Καλημέρα, Χαμπρ!
Δεν έχουμε τίποτα να προσθέσουμε στον τίτλο του άρθρου στην προειδοποίησή μας - έτσι όλοι προσκαλούνται αμέσως στη γάτα. Διαβάστε και σχολιάστε.
Οι επαγγελματίες ανάπτυξης φορητών συσκευών θα επωφεληθούν από τις επαναστατικές αλλαγές που έχει να προσφέρει σήμερα.
Αυτή η ταχεία ανάπτυξη της κινητής μηχανικής εκμάθησης είναι μια απάντηση σε μια σειρά από κοινά προβλήματα από τα οποία έχουμε υποστεί στην κλασική μηχανική μάθηση. Στην πραγματικότητα, όλα είναι προφανή. Στο μέλλον, οι εφαρμογές για κινητές συσκευές θα απαιτούν ταχύτερη επεξεργασία δεδομένων και περαιτέρω μείωση του λανθάνοντος χρόνου.
Ίσως έχετε ήδη αναρωτηθεί γιατί
Έτσι, έχοντας περιγράψει αυτά τα βασικά πλεονεκτήματα της κινητής μηχανικής εκμάθησης, ας ρίξουμε μια πιο προσεκτική ματιά στο γιατί η επανάσταση της μηχανικής μάθησης που εκτυλίσσεται μπροστά στα μάτια μας θα πρέπει να σας ενδιαφέρει προσωπικά ως προγραμματιστή κινητών.
Μειώστε την καθυστέρηση
Οι προγραμματιστές εφαρμογών για κινητά γνωρίζουν ότι η αυξημένη καθυστέρηση μπορεί να είναι ένα μαύρο σημάδι για ένα πρόγραμμα, ανεξάρτητα από το πόσο καλά είναι τα χαρακτηριστικά του ή πόσο αξιόπιστη είναι η επωνυμία. Προηγουμένως, υπήρχαν σε συσκευές Android
Η εφαρμογή της μηχανικής εκμάθησης σε συσκευές γίνεται ολοένα και πιο σημαντική ακριβώς λόγω προβλημάτων λανθάνοντος χρόνου όπως αυτά. Φανταστείτε πώς λειτουργούν τα φίλτρα εικόνας για τα κοινωνικά δίκτυα ή τις προτάσεις εστιατορίων με βάση τη γεωγραφική θέση. Σε τέτοιες εφαρμογές, η καθυστέρηση πρέπει να είναι ελάχιστη για να αποδώσει στο υψηλότερο επίπεδο.
Όπως αναφέρθηκε παραπάνω, η επεξεργασία cloud μπορεί μερικές φορές να είναι αργή και ο προγραμματιστής θέλει η καθυστέρηση να είναι κοντά στο μηδέν για να λειτουργούν σωστά οι δυνατότητες μηχανικής εκμάθησης μιας εφαρμογής για κινητά. Η μηχανική εκμάθηση σε συσκευές ανοίγει δυνατότητες επεξεργασίας δεδομένων που μπορούν πραγματικά να μειώσουν την καθυστέρηση σχεδόν στο μηδέν.
Οι κατασκευαστές smartphone και οι κολοσσοί της αγοράς τεχνολογίας αρχίζουν σταδιακά να το συνειδητοποιούν αυτό. Για μεγάλο χρονικό διάστημα, η Apple παρέμεινε ο ηγέτης σε αυτόν τον κλάδο, αναπτύσσοντας
Η Apple συνεχίζει επίσης να αναπτύσσει το Core ML, την πλατφόρμα μηχανικής εκμάθησης για εφαρμογές για κινητά, βήμα προς βήμα. στην ΒΙΒΛΙΟΘΗΚΗ
Αυτός ο συνδυασμός ακρίβειας και απρόσκοπτης εμπειρίας χρήστη είναι μια βασική μέτρηση που πρέπει να λαμβάνουν υπόψη οι προγραμματιστές εφαρμογών για κινητά όταν ενσωματώνουν τις δυνατότητες μηχανικής εκμάθησης στις εφαρμογές τους. Και για να εξασφαλιστεί μια τέτοια λειτουργικότητα, απαιτείται
Βελτιωμένη ασφάλεια και ιδιωτικότητα
Ένα άλλο τεράστιο πλεονέκτημα του edge computing που δεν μπορεί να υπερεκτιμηθεί είναι το πόσο βελτιώνει την ασφάλεια και το απόρρητο των χρηστών. Η εγγύηση της ασφάλειας και του απορρήτου των δεδομένων στην εφαρμογή αποτελεί αναπόσπαστο μέρος των εργασιών του προγραμματιστή, ιδίως λαμβάνοντας υπόψη την ανάγκη συμμόρφωσης με τον GDPR (Γενικός Κανονισμός Προστασίας Δεδομένων), τους νέους ευρωπαϊκούς νόμους, που αναμφίβολα θα επηρεάσουν την πρακτική της ανάπτυξης κινητών .
