Машинно обучение в мобилното развитие: перспективи и децентрализация

Добро утро, Хабр!

Нямаме какво да добавим към заглавието на статията в нашето предварително известие - така че всички веднага са поканени на котката. Прочетете и коментирайте.

Специалистите по мобилно развитие ще се възползват от революционните промени, които днес може да предложи. машинно обучение на устройства. Въпросът е доколко тази технология подобрява всяко мобилно приложение, а именно осигурява ново ниво на удобство за потребителите и ви позволява активно да използвате мощни функции, например да предоставяте най-точните препоръки, въз основа на геолокация, или незабавно откриване болести по растенията.

Това бързо развитие на мобилното машинно обучение е отговор на редица често срещани проблеми, от които сме страдали в класическото машинно обучение. Всъщност всичко е очевидно. В бъдеще мобилните приложения ще изискват по-бърза обработка на данни и допълнително намаляване на латентността.

Може би вече сте се чудили защо Мобилни приложения, базирани на AI, не може просто да изпълнява изводи в облака. Първо, облачните технологии зависят от централните възли (представете си огромен център за данни с обширно съхранение на данни и голяма изчислителна мощност). Този централизиран подход не може да се справи със скорости на обработка, достатъчни за създаване на плавни мобилни изживявания, захранвани от машинно обучение. Данните трябва да се обработват централно и след това да се изпращат обратно към устройствата. Този подход изисква време, пари и не гарантира поверителността на самите данни.

И така, след като очертахме тези ключови предимства на мобилното машинно обучение, нека разгледаме по-отблизо защо революцията в машинното обучение, която се разгръща пред очите ни, трябва да представлява интерес за вас лично като мобилен разработчик.

Намаляване на латентността

Разработчиците на мобилни приложения знаят, че повишената латентност може да бъде черна петна за дадена програма, без значение колко добри са нейните функции или колко реномирана е марката. Преди това имаше на устройства с Android Сериозно изоставане в много видео приложения, поради което гледането на видео и аудио често се оказваше несинхронизирано. По същия начин клиент за социални медии с висока латентност може да превърне комуникацията в истинско мъчение за потребителя.

Внедряването на машинно обучение на устройство става все по-важно именно поради проблеми със закъснението като тези. Представете си как работят филтрите за изображения за социални мрежи или препоръки за ресторанти въз основа на геолокация. В такива приложения латентността трябва да е минимална, за да работи на най-високо ниво.

Както бе споменато по-горе, облачната обработка понякога може да бъде бавна и разработчикът иска латентността да е близо до нула, за да работят правилно възможностите за машинно обучение на мобилно приложение. Машинното обучение на устройства отваря възможности за обработка на данни, които наистина могат да намалят латентността почти до нула.

Производителите на смартфони и гигантите на технологичния пазар постепенно започват да осъзнават това. Дълго време Apple остава лидер в тази индустрия, развивайки се все по-модерни чипове за смартфони, използващи неговата система Bionic, която внедрява Neural Engine, който помага за задвижването на невронни мрежи директно на устройството, като същевременно постига невероятни скорости.

Apple също така продължава да разработва Core ML, своята платформа за машинно обучение за мобилни приложения, стъпка по стъпка; в библиотеката TensorFlow Lite добавена поддръжка за GPU; Google продължава да добавя предварително инсталирани функции към своята платформа за машинно обучение ML Kit. С помощта на тези технологии можете да разработвате приложения, които ви позволяват да обработвате данни със светкавична скорост, да елиминирате всички забавяния и да намалите броя на грешките.

Тази комбинация от точност и безпроблемно потребителско изживяване е ключов показател, който разработчиците на мобилни приложения трябва да вземат предвид, когато въвеждат възможности за машинно обучение в своите приложения. И за да се гарантира такава функционалност, е необходимо пренесете машинното обучение на устройства.

Подобрена сигурност и поверителност

Друго огромно предимство на крайните изчисления, което не може да бъде надценено, е колко подобрява сигурността и поверителността на потребителите. Гарантирането на сигурността и поверителността на данните в приложението е неразделна част от задачите на разработчика, особено като се има предвид необходимостта от спазване на GDPR (Общ регламент за защита на данните), новите европейски закони, които несъмнено ще засегнат практиката на мобилно развитие .

