông qua API, trong khi các mô hình thị giác máy tính có thể chạy trên phần cứng bao gồm máy ảnh USB tiêu chuẩn, máy quét và cân. Công ty cho biết các mô hình của họ cũng có thể tiếp tục học hỏi từ dữ liệu được tạo ra trong quá trình hoạt động của cửa hàng bình thường thay vì phụ thuộc hoàn toàn vào việc đào tạo tập trung định kỳ.

Kiến trúc này đặc biệt liên quan đến thị giác máy tính vì dữ liệu video và hình ảnh có thể tốn kém để truyền và xử lý liên tục trong đám mây. Xử lý thông tin gần hơn với nơi nó được tạo ra có thể giảm yêu cầu mạng trong khi cũng cho phép đưa ra quyết định với độ trễ thấp hơn.

Edgify cho biết dữ liệu khách hàng thô có thể vẫn nằm trong phạm vi của nhà bán lẻ, một cách tiếp cận cũng có thể làm cho việc xử lý cạnh hấp dẫn trong các môi trường mà yêu cầu về quyền riêng tư hoặc cư trú dữ liệu làm cho việc thu thập dữ liệu tập trung trở nên vấn đề.

Công ty hiện liệt kê 2.042 cửa hàng, 9.437 thiết bị được kết nối và hơn 400 triệu mẫu trên nền tảng của mình. Những con số này được tự báo cáo bởi Edgify.

Phòng Ngừa Mất Mát Cung Cấp Trường Hợp Sử Dụng Lớn Đầu Tiên

Phòng ngừa mất mát trong bán lẻ cung cấp cho Edgify một điểm bắt đầu tương đối thẳng forward vì thị giác máy tính có thể được gắn trực tiếp với các sự kiện cụ thể xảy ra tại quầy thanh toán.

Ở các thiết bị tự phục vụ, nền tảng có thể xác định sự không phù hợp giữa một mục và mã vạch được quét, phát hiện sản phẩm được đặt vào khu vực đóng gói mà không được quét và cảnh báo nhân viên hoặc kích hoạt can thiệp tự động.

Các mô hình nhận dạng sản phẩm của nó cũng có thể xác định sản phẩm tươi và các mục khác không có mã vạch truyền thống. Edgify cho biết công nghệ này có thể hoạt động trực tiếp trong cơ sở hạ tầng máy quét và cân hiện có thay vì yêu cầu nhà bán lẻ thay thế phần cứng thanh toán của họ.

Cùng một cơ sở hạ tầng thị giác máy tính có thể được mở rộng vượt ra ngoài việc ngăn chặn trộm cắp. Edgify đã liệt kê quản lý chất thải như một ứng dụng khác, sử dụng máy ảnh để xác định sản phẩm bị vứt bỏ và cải thiện hồ sơ hàng tồn kho.

Vòng tài trợ mới sẽ hỗ trợ việc mở rộng thêm cơ sở hạ tầng vòng đời mô hình này, bao gồm cả việc đào tạo, triển khai, giám sát và cập nhật mô hình trên các thiết bị bán lẻ.

Học Tập Liên Liên Tackles Vấn Đề Cạnh Trí Tuệ Nhân Tạo Khó Hơn

Một trong những khía cạnh kỹ thuật thú vị hơn của cách tiếp cận Edgify là công việc của họ về học tập liên kết, nơi nhiều thiết bị đóng góp vào việc cải thiện các mô hình học máy mà không yêu cầu các tập dữ liệu cơ bản được tập trung hóa.

Vấn đề trở nên phức tạp hơn trong môi trường vật lý vì dữ liệu được tạo ra bởi các thiết bị khác nhau hiếm khi giống hệt nhau. Một máy ảnh trong một siêu thị có thể gặp phải các sản phẩm, điều kiện ánh sáng, người mua, bố cục và hành vi khác nhau so với một máy ảnh hoạt động hàng trăm dặm xa.

Nghiên cứu của Edgify đã khám phá vấn đề học tập liên kết trên dữ liệu không độc lập và không được phân phối đồng đều (non-IID), nơi các mô hình được đào tạo cục bộ có thể bắt đầu di chuyển theo các hướng khác nhau. Các nhà nghiên cứu của họ đã đề xuất một phương pháp được thiết kế để khuyến khích những mô hình cục bộ đó hướng tới một điểm tối ưu chung mà không thêm rủi ro riêng tư hoặc tăng đáng kể yêu cầu truyền thông.

