Dobré ráno, Habr!
K nadpisu článku v našem předběžném upozornění nemáme co dodat - všichni jsou tedy okamžitě zváni do kočky. Čtěte a komentujte.
Profesionálové mobilního vývoje budou mít prospěch z revolučních změn, které dnešní doba nabízí. . Jde o to, jak moc tato technologie vylepšuje jakoukoli mobilní aplikaci, konkrétně poskytuje uživatelům novou úroveň pohodlí a umožňuje vám aktivně využívat výkonné funkce, například poskytovat co nejpřesnější doporučení, nebo okamžitě detekovat .
Tento rychlý rozvoj mobilního strojového učení je reakcí na řadu běžných problémů, kterými jsme trpěli při klasickém strojovém učení. Ve skutečnosti je vše zřejmé. Mobilní aplikace budou v budoucnu vyžadovat rychlejší zpracování dat a další snížení latence.
Možná vás už napadlo proč , nelze jednoduše spustit odvození v cloudu. Za prvé, cloudové technologie závisí na centrálních uzlech (představte si obrovské datové centrum s rozsáhlým úložištěm dat a velkým výpočetním výkonem). Tento centralizovaný přístup nedokáže zvládnout rychlosti zpracování dostatečné k vytvoření hladkého mobilního prostředí založeného na strojovém učení. Data musí být zpracována centrálně a poté odeslána zpět do zařízení. Tento přístup vyžaduje čas, peníze a nezaručuje soukromí samotných dat.
Po nastínění těchto klíčových výhod mobilního strojového učení se tedy pojďme blíže podívat na to, proč by vás jako mobilního vývojáře měla zajímat revoluce strojového učení, která se odehrává před našima očima.
Snižte latenci
Vývojáři mobilních aplikací vědí, že zvýšená latence může být pro program černou skvrnou, bez ohledu na to, jak dobré jsou jeho funkce nebo jak je značka renomovaná. Dříve na zařízeních Android byly , kvůli kterému se sledování videa a zvuku často ukázalo jako nesynchronizované. Stejně tak klient sociálních sítí s vysokou latencí může z komunikace pro uživatele udělat skutečné mučení.
Implementace strojového učení na zařízení je stále důležitější právě kvůli problémům s latencí, jako jsou tyto. Představte si, jak fungují filtry obrázků pro sociální sítě nebo doporučení restaurací na základě geolokace. V takových aplikacích musí být latence minimální, aby fungovaly na nejvyšší úrovni.
Jak bylo zmíněno výše, cloudové zpracování může být někdy pomalé a vývojář chce, aby se latence blížila nule, aby schopnosti strojového učení mobilní aplikace fungovaly správně. Strojové učení na zařízeních otevírá možnosti zpracování dat, které mohou skutečně snížit latenci téměř na nulu.
Výrobci chytrých telefonů a giganti technologického trhu si to postupně začínají uvědomovat. Apple zůstal po dlouhou dobu lídrem v tomto odvětví a rozvíjel se pro chytré telefony využívající svůj systém Bionic, který implementuje Neural Engine, který pomáhá řídit neuronové sítě přímo na zařízení a přitom dosáhnout .
Apple také pokračuje ve vývoji Core ML, své platformy pro strojové učení pro mobilní aplikace, krok za krokem; v knihovně přidána podpora pro GPU; Google pokračuje v přidávání předinstalovaných funkcí do své platformy strojového učení ML Kit. Pomocí těchto technologií můžete vyvíjet aplikace, které vám umožní zpracovávat data rychlostí blesku, eliminovat případné prodlevy a snížit počet chyb.
Tato kombinace přesnosti a bezproblémového uživatelského prostředí je klíčovou metrikou, kterou musí vývojáři mobilních aplikací vzít v úvahu při zavádění funkcí strojového učení do svých aplikací. A aby byla zaručena taková funkčnost, je to nutné .
Vylepšené zabezpečení a soukromí
Další obrovskou výhodou edge computingu, kterou nelze přeceňovat, je to, jak moc zlepšuje zabezpečení a soukromí uživatelů. Zajištění bezpečnosti a soukromí dat v aplikaci je nedílnou součástí úkolů vývojáře, zejména s přihlédnutím k nutnosti dodržovat GDPR (General Data Protection Regulation), nové evropské zákony, které nepochybně ovlivní i praxi mobilního vývoje. .
Vzhledem k tomu, že data není nutné zasílat proti proudu nebo do cloudu ke zpracování, kyberzločinci jsou méně schopni zneužít jakékoli zranitelnosti vytvořené během fáze přenosu; integrita dat je proto zachována. Vývojářům mobilních aplikací to usnadňuje dodržování nařízení o zabezpečení dat GDPR.
Strojové učení na zařízeních také umožňuje decentralizaci, podobně jako blockchain. Jinými slovy, pro hackery je obtížnější zahájit DDoS útok na připojenou síť skrytých zařízení než provést stejný útok na centrální server. Tato technologie může být užitečná i při práci s drony a pro sledování dodržování legislativy.
Výše zmíněné čipy smartphonů od Applu také pomáhají zlepšovat zabezpečení a soukromí uživatelů – mohou sloužit například jako základ pro Face ID. Tato funkce iPhonu je poháněna neuronovou sítí nasazenou na zařízeních, která shromažďuje data ze všech různých reprezentací obličeje uživatele. Technologie tak slouží jako extrémně přesná a spolehlivá metoda identifikace.
Tento a novější hardware s podporou AI připraví cestu pro bezpečnější interakce mezi uživatelem a chytrým telefonem. Vývojáři ve skutečnosti získají další vrstvu šifrování pro ochranu uživatelských dat.
Není nutné připojení k internetu
Pomineme-li problémy s latencí, odesílání dat do cloudu ke zpracování a vyvozování závěrů vyžaduje dobré připojení k internetu. Často, zejména ve vyspělých zemích, není třeba si na internet stěžovat. Co ale dělat v oblastech, kde je spojení horší? Když je strojové učení implementováno na zařízení, neuronové sítě žijí na samotných telefonech. Vývojář tak může technologii nasadit na libovolné zařízení a kdekoli, bez ohledu na kvalitu připojení. Navíc tento přístup vede k .
je jedním z odvětví, která by mohla obzvláště těžit ze strojového učení na zařízení, protože vývojáři budou moci vytvářet nástroje, které kontrolují vitální funkce nebo dokonce poskytují robotickou chirurgii bez jakéhokoli připojení k internetu. Tato technologie bude užitečná i pro studenty, kteří chtějí mít přístup k přednáškovým materiálům bez připojení k internetu – například v dopravním tunelu.
Strojové učení na zařízeních v konečném důsledku poskytne vývojářům nástroje k vytváření nástrojů, které budou přínosem pro uživatele po celém světě, bez ohledu na jejich situaci s připojením k internetu. S ohledem na to, že výkon nových smartphonů bude minimálně stejně výkonný jako těch současných, uživatelé zapomenou na problémy se zpožděním při práci s aplikací offline.
Snížení nákladů pro vaše podnikání
Strojové učení na zařízeních vám také může ušetřit jmění tím, že nebudete muset platit externím dodavatelům za implementaci a údržbu mnoha řešení. Jak již bylo zmíněno výše, v mnoha případech se obejdete bez cloudu i internetu.
GPU a cloudové služby specifické pro AI jsou nejdražší řešení, která lze zakoupit. Když na svém zařízení provozujete modely, nemusíte platit za všechny tyto clustery, a to díky tomu, že dnes existují stále pokročilejší smartphony vybavené .
Tím, že se vyhnete noční můře náročného zpracování dat, ke kterému dochází mezi zařízením a cloudem, ušetříte enormně; Proto je velmi výhodné implementovat řešení strojového učení na zařízení. Navíc ušetříte peníze, protože požadavky vaší aplikace na šířku pásma jsou výrazně sníženy.
Sami inženýři také hodně ušetří na procesu vývoje, protože nemusí sestavovat a udržovat další cloudovou infrastrukturu. Naopak s menším týmem je možné dosáhnout více. Plánování lidských zdrojů ve vývojových týmech je tak mnohem efektivnější.
Závěr
Nepochybně se v roce 2010 stal cloud skutečným přínosem, který zjednodušil zpracování dat. Špičkové technologie se ale rozvíjejí exponenciálně a strojové učení na zařízeních se může brzy stát de facto standardem nejen v oblasti mobilního vývoje, ale také v internetu věcí.
Díky snížené latenci, vylepšenému zabezpečení, možnostem offline a celkově nižším nákladům není překvapením, že největší hráči v oblasti mobilního vývoje na tuto technologii ve velkém sázejí. Blíže by se na něj měli podívat i vývojáři mobilních aplikací, aby šli s dobou.
Zdroj: www.habr.com