Bonan matenon, Habr!
Ni havas nenion por aldoni al la titolo de la artikolo en nia antaŭ-avizo - do ĉiuj estas tuj invitataj al la kato. Legu kaj komentu.
Profesiuloj pri movebla disvolviĝo profitos de la revoluciaj ŝanĝoj, kiujn hodiaŭ devas proponi. . La punkto estas kiom ĉi tiu teknologio plibonigas ajnan moveblan aplikaĵon, nome, ĝi provizas novan nivelon de komforto por uzantoj kaj permesas vin aktive uzi potencajn funkciojn, ekzemple, por provizi la plej precizajn rekomendojn, , aŭ tuj detekti .
Ĉi tiu rapida evoluo de movebla maŝinlernado estas respondo al kelkaj oftaj problemoj, kiujn ni suferis en klasika maŝinlernado. Fakte ĉio estas evidenta. En la estonteco, moveblaj aplikoj postulos pli rapidan datumtraktadon kaj plian redukton de latenteco.
Vi eble jam scivolis kial ,ne povas simple ruli inferencon en la nubo. Unue, nubaj teknologioj dependas de centraj nodoj (imagu grandegan datumcentron kun kaj ampleksa datumstokado kaj granda komputika potenco). Ĉi tiu centralizita aliro ne povas manipuli pretigajn rapidecojn sufiĉajn por krei glatajn moveblajn spertojn funkciigitajn per maŝinlernado. Datumoj devas esti prilaboritaj centre kaj poste resenditaj al aparatoj. Ĉi tiu aliro postulas tempon, monon kaj ne garantias la privatecon de la datumoj mem.
Do, skizinte ĉi tiujn ŝlosilajn avantaĝojn de movebla maŝinlernado, ni rigardu pli detale kial la maŝinlernada revolucio disvolviĝanta antaŭ niaj okuloj devus interesi vin persone kiel movebla programisto.
Redukti Latencia
Programistoj de poŝtelefonaj programoj scias, ke pliigita latenteco povas esti nigra marko por programo, negrave kiom bonaj estas ĝiaj funkcioj aŭ kiom bonfama estas la marko. Antaŭe, sur Android-aparatoj ekzistis , pro kiu vidbendo kaj sonspektado ofte montriĝis nesinkronigita. Same, socia amaskomunikila kliento kun alta latencia povas fari komunikadon vera torturo por la uzanto.
Efektivigi maŝinlernadon sur aparato fariĝas ĉiam pli grava ĝuste pro latentecaj problemoj kiel ĉi tiuj. Imagu kiel bildfiltriloj funkcias por sociaj retoj, aŭ restoraciaj rekomendoj bazitaj sur geolokigo. En tiaj aplikoj, la latenteco devas esti minimuma por ke ĝi agu ĉe la plej alta nivelo.
Kiel menciite supre, nuba prilaborado foje povas esti malrapida, kaj la programisto volas, ke la latenteco estu proksima al nulo por ke la maŝinlernado-kapabloj de poŝtelefona programo funkciu ĝuste. Maŝinlernado sur aparatoj malfermas datumtraktadkapablojn kiuj povas vere redukti latencian al preskaŭ nulo.
Fabrikistoj de inteligentaj telefonoj kaj teknologiaj merkataj gigantoj iom post iom ekkonscias tion. Dum longa tempo, Apple restis la gvidanto en ĉi tiu industrio, evoluante por saĝtelefonoj uzantaj ĝian Bionic-sistemon, kiu efektivigas la Neŭralan Motoron, kiu helpas movi neŭralajn retojn rekte sur la aparaton, atingante .
Apple ankaŭ daŭre disvolvas Core ML, ĝian maŝinlernadplatformon por moveblaj programoj, paŝon post paŝo; en biblioteko aldonita subteno por GPUoj; Google daŭre aldonas antaŭŝarĝitajn funkciojn al sia maŝinlernada platformo ML Kit. Uzante ĉi tiujn teknologiojn, vi povas disvolvi aplikojn, kiuj permesas vin prilabori datumojn kun fulmorapido, forigi ajnajn prokrastojn kaj redukti la nombron da eraroj.
Ĉi tiu kombinaĵo de precizeco kaj senjuntaj uzantspertoj estas ŝlosila metriko, kiun programistoj de poŝtelefonaj programoj devas konsideri kiam ili enkorpigas maŝinlernajn kapablojn en siajn programojn. Kaj por garantii tian funkcion, ĝi estas postulata .
Plibonigita sekureco kaj privateco
Alia grandega avantaĝo de randa komputado, kiu ne povas esti troigita, estas kiom ĝi plibonigas uzantan sekurecon kaj privatecon. Garantii la sekurecon kaj privatecon de datumoj en la aplikaĵo estas integra parto de la taskoj de la programisto, precipe konsiderante la bezonon plenumi la GDPR (Ĝenerala Regulo pri Protekto de Datumoj), novaj eŭropaj leĝoj, kiuj sendube influos la praktikon de movebla disvolviĝo. .