Trong thuật ngữ thực tế, kiến trúc đào tạo phân tán này có thể cho phép một mạng lưới các thiết bị cạnh cải thiện tập thể mà không cần tải lên một tập dữ liệu đào tạo tập trung khổng lồ.

Điều đó có thể trở nên ngày càng quan trọng khi trí tuệ nhân tạo vượt ra ngoài trung tâm dữ liệu và bắt đầu hoạt động trên máy ảnh, cảm biến công nghiệp, phương tiện, robot, máy và các cơ sở hạ tầng vật lý khác.

Từ Trí Tuệ Nhân Tạo Bán Lẻ Đến Cơ Sở Hạ Tầng Vật Lý

Edgify cuối cùng coi bán lẻ là một điểm vào chứ không phải là giới hạn của công nghệ.

Công ty đang nhắm vào các môi trường bổ sung bao gồm nhà hàng dịch vụ nhanh, trung tâm phân phối, bán lẻ quần áo, hậu cần, sản xuất, vận tải và hoạt động kho bãi.

Các lĩnh vực này chia sẻ nhiều hạn chế kỹ thuật giống nhau. Chúng tạo ra lượng dữ liệu địa phương đáng kể, thường phụ thuộc vào phần cứng hiện có mà không thể dễ dàng thay thế và yêu cầu các hệ thống trí tuệ nhân tạo có khả năng phản hồi trong thời gian thực ngay cả khi kết nối đám mây bị hạn chế hoặc tốn kém.

Đây là nơi những tác động lâu dài của nền tảng Edgify trở nên quan trọng hơn.

Phần lớn cơn bùng nổ cơ sở hạ tầng trí tuệ nhân tạo hiện nay đã tập trung vào tính toán tập trung, với các mô hình ngày càng mạnh mẽ chạy trong các trung tâm dữ liệu siêu quy mô. Trí tuệ nhân tạo vật lý tạo ra một vấn đề cơ sở hạ tầng khác. Một máy ảnh kho, máy quét tự phục vụ, cảm biến nhà máy hoặc máy tự động có thể cần đưa ra quyết định ngay lập tức, liên tục và có khả năng không gửi toàn bộ luồng dữ liệu của nó đến nơi khác trước.

Kiến trúc cạnh trước của Edgify đại diện cho một cách tiếp cận để giải quyết vấn đề đó: phân phối thực thi trí tuệ nhân tạo trên các thiết bị đã hoạt động trong thế giới vật lý, đồng thời duy trì một lớp quản lý có khả năng phối hợp các mô hình trên mạng.

Công ty mô tả mục tiêu rộng lớn hơn của mình là làm cho trí tuệ nhân tạo trở nên thực tế ở bất cứ nơi nào quyết định thế giới thực được tạo ra, thay vì yêu cầu những quyết định đó phụ thuộc vào việc truyền thông liên tục với cơ sở hạ tầng tập trung.

Trận Chiến Tiếp Theo Của Trí Tuệ Nhân Tạo Có Thể Là Ở Cạnh

Vòng tài trợ 9 triệu đô la này tương đối khiêm tốn so với số vốn khổng lồ đang chảy vào các nhà phát triển mô hình trí tuệ nhân tạo và cơ sở hạ tầng trung tâm dữ liệu, nhưng Edgify đang hoạt động trong một phần khác của ngăn xếp.

Khi thị giác máy tính và các mô hình trí tuệ nhân tạo ngày càng tinh vi lan rộng vào các cửa hàng bán lẻ, nhà máy, kho bãi, mạng lưới vận tải và các môi trường vật lý khác, các tổ chức sẽ cần cách thức để triển khai và duy trì các mô hình đó trên hàng nghìn hoặc hàng triệu thiết bị dị hợp.

Điều đó tạo ra một thách thức mới về hoạt động học máy: không chỉ là đào tạo một mô hình, mà còn là quyết định nơi diễn ra suy luận, nơi dữ liệu đào tạo vẫn còn, cách các mô hình học hỏi từ môi trường phân tán và cách cập nhật được phối hợp trên toàn bộ đội thiết bị.

Bán lẻ cung cấp cho Edgify một môi trường đòi hỏi để giải quyết những vấn đề đó. Nếu nền tảng cơ bản có thể tổng quát hóa vượt ra ngoài quầy thanh toán và phòng ngừa mất mát, cơ hội lớn hơn có thể là cung cấp một phần của cơ sở hạ tầng điều phối cần thiết khi trí tuệ nhân tạo di chuyển ra khỏi đám mây và sâu hơn vào thế giới vật lý.