Тъй като не е необходимо данните да се изпращат нагоре или в облака за обработка, киберпрестъпниците са по-малко способни да се възползват от всякакви уязвимости, създадени по време на фазата на прехвърляне; следователно целостта на данните се запазва. Това улеснява разработчиците на мобилни приложения да спазват разпоредбите за сигурност на данните на GDPR.

Машинното обучение на устройства също позволява децентрализация, почти по същия начин като блокчейн. С други думи, за хакерите е по-трудно да стартират DDoS атака на свързана мрежа от скрити устройства, отколкото да извършат същата атака на централен сървър. Тази технология може да бъде полезна и при работа с дронове и за наблюдение на спазването на законодателството.

Гореспоменатите чипове за смартфони от Apple също помагат за подобряване на сигурността и поверителността на потребителите - например те могат да служат като основа за Face ID. Тази функция на iPhone се захранва от невронна мрежа, разположена на устройствата, която събира данни от всички различни представяния на лицето на потребителя. По този начин технологията служи като изключително точен и надежден метод за идентификация.

Този и по-нов активиран AI хардуер ще проправят пътя за по-безопасни взаимодействия потребител-смартфон. Всъщност разработчиците получават допълнителен слой на криптиране за защита на потребителските данни.

Не е необходима интернет връзка

Като оставим настрана проблемите със забавянето, изпращането на данни към облака за обработка и извличане на заключения изисква добра интернет връзка. Често, особено в развитите страни, няма нужда да се оплаквате от интернет. Но какво да правите в райони, където връзката е по-лоша? Когато машинното обучение се прилага на устройства, невронните мрежи живеят на самите телефони. Така разработчикът може да внедри технологията на всяко устройство и навсякъде, независимо от качеството на връзката. Освен това този подход води до демократизиране на възможностите за машинно обучение.

здраве е една от индустриите, които биха могли да се възползват особено от машинното обучение на устройството, тъй като разработчиците ще могат да създават инструменти, които проверяват жизнените показатели или дори предоставят роботизирана хирургия без интернет връзка. Тази технология ще бъде полезна и за студенти, които искат да имат достъп до лекционните материали без интернет връзка – например, докато са в транспортен тунел.

В крайна сметка машинното обучение на устройства ще предостави на разработчиците инструменти за създаване на инструменти, които ще бъдат от полза за потребителите по целия свят, независимо от тяхната ситуация с интернет връзка. Като се има предвид, че мощността на новите смартфони ще бъде поне толкова мощна, колкото настоящите, потребителите ще забравят за проблемите със закъсненията при работа с приложението офлайн.

Намаляване на разходите за вашия бизнес

Машинното обучение на устройства също може да ви спести цяло състояние, като не се налага да плащате на външни изпълнители за внедряване и поддръжка на много от решенията. Както бе споменато по-горе, в много случаи можете да се справите както без облака, така и без интернет.

Облачните услуги, специфични за GPU и AI, са най-скъпите решения, които могат да бъдат закупени. Когато стартирате модели на вашето устройство, не е нужно да плащате за всички тези клъстери, благодарение на факта, че днес има все повече и повече усъвършенствани смартфони, оборудвани с невроморфни процесори (NPU).

Като избягвате кошмара от тежка обработка на данни, която възниква между устройството и облака, вие спестявате изключително много; Следователно е много изгодно да се внедряват решения за машинно обучение на устройства. Освен това спестявате пари, тъй като изискванията за честотна лента на вашето приложение са значително намалени.

Самите инженери също спестяват много от процеса на разработка, тъй като не им се налага да сглобяват и поддържат допълнителна облачна инфраструктура. Напротив, възможно е да се постигне повече с по-малък екип. По този начин планирането на човешките ресурси в екипите за разработка е много по-ефективно.

Заключение

Несъмнено през 2010 г. облакът се превърна в истинско благо, опростявайки обработката на данни. Но високите технологии се развиват експоненциално и машинното обучение на устройства скоро може да стане де факто стандарт не само в областта на мобилното развитие, но и в Интернет на нещата.

С намалено забавяне, подобрена сигурност, офлайн възможности и като цяло по-ниски разходи, не е изненада, че най-големите играчи в мобилното развитие залагат много на технологията. Разработчиците на мобилни приложения също трябва да го разгледат по-отблизо, за да са в крак с времето.

Източник: www.habr.com