Godmorgen, Habr!
Vi har ikke noget at tilføje til artiklens titel i vores forhåndsbesked - så alle inviteres straks til katten. Læs og kommenter.
Mobile udviklingsprofessionelle vil drage fordel af de revolutionerende ændringer, som i dag har at byde på. . Pointen er, hvor meget denne teknologi forbedrer enhver mobilapplikation, nemlig den giver et nyt niveau af bekvemmelighed for brugerne og giver dig mulighed for aktivt at bruge kraftfulde funktioner, for eksempel at give de mest præcise anbefalinger, , eller opdage øjeblikkeligt .
Denne hurtige udvikling af mobil maskinlæring er et svar på en række almindelige problemer, som vi har lidt under i klassisk maskinlæring. Faktisk er alt indlysende. I fremtiden vil mobilapplikationer kræve hurtigere databehandling og yderligere reduktion af latens.
Du har måske allerede undret dig over hvorfor ,kan ikke bare køre inferens i skyen. For det første afhænger cloud-teknologier af centrale noder (forestil dig et enormt datacenter med både omfattende datalagring og stor computerkraft). Denne centraliserede tilgang kan ikke håndtere behandlingshastigheder, der er tilstrækkelige til at skabe glatte mobile oplevelser drevet af maskinlæring. Data skal behandles centralt og derefter sendes tilbage til enheder. Denne tilgang kræver tid, penge og garanterer ikke privatlivets fred for selve dataene.
Så efter at have skitseret disse vigtigste fordele ved mobil maskinlæring, lad os se nærmere på, hvorfor maskinlæringsrevolutionen, der udspiller sig foran vores øjne, burde være interessant for dig personligt som mobiludvikler.
Reducer latens
Mobilappudviklere ved, at øget latenstid kan være et sort mærke for et program, uanset hvor gode dets funktioner er, eller hvor velanset mærket er. Tidligere var der på Android-enheder , på grund af hvilken video- og lydvisning ofte viste sig at være ude af synkronisering. Ligeledes kan en social media-klient med høj latency gøre kommunikation til en sand tortur for brugeren.
Implementering af maskinlæring på enheden bliver stadig vigtigere, netop på grund af latensproblemer som disse. Forestil dig, hvordan billedfiltre fungerer til sociale netværk eller restaurantanbefalinger baseret på geolokation. I sådanne applikationer skal latensen være minimal, for at den kan fungere på det højeste niveau.
Som nævnt ovenfor kan cloud-behandling nogle gange være langsom, og udvikleren ønsker, at latensen skal være tæt på nul, for at maskinlæringsfunktionerne i en mobilapp kan fungere korrekt. Maskinlæring på enheder åbner op for databehandlingsmuligheder, der virkelig kan reducere latens til næsten nul.
Smartphone-producenter og giganter på teknologimarkedet begynder så småt at indse dette. I lang tid forblev Apple førende i denne branche og udviklede sig til smartphones, der bruger dets Bionic-system, som implementerer Neural Engine, som hjælper med at drive neurale netværk direkte på enheden, mens den opnår .
Apple fortsætter også med at udvikle Core ML, dets maskinlæringsplatform til mobilapps, trin for trin; på biblioteket tilføjet understøttelse af GPU'er; Google fortsætter med at tilføje forudindlæste funktioner til sin maskinlæringsplatform ML Kit. Ved hjælp af disse teknologier kan du udvikle applikationer, der giver dig mulighed for at behandle data lynhurtigt, eliminere eventuelle forsinkelser og reducere antallet af fejl.
Denne kombination af nøjagtighed og problemfri brugeroplevelse er et nøglemål, som mobilappudviklere skal overveje, når de introducerer maskinlæringsfunktioner i deres apps. Og for at garantere en sådan funktionalitet er det påkrævet .
Forbedret sikkerhed og privatliv
En anden stor fordel ved edge computing, som ikke kan overvurderes, er, hvor meget det forbedrer brugersikkerhed og privatliv. Garanti for sikkerheden og privatlivets fred for data i applikationen er en integreret del af udviklerens opgaver, især under hensyntagen til behovet for at overholde GDPR (General Data Protection Regulation), nye europæiske love, som utvivlsomt vil påvirke praksis med mobiludvikling .
