Bon dia, Habr!
No tenim res a afegir al títol de l'article a la nostra notificació prèvia, de manera que tothom està immediatament convidat al gat. Llegeix i comenta.
Els professionals del desenvolupament mòbil es beneficiaran dels canvis revolucionaris que ofereix avui. . La qüestió és fins a quin punt aquesta tecnologia millora qualsevol aplicació mòbil, és a dir, proporciona un nou nivell de comoditat per als usuaris i us permet utilitzar activament funcions potents, per exemple, per proporcionar les recomanacions més precises, , o detectar a l'instant .
Aquest ràpid desenvolupament de l'aprenentatge automàtic mòbil és una resposta a una sèrie de problemes comuns que hem patit en l'aprenentatge automàtic clàssic. De fet, tot és evident. En el futur, les aplicacions mòbils requeriran un processament de dades més ràpid i una major reducció de la latència.
Potser ja us heu preguntat per què ,no es pot executar simplement inferència al núvol. En primer lloc, les tecnologies del núvol depenen dels nodes centrals (imagineu un centre de dades enorme amb un gran emmagatzematge de dades i una gran potència de càlcul). Aquest enfocament centralitzat no pot gestionar les velocitats de processament suficients per crear experiències mòbils fluides impulsades per l'aprenentatge automàtic. Les dades s'han de processar de manera centralitzada i després enviar-les als dispositius. Aquest enfocament requereix temps, diners i no garanteix la privadesa de les dades en si.
Per tant, després d'haver descrit aquests avantatges clau de l'aprenentatge automàtic mòbil, mirem més de prop per què la revolució de l'aprenentatge automàtic que s'està desenvolupant davant els nostres ulls hauria de ser del vostre interès personalment com a desenvolupador mòbil.
Reduir la latència
Els desenvolupadors d'aplicacions mòbils saben que l'augment de la latència pot ser una marca negra per a un programa, per molt bones que siguin les seves característiques o la reputació de la marca. S'ha observat prèviament en dispositius Android , a causa de la qual la visualització de vídeo i àudio sovint no estaven sincronitzades. Així mateix, un client de xarxes socials amb una alta latència pot convertir la comunicació en una veritable tortura per a l'usuari.
La implementació de l'aprenentatge automàtic al dispositiu és cada cop més important, precisament per problemes de latència com aquests. Imagineu com funcionen els filtres d'imatge per a les xarxes socials o les recomanacions de restaurants basades en la geolocalització. En aquestes aplicacions, la latència ha de ser mínima perquè funcioni al màxim nivell.
Com s'ha esmentat anteriorment, de vegades el processament del núvol pot ser lent i el desenvolupador vol que la latència sigui propera a zero perquè les capacitats d'aprenentatge automàtic d'una aplicació mòbil funcionin correctament. L'aprenentatge automàtic als dispositius obre capacitats de processament de dades que realment poden reduir la latència a gairebé zero.
Els fabricants de telèfons intel·ligents i els gegants del mercat tecnològic comencen a adonar-se d'això. Durant molt de temps, Apple es va mantenir com a líder en aquesta indústria, desenvolupant-se per a telèfons intel·ligents que utilitzen el seu sistema Bionic, que implementa el Neural Engine, que ajuda a impulsar xarxes neuronals directament al dispositiu, alhora que aconsegueix .
Apple també continua desenvolupant Core ML, la seva plataforma d'aprenentatge automàtic per a aplicacions mòbils, pas a pas; a la biblioteca suport afegit per a GPU; Google continua afegint funcions precarregades a la seva plataforma d'aprenentatge automàtic ML Kit. Amb aquestes tecnologies, podeu desenvolupar aplicacions que us permetin processar dades a la velocitat del llamp, eliminar qualsevol retard i reduir el nombre d'errors.
Aquesta combinació de precisió i experiències d'usuari perfectes és una mètrica clau que els desenvolupadors d'aplicacions mòbils han de tenir en compte a l'hora d'introduir capacitats d'aprenentatge automàtic a les seves aplicacions. I per garantir aquesta funcionalitat, és necessari .
Seguretat i privadesa millorades
Un altre gran avantatge de la informàtica de punta que no es pot exagerar és fins a quin punt millora la seguretat i la privadesa dels usuaris. Garantir la seguretat i privadesa de les dades a l'aplicació és part integrant de les tasques del desenvolupador, sobretot tenint en compte la necessitat de complir amb el GDPR (Reglament General de Protecció de Dades), noves lleis europees, que sens dubte afectaran la pràctica del desenvolupament mòbil. .