Ĉar datumoj ne bezonas esti senditaj kontraŭflue aŭ al la nubo por prilaborado, ciberkrimuloj malpli kapablas ekspluati ajnajn vundeblecojn kreitajn dum la transiga fazo; tial, la integreco de la datumoj estas konservita. Ĉi tio faciligas por programistoj de poŝtelefonaj programoj plenumi la regulojn pri datumoj pri sekureco de GDPR.
Maŝina lernado sur aparatoj ankaŭ ebligas malcentralizon, multe en la sama maniero kiel blokĉeno. Alivorte, estas pli malfacile por hackers lanĉi DDoS-atakon sur konektita reto de kaŝitaj aparatoj ol fari la saman atakon sur centra servilo. Ĉi tiu teknologio ankaŭ povas esti utila kiam vi laboras kun virabeloj kaj por kontroli la plenumon de leĝaro.
La supre menciitaj saĝtelefonaj blatoj de Apple ankaŭ helpas plibonigi uzantsekurecon kaj privatecon - ekzemple, ili povas servi kiel bazo por Face ID. Ĉi tiu iPhone-trajto estas funkciigita de neŭrala reto deplojita sur la aparatoj, kiu kolektas datumojn de ĉiuj malsamaj reprezentoj de la vizaĝo de uzanto. Tiel, la teknologio funkcias kiel ekstreme preciza kaj fidinda identiga metodo.
Ĉi tiuj kaj pli nova aparataro ebligita de AI pavimos la vojon por pli sekuraj interagoj de uzanto-smartphone. Fakte, programistoj ricevas plian tavolon de ĉifrado por protekti uzantajn datumojn.
Ne necesas interreta konekto
Latentecaj problemoj flankenmetite, sendi datumojn al la nubo por prilabori kaj eltiri konkludojn postulas bonan interretan konekton. Ofte, precipe en evoluintaj landoj, ne necesas plendi pri Interreto. Sed kion fari en lokoj kie la rilato estas pli malbona? Kiam maŝinlernado estas efektivigita sur aparatoj, neŭralaj retoj vivas sur la telefonoj mem. Tiel, la programisto povas disfaldi la teknologion sur ajna aparato kaj ie ajn, sendepende de la kvalito de la konekto. Krome, ĉi tiu aliro kondukas al .
estas unu el la industrioj, kiuj povus precipe profiti de sur-aparata maŝinlernado, ĉar programistoj povos krei ilojn kiuj kontrolas esencajn signojn aŭ eĉ provizi robotan kirurgion sen ia interreta konekto. Ĉi tiu teknologio ankaŭ estos utila por studentoj, kiuj volas aliri prelegmaterialojn sen interreta konekto - ekzemple dum transporta tunelo.
Finfine, maŝinlernado sur aparatoj provizos al programistoj la ilojn por krei ilojn, kiuj profitigos uzantojn tra la mondo, sendepende de ilia situacio de interreta konekto. Konsiderante, ke la potenco de novaj saĝtelefonoj estos almenaŭ same potenca kiel la nunaj, uzantoj forgesos pri problemoj kun malfruoj kiam ili laboras kun la aplikaĵo eksterrete.
Reduktante kostojn por via komerco
Maŝina lernado sur aparatoj ankaŭ povas ŝpari al vi riĉaĵon ne devi pagi eksterajn entreprenistojn por efektivigi kaj konservi multajn el la solvoj. Kiel menciite supre, en multaj kazoj vi povas malhavi kaj la nubo kaj la Interreto.
GPU kaj AI-specifaj nubaj servoj estas la plej multekostaj solvoj aĉeteblaj. Kiam vi prizorgas modelojn sur via aparato, vi ne devas pagi por ĉiuj ĉi tiuj aretoj, danke al la fakto, ke hodiaŭ ekzistas pli kaj pli altnivelaj saĝtelefonoj ekipitaj per .
Evitante la koŝmaron de peza datumtraktado, kiu okazas inter la aparato kaj la nubo, vi ŝparas ege; Tial estas tre profite efektivigi maŝinlernajn solvojn sur aparatoj. Krome, vi ŝparas monon ĉar la bendolarĝaj postuloj de via aplikaĵo estas signife reduktitaj.
La inĝenieroj mem ankaŭ ŝparas multe pri la disvolva procezo, ĉar ili ne devas kunveni kaj konservi plian nuban infrastrukturon. Male, eblas atingi pli kun pli malgranda teamo. Tiel, homresursa planado en evoluigaj teamoj estas multe pli efika.
konkludo
Sendube, en la 2010-aj jaroj, la nubo fariĝis vera bonaĵo, simpligante datumtraktadon. Sed altteknologio disvolviĝas eksponente, kaj maŝinlernado sur aparatoj eble baldaŭ fariĝos la fakta normo ne nur en la kampo de movebla disvolviĝo, sed ankaŭ en la Interreto de Aĵoj.
Kun reduktita latencia, plibonigita sekureco, eksterretaj kapabloj kaj entute pli malaltaj kostoj, ne estas surprize, ke la plej grandaj ludantoj en movebla disvolviĝo vetas multe pri la teknologio. Programistoj de moveblaj aplikaĵoj ankaŭ devus rigardi ĝin pli detale por konservi la tempojn.
fonto: www.habr.com