Edgify 获得 900 万美元资金，用于扩展边缘 AI 基础设施以服务实体零售

总部位于伦敦的 Edgify 已获得 900 万美元的 A+ 轮资金，用于扩展其边缘人工智能平台，使公司的总资金达到 2500 万美元。

本轮融资得到了 Rank Ventures 和 Mangrove Capital Partners 的支持。Edgify 计划利用这笔资金加速在实体零售领域的部署，同时开发其平台成为一个更广泛的基础设施层，以管理 AI 模型在分布式设备上的部署。

该公司最初在杂货零售领域获得了关注，在那里 计算机视觉 可以用于识别产品，识别未扫描的物品，检测条码切换，并在自助结账处减少损失。但更大的雄心壮志是提供一个共同的 AI 层，连接设备，如摄像头，秤，扫描仪，自助结账终端和销售点系统。

Edgify 不会不断地将原始数据发送到集中式云基础设施，而是直接在边缘设备上运行，更新和管理 AI 模型。

将现有店铺硬件转变为 AI 网络

实体零售商越来越多地操作着大量的智能或半智能设备，但这些系统通常是独立部署的。

Edgify 正试图将这些硬件连接到一个协调的机器学习环境中。

其软件可以通过 API 与现有的销售点系统和自助结账机集成，而计算机视觉模型可以在包括标准 USB 相机，扫描仪和秤在内的硬件上运行。该公司表示，其模型也可以继续从正常商店操作期间生成的数据中学习，而不是完全依赖集中式的定期重新训练。

这种架构对于计算机视觉尤其相关，因为视频和图像数据的传输和处理可能很昂贵。将信息处理得更接近其生成位置可以减少网络需求，同时也可以实现更低延迟的决策。

Edgify 表示，原始客户数据可以保持在零售商的周界内，这种方法也可能使边缘处理在数据收集具有隐私或数据居住要求的环境中变得有吸引力。

该公司目前列出了 2042 家商店，9437 个连接设备，以及其平台上的超过 4 亿个样本。这些数字由 Edgify 自行报告。

防损为第一个主要用例

零售防损为 Edgify 提供了一个相对直接的起点，因为计算机视觉可以直接与自助结账处发生的特定事件相关联。

在自助结账终端，平台可以识别物品和条码扫描之间的差异，检测未扫描的物品放入袋装区域，并提醒员工或触发自动干预。

其产品识别模型还可以识别新鲜农产品和其他无传统条码的物品。Edgify 表示，这项技术可以直接在现有的扫描仪和秤基础设施中运行，而无需零售商更换其结账硬件。

同样的计算机视觉基础设施可以扩展到盗窃防范之外。Edgify 已经列出了废物管理作为另一个应用，使用摄像头识别丢弃的产品并改进库存记录。

新的资金将支持进一步扩展此模型生命周期基础设施，包括模型的训练，部署，监控和更新在零售设备上的部署。

联邦学习解决更难的边缘 AI 问题

Edgify 方法的一个更有趣的技术方面是其围绕 联邦学习 的工作，在那里多个设备贡献于改进机器学习模型，而无需集中式地汇集其底层数据集。

问题变得更加复杂，因为在物理环境中，来自不同设备的数据很少是相同的。一个超市内的摄像头可能会遇到与数百英里以外的摄像头不同的产品，照明条件，购物者，布局和行为。

Edgify 的研究探讨了在非独立和同分布（非 IID）数据上的联邦学习问题，其中本地训练的模型可能会朝着不同的方向发展。其研究人员提出了一个方法，旨在鼓励这些本地模型朝着一个共享的最优解发展，而不会增加额外的隐私风险或显著增加通信需求。

从实际角度来看，这种分布式训练架构可以允许边缘设备的网络集体改进，而无需将每个图像或事务上传到一个巨大的集中式训练数据集中。

这可能会变得越来越重要，因为 AI 超越数据中心，开始在摄像头，工业传感器，车辆，机器人，机器和其他物理基础设施上运行。

从零售 AI 到物理 AI 基础设施

Edgify 最终将零售视为一个入口，而不是其技术的限制。

该公司正在瞄准其他环境，包括快餐厅，配送中心，服装零售，物流，制造，运输和仓库操作。

这些行业共享许多相同的技术约束。它们生成大量的本地数据，通常依赖于无法轻易更换的现有硬件，并需要能够实时响应的 AI 系统，即使云连接有限或昂贵。

这就是 Edgify 平台的长期影响变得更加重要的地方。

当前的 AI 基础设施热潮主要集中在集中式计算上，越来越强大的模型在超大规模数据中心内运行。物理 AI 创造了一个不同的基础设施问题。一个仓库摄像头，结账扫描仪，工厂传感器或自动机可能需要立即，持续地做出决定，甚至可能不需要将其整个数据流发送到其他地方。

Edgify 的边缘优先架构代表了一种解决该问题的方法：将 AI 执行分布在物理世界中已经运行的设备上，同时保持一个管理层，能够协调网络上的模型。

该公司将其更广泛的目标描述为使 AI 在任何地方都变得实用，无论是在哪里做出实际决策，而不是要求这些决策依赖于与集中式基础设施的持续通信。

AI 的下一个战场可能在边缘

900 万美元的融资金额相对于流入 AI 模型开发者和数据中心基础设施的巨额资金来说相对较为谦逊，但 Edgify 正在操作堆栈的不同部分。

随着计算机视觉和越来越复杂的 AI 模型扩展到零售店，工厂，仓库，运输网络和其他物理环境，组织需要部署和维护这些模型的方法，跨越可能数千或数百万个异构设备。

这就产生了一个新的机器学习运营挑战：不仅仅是训练一个模型，还包括确定推理发生的位置，训练数据保留的位置，模型从分布式环境中学习的方式，以及如何在整个机器队列中协调更新。

Retail 为 Edgify 提供了一个充满挑战的环境来解决这些问题。如果底层平台可以超越结账和防损，一个更大的机会可能是提供部分编排基础设施，随着 AI 从云端向物理世界迁移而需要的基础设施。hines。零售为 Edgify 提供了一个充满挑战的环境来解决这些问题。如果底层平台可以超越结账和防损，一个更大的机会可能是提供部分编排基础设施，随着 AI 从云端向物理世界迁移而需要的基础设施。