Com que les dades no s'han d'enviar aigües amunt o al núvol per processar-les, els ciberdelinqüents són menys capaços d'explotar qualsevol vulnerabilitat creada durant la fase de transferència; per tant, es manté la integritat de les dades. Això facilita que els desenvolupadors d'aplicacions mòbils compleixin les normes de seguretat de dades del GDPR.
L'aprenentatge automàtic en dispositius també permet la descentralització, de la mateixa manera que la cadena de blocs. En altres paraules, als pirates informàtics és més difícil llançar un atac DDoS a una xarxa connectada de dispositius ocults que dur a terme el mateix atac a un servidor central. Aquesta tecnologia també pot ser útil quan es treballa amb drons i per controlar el compliment de la legislació.
Els xips per a telèfons intel·ligents d'Apple esmentats també ajuden a millorar la seguretat i la privadesa dels usuaris; per exemple, poden servir de base per a Face ID. Aquesta funció de l'iPhone està alimentada per una xarxa neuronal desplegada als dispositius que recull dades de totes les diferents representacions de la cara d'un usuari. Per tant, la tecnologia serveix com a mètode d'identificació extremadament precís i fiable.
Aquest maquinari i el nou maquinari habilitat per IA obriran el camí per a interaccions més segures entre l'usuari i el telèfon intel·ligent. De fet, els desenvolupadors obtenen una capa addicional de xifratge per protegir les dades dels usuaris.
No cal connexió a Internet
A part dels problemes de latència, enviar dades al núvol per processar-les i extreure conclusions requereix una bona connexió a Internet. Sovint, sobretot als països desenvolupats, no cal queixar-se d'Internet. Però què fer a les zones on la connexió és pitjor? Quan l'aprenentatge automàtic s'implementa als dispositius, les xarxes neuronals viuen als mateixos telèfons. Així, el desenvolupador pot desplegar la tecnologia en qualsevol dispositiu i en qualsevol lloc, independentment de la qualitat de la connexió. A més, aquest enfocament condueix a .
és una de les indústries que es podrien beneficiar especialment de l'aprenentatge automàtic al dispositiu, ja que els desenvolupadors podran crear eines que comprovin els signes vitals o fins i tot proporcionar cirurgia robòtica sense connexió a Internet. Aquesta tecnologia també serà útil per als estudiants que vulguin accedir a materials de classe sense connexió a Internet, per exemple, mentre es troben en un túnel de transport.
En definitiva, l'aprenentatge automàtic en dispositius proporcionarà als desenvolupadors les eines per crear eines que beneficiaran els usuaris de tot el món, independentment de la seva situació de connexió a Internet. Tenint en compte que la potència dels nous telèfons intel·ligents serà almenys tan potent com els actuals, els usuaris s'oblidaran dels problemes de retards en treballar amb l'aplicació fora de línia.
Reduint costos per al teu negoci
L'aprenentatge automàtic en dispositius també us pot estalviar una fortuna en no haver de pagar contractistes externs per implementar i mantenir moltes de les solucions. Com s'ha esmentat anteriorment, en molts casos pots prescindir tant del núvol com d'Internet.
Els serveis al núvol específics per a GPU i IA són les solucions més cares que es poden comprar. Quan feu servir models al vostre dispositiu, no haureu de pagar per tots aquests clústers, gràcies al fet que avui dia hi ha cada cop més telèfons intel·ligents avançats equipats amb .
En evitar el malson de processament de dades pesat que es produeix entre el dispositiu i el núvol, estalvieu enormement; Per tant, és molt rendible implementar solucions d'aprenentatge automàtic en dispositius. A més, estalvieu diners perquè els requisits d'amplada de banda de la vostra aplicació es redueixen significativament.
Els mateixos enginyers també estalvien molt en el procés de desenvolupament, ja que no han de muntar i mantenir una infraestructura de núvol addicional. Al contrari, és possible aconseguir més amb un equip més petit. Així, la planificació de recursos humans en equips de desenvolupament és molt més efectiva.
Conclusió
Sens dubte, als anys 2010, el núvol es va convertir en un autèntic benefici, simplificant el processament de dades. Però l'alta tecnologia s'està desenvolupant de manera exponencial i l'aprenentatge automàtic en dispositius aviat es pot convertir en l'estàndard de facto no només en l'àmbit del desenvolupament mòbil, sinó també en l'Internet de les coses.
Amb una latència reduïda, una seguretat millorada, capacitats fora de línia i uns costos generals més baixos, no és d'estranyar que els principals actors del desenvolupament mòbil apostin molt per la tecnologia. Els desenvolupadors d'aplicacions mòbils també haurien de mirar-ho més de prop per estar al dia amb els temps.
Font: www.habr.com