Επειδή τα δεδομένα δεν χρειάζεται να αποστέλλονται ανάντη ή στο cloud για επεξεργασία, οι εγκληματίες του κυβερνοχώρου είναι λιγότερο ικανοί να εκμεταλλευτούν τυχόν ευπάθειες που δημιουργούνται κατά τη φάση μεταφοράς. Συνεπώς, διατηρείται η ακεραιότητα των δεδομένων. Αυτό διευκολύνει τους προγραμματιστές εφαρμογών για κινητά να συμμορφωθούν με τους κανονισμούς ασφάλειας δεδομένων GDPR.
Η μηχανική εκμάθηση σε συσκευές επιτρέπει επίσης την αποκέντρωση, με τον ίδιο τρόπο όπως το blockchain. Με άλλα λόγια, είναι πιο δύσκολο για τους χάκερ να εξαπολύσουν μια επίθεση DDoS σε ένα συνδεδεμένο δίκτυο κρυφών συσκευών παρά να πραγματοποιήσουν την ίδια επίθεση σε έναν κεντρικό διακομιστή. Αυτή η τεχνολογία μπορεί επίσης να είναι χρήσιμη κατά την εργασία με drones και για την παρακολούθηση της συμμόρφωσης με τη νομοθεσία.
Τα προαναφερθέντα τσιπ smartphone από την Apple συμβάλλουν επίσης στη βελτίωση της ασφάλειας και του απορρήτου των χρηστών - για παράδειγμα, μπορούν να χρησιμεύσουν ως βάση για το Face ID. Αυτή η δυνατότητα iPhone τροφοδοτείται από ένα νευρωνικό δίκτυο που αναπτύσσεται στις συσκευές που συλλέγει δεδομένα από όλες τις διαφορετικές αναπαραστάσεις του προσώπου ενός χρήστη. Έτσι, η τεχνολογία χρησιμεύει ως μια εξαιρετικά ακριβής και αξιόπιστη μέθοδος αναγνώρισης.
Αυτό και νεότερο υλικό με δυνατότητα AI θα ανοίξουν το δρόμο για ασφαλέστερες αλληλεπιδράσεις χρήστη-έξυπνου τηλεφώνου. Στην πραγματικότητα, οι προγραμματιστές λαμβάνουν ένα επιπλέον επίπεδο κρυπτογράφησης για την προστασία των δεδομένων των χρηστών.
Δεν απαιτείται σύνδεση στο διαδίκτυο
Εκτός από τα ζητήματα καθυστέρησης, η αποστολή δεδομένων στο cloud για επεξεργασία και εξαγωγή συμπερασμάτων απαιτεί καλή σύνδεση στο διαδίκτυο. Συχνά, ειδικά στις αναπτυγμένες χώρες, δεν υπάρχει λόγος να παραπονιόμαστε για το Διαδίκτυο. Τι να κάνετε όμως σε περιοχές όπου η σύνδεση είναι χειρότερη; Όταν η μηχανική εκμάθηση εφαρμόζεται σε συσκευές, τα νευρωνικά δίκτυα ζουν στα ίδια τηλέφωνα. Έτσι, ο προγραμματιστής μπορεί να αναπτύξει την τεχνολογία σε οποιαδήποτε συσκευή και οπουδήποτε, ανεξάρτητα από την ποιότητα της σύνδεσης. Επιπλέον, αυτή η προσέγγιση οδηγεί σε
Τελικά, η μηχανική εκμάθηση σε συσκευές θα παρέχει στους προγραμματιστές τα εργαλεία για τη δημιουργία εργαλείων που θα ωφελήσουν τους χρήστες σε όλο τον κόσμο, ανεξάρτητα από την κατάσταση σύνδεσής τους στο Διαδίκτυο. Λαμβάνοντας υπόψη ότι η ισχύς των νέων smartphone θα είναι τουλάχιστον εξίσου ισχυρή με τα τρέχοντα, οι χρήστες θα ξεχάσουν τα προβλήματα με τις καθυστερήσεις όταν εργάζονται με την εφαρμογή εκτός σύνδεσης.
Μείωση κόστους για την επιχείρησή σας
Η μηχανική εκμάθηση σε συσκευές μπορεί επίσης να σας εξοικονομήσει μια περιουσία, καθώς δεν χρειάζεται να πληρώσετε εξωτερικούς εργολάβους για την εφαρμογή και τη συντήρηση πολλών από τις λύσεις. Όπως αναφέρθηκε παραπάνω, σε πολλές περιπτώσεις μπορείτε να κάνετε και χωρίς το cloud και το Internet.
Οι υπηρεσίες cloud ειδικά για GPU και AI είναι οι πιο ακριβές λύσεις που μπορούν να αγοραστούν. Όταν εκτελείτε μοντέλα στη συσκευή σας, δεν χρειάζεται να πληρώνετε για όλα αυτά τα συμπλέγματα, χάρη στο γεγονός ότι σήμερα υπάρχουν όλο και πιο προηγμένα smartphone εξοπλισμένα με
Αποφεύγοντας τον εφιάλτη της βαριάς επεξεργασίας δεδομένων που συμβαίνει μεταξύ της συσκευής και του cloud, εξοικονομείτε τεράστια οικονομία. Ως εκ τούτου, είναι πολύ επικερδές η εφαρμογή λύσεων μηχανικής εκμάθησης σε συσκευές. Επιπλέον, εξοικονομείτε χρήματα επειδή οι απαιτήσεις εύρους ζώνης της εφαρμογής σας μειώνονται σημαντικά.
Οι ίδιοι οι μηχανικοί εξοικονομούν επίσης πολλά στη διαδικασία ανάπτυξης, καθώς δεν χρειάζεται να συναρμολογήσουν και να διατηρήσουν πρόσθετη υποδομή cloud. Αντίθετα, είναι δυνατόν να πετύχεις περισσότερα με μια μικρότερη ομάδα. Έτσι, ο σχεδιασμός ανθρώπινων πόρων στις ομάδες ανάπτυξης είναι πολύ πιο αποτελεσματικός.
Συμπέρασμα
Αναμφίβολα, τη δεκαετία του 2010, το cloud έγινε πραγματικό δώρο, απλοποιώντας την επεξεργασία δεδομένων. Όμως η υψηλή τεχνολογία αναπτύσσεται εκθετικά και η μηχανική εκμάθηση σε συσκευές μπορεί σύντομα να γίνει το de facto πρότυπο όχι μόνο στον τομέα της ανάπτυξης κινητών, αλλά και στο Διαδίκτυο των πραγμάτων.
Με μειωμένο λανθάνον χρόνο, βελτιωμένη ασφάλεια, δυνατότητες εκτός σύνδεσης και συνολικά χαμηλότερο κόστος, δεν αποτελεί έκπληξη το γεγονός ότι οι μεγαλύτεροι παίκτες στην ανάπτυξη κινητής τηλεφωνίας στοιχηματίζουν πολλά στην τεχνολογία. Οι προγραμματιστές εφαρμογών για κινητά θα πρέπει επίσης να το εξετάσουν πιο προσεκτικά για να συμβαδίσουν με την εποχή.
Πηγή: www.habr.com