Guten Morgen, Habr!
Zum Titel des Artikels haben wir in unserer Voranmeldung nichts hinzuzufügen – alle sind also sofort zur Katze eingeladen. Lesen und kommentieren.
Fachleute für mobile Entwicklung werden von den revolutionären Veränderungen profitieren, die heute zu bieten haben.
Diese rasante Entwicklung des mobilen maschinellen Lernens ist eine Reaktion auf eine Reihe häufiger Probleme, unter denen wir beim klassischen maschinellen Lernen gelitten haben. Tatsächlich ist alles offensichtlich. Mobile Anwendungen erfordern in Zukunft eine schnellere Datenverarbeitung und eine weitere Reduzierung der Latenz.
Sie haben sich vielleicht schon gefragt, warum
Nachdem wir diese Hauptvorteile des mobilen maschinellen Lernens dargelegt haben, werfen wir einen genaueren Blick darauf, warum die Revolution des maschinellen Lernens, die sich vor unseren Augen abspielt, für Sie persönlich als mobilen Entwickler von Interesse sein sollte.
Reduzieren Sie die Latenz
Entwickler mobiler Apps wissen, dass eine erhöhte Latenz ein schwarzer Fleck für ein Programm sein kann, egal wie gut seine Funktionen sind oder wie seriös die Marke ist. Zuvor gab es auf Android-Geräten
Gerade aufgrund solcher Latenzprobleme wird die Implementierung von maschinellem Lernen auf Geräten immer wichtiger. Stellen Sie sich vor, wie Bildfilter für soziale Netzwerke oder Restaurantempfehlungen basierend auf der Geolokalisierung funktionieren. Bei solchen Anwendungen muss die Latenz minimal sein, damit die Leistung auf höchstem Niveau erbracht wird.
Wie oben erwähnt, kann die Cloud-Verarbeitung manchmal langsam sein, und der Entwickler möchte, dass die Latenz nahe Null liegt, damit die maschinellen Lernfunktionen einer mobilen App ordnungsgemäß funktionieren. Maschinelles Lernen auf Geräten eröffnet Datenverarbeitungsmöglichkeiten, die die Latenz tatsächlich auf nahezu Null reduzieren können.
Smartphone-Hersteller und Giganten des Technologiemarkts beginnen dies allmählich zu erkennen. Apple blieb lange Zeit führend in dieser Branche und entwickelte sich weiter
Auch Apple entwickelt Core ML, seine Machine-Learning-Plattform für mobile Apps, Schritt für Schritt weiter; in der Bibliothek
Diese Kombination aus Genauigkeit und nahtlosem Benutzererlebnis ist eine Schlüsselkennzahl, die Entwickler mobiler Apps berücksichtigen müssen, wenn sie Funktionen für maschinelles Lernen in ihre Apps einführen. Und um diese Funktionalität zu gewährleisten, ist sie erforderlich
Verbesserte Sicherheit und Privatsphäre
Ein weiterer großer Vorteil von Edge Computing, der nicht genug betont werden kann, ist die Verbesserung der Benutzersicherheit und des Datenschutzes. Die Gewährleistung der Sicherheit und des Datenschutzes der Daten in der Anwendung ist ein wesentlicher Bestandteil der Aufgaben des Entwicklers, insbesondere unter Berücksichtigung der Notwendigkeit, die DSGVO (Datenschutz-Grundverordnung) einzuhalten, neue europäische Gesetze, die sich zweifellos auf die Praxis der mobilen Entwicklung auswirken werden .
Da die Daten nicht zur Verarbeitung in den Upstream oder in die Cloud gesendet werden müssen, sind Cyberkriminelle weniger in der Lage, während der Übertragungsphase entstandene Schwachstellen auszunutzen. Daher bleibt die Integrität der Daten erhalten. Dies erleichtert Entwicklern mobiler Apps die Einhaltung der Datenschutzbestimmungen der DSGVO.
Auch maschinelles Lernen auf Geräten ermöglicht Dezentralisierung, ähnlich wie Blockchain. Mit anderen Worten: Es ist für Hacker schwieriger, einen DDoS-Angriff auf ein verbundenes Netzwerk versteckter Geräte zu starten, als denselben Angriff auf einen zentralen Server durchzuführen. Auch bei der Arbeit mit Drohnen und zur Überwachung der Einhaltung von Gesetzen kann diese Technologie nützlich sein.
Auch die oben genannten Smartphone-Chips von Apple tragen dazu bei, die Sicherheit und Privatsphäre der Nutzer zu verbessern – sie können beispielsweise als Grundlage für Face ID dienen. Diese iPhone-Funktion wird von einem auf den Geräten bereitgestellten neuronalen Netzwerk unterstützt, das Daten aus allen verschiedenen Darstellungen des Gesichts eines Benutzers sammelt. Somit dient die Technologie als äußerst genaue und zuverlässige Identifizierungsmethode.
Diese und neuere KI-fähige Hardware wird den Weg für sicherere Benutzer-Smartphone-Interaktionen ebnen. Tatsächlich erhalten Entwickler eine zusätzliche Verschlüsselungsebene zum Schutz der Benutzerdaten.
Keine Internetverbindung erforderlich
Abgesehen von Latenzproblemen erfordert das Senden von Daten an die Cloud zur Verarbeitung und zum Ziehen von Schlussfolgerungen eine gute Internetverbindung. Gerade in entwickelten Ländern besteht oft kein Grund, sich über das Internet zu beschweren. Doch was tun in Gebieten, in denen die Verbindung schlechter ist? Wenn maschinelles Lernen auf Geräten implementiert wird, leben neuronale Netze auf den Telefonen selbst. Somit kann der Entwickler die Technologie auf jedem Gerät und überall einsetzen, unabhängig von der Qualität der Verbindung. Außerdem führt dieser Ansatz zu
Letztendlich wird maschinelles Lernen auf Geräten Entwicklern die Werkzeuge zur Verfügung stellen, mit denen sie Werkzeuge erstellen können, von denen Benutzer auf der ganzen Welt unabhängig von ihrer Internetverbindungssituation profitieren. Wenn man bedenkt, dass die Leistung neuer Smartphones mindestens so leistungsstark sein wird wie die der aktuellen, werden Benutzer Probleme mit Verzögerungen vergessen, wenn sie offline mit der Anwendung arbeiten.
Reduzieren Sie die Kosten für Ihr Unternehmen
Durch maschinelles Lernen auf Geräten können Sie auch ein Vermögen sparen, da Sie für die Implementierung und Wartung vieler Lösungen keine externen Auftragnehmer bezahlen müssen. Wie oben erwähnt, kann man in vielen Fällen sowohl auf die Cloud als auch auf das Internet verzichten.
GPU- und KI-spezifische Cloud-Dienste sind die teuersten Lösungen, die erworben werden können. Wenn Sie Modelle auf Ihrem Gerät ausführen, müssen Sie nicht für alle diese Cluster bezahlen, da heutzutage immer fortschrittlichere Smartphones damit ausgestattet sind
Indem Sie den Albtraum der umfangreichen Datenverarbeitung zwischen dem Gerät und der Cloud vermeiden, sparen Sie enorm; Daher ist es sehr profitabel, maschinelle Lernlösungen auf Geräten zu implementieren. Darüber hinaus sparen Sie Geld, da der Bandbreitenbedarf Ihrer Anwendung deutlich reduziert wird.
Auch die Ingenieure selbst sparen viel beim Entwicklungsprozess, da sie keine zusätzliche Cloud-Infrastruktur aufbauen und warten müssen. Im Gegenteil: Mit einem kleineren Team kann man mehr erreichen. Dadurch ist die Personalplanung in Entwicklungsteams deutlich effektiver.
Abschluss
Zweifellos wurde die Cloud in den 2010er Jahren zu einem echten Segen, da sie die Datenverarbeitung vereinfachte. Doch die Hochtechnologie entwickelt sich exponentiell weiter, und maschinelles Lernen auf Geräten könnte bald zum De-facto-Standard nicht nur im Bereich der mobilen Entwicklung, sondern auch im Internet der Dinge werden.
Angesichts der reduzierten Latenz, der verbesserten Sicherheit, der Offline-Funktionen und der insgesamt niedrigeren Kosten ist es keine Überraschung, dass die größten Akteure in der mobilen Entwicklung stark auf die Technologie setzen. Auch Entwickler mobiler Anwendungen sollten einen genaueren Blick darauf werfen, um auf der Höhe der Zeit zu bleiben.
Source: habr.com