Tere hommikust, Habr!
Meil pole oma eelteatises artikli pealkirjale midagi lisada – seega kutsutakse kõik kohe kassile. Lugege ja kommenteerige.
Mobiiliarenduse spetsialistid saavad kasu revolutsioonilistest muudatustest, mida täna pakkuda on. . Asi on selles, kui palju see tehnoloogia täiustab mis tahes mobiilirakendust, nimelt pakub see kasutajatele uut mugavust ja võimaldab aktiivselt kasutada võimsaid funktsioone, näiteks anda kõige täpsemaid soovitusi, või kohe tuvastada .