Fordi data ikke skal sendes opstrøms eller til skyen til behandling, er cyberkriminelle mindre i stand til at udnytte eventuelle sårbarheder, der skabes under overførselsfasen; derfor opretholdes integriteten af dataene. Dette gør det nemmere for udviklere af mobilapps at overholde GDPR datasikkerhedsforskrifter.
Maskinlæring på enheder muliggør også decentralisering, meget på samme måde som blockchain. Det er med andre ord sværere for hackere at iværksætte et DDoS-angreb på et tilsluttet netværk af skjulte enheder end at udføre det samme angreb på en central server. Denne teknologi kan også være nyttig, når man arbejder med droner og til overvågning af overholdelse af lovgivning.
De ovennævnte smartphone-chips fra Apple hjælper også med at forbedre brugersikkerheden og privatlivets fred – for eksempel kan de tjene som grundlag for Face ID. Denne iPhone-funktion er drevet af et neuralt netværk installeret på enhederne, som indsamler data fra alle de forskellige repræsentationer af en brugers ansigt. Teknologien fungerer således som en ekstremt nøjagtig og pålidelig identifikationsmetode.
Disse og nyere AI-aktiveret hardware vil bane vejen for sikrere bruger-smartphone-interaktioner. Faktisk får udviklere et ekstra lag af kryptering for at beskytte brugerdata.
Ingen internetforbindelse påkrævet
Bortset fra latency-problemer kræver det en god internetforbindelse at sende data til skyen til behandling og drage konklusioner. Ofte, især i udviklede lande, er der ingen grund til at klage over internettet. Men hvad skal man gøre i områder, hvor forbindelsen er dårligere? Når maskinlæring implementeres på enheder, lever neurale netværk på selve telefonerne. Således kan udvikleren implementere teknologien på enhver enhed og hvor som helst, uanset kvaliteten af forbindelsen. Plus, denne tilgang fører til .
er en af de industrier, der især kunne drage fordel af on-device machine learning, da udviklere vil være i stand til at skabe værktøjer, der kontrollerer vitale tegn eller endda giver robotkirurgi uden nogen internetforbindelse. Denne teknologi vil også være nyttig for studerende, der ønsker at få adgang til undervisningsmaterialer uden internetforbindelse - for eksempel i en transporttunnel.
I sidste ende vil maskinlæring på enheder give udviklere værktøjer til at skabe værktøjer, der vil gavne brugere over hele verden, uanset deres internetforbindelsessituation. I betragtning af, at kraften i nye smartphones vil være mindst lige så kraftfuld som de nuværende, vil brugerne glemme problemer med forsinkelser, når de arbejder med applikationen offline.
Reducer omkostningerne for din virksomhed
Maskinlæring på enheder kan også spare dig for en formue ved ikke at skulle betale eksterne entreprenører for at implementere og vedligeholde mange af løsningerne. Som nævnt ovenfor kan du i mange tilfælde undvære både skyen og internettet.
GPU og AI-specifikke cloud-tjenester er de dyreste løsninger, der kan købes. Når du kører modeller på din enhed, skal du ikke betale for alle disse klynger, takket være at der i dag er flere og flere avancerede smartphones udstyret med .
Ved at undgå mareridtet med tung databehandling, der sker mellem enheden og skyen, sparer du enormt; Derfor er det meget rentabelt at implementere maskinlæringsløsninger på enheder. Derudover sparer du penge, fordi din applikations båndbreddekrav reduceres markant.
Ingeniørerne sparer også selv meget på udviklingsprocessen, da de ikke skal samle og vedligeholde yderligere cloud-infrastruktur. Tværtimod er det muligt at opnå mere med et mindre team. Således er menneskelig ressourceplanlægning i udviklingsteams meget mere effektiv.
Konklusion
Uden tvivl blev skyen i 2010'erne en reel velsignelse, der forenklede databehandlingen. Men højteknologi udvikler sig eksponentielt, og maskinlæring på enheder kan snart blive de facto-standarden, ikke kun inden for mobiludvikling, men også inden for tingenes internet.
Med reduceret ventetid, forbedret sikkerhed, offline-funktioner og generelt lavere omkostninger er det ingen overraskelse, at de største spillere inden for mobiludvikling satser stort på teknologien. Mobilapplikationsudviklere bør også se nærmere på det for at følge med tiden.
Kilde: www.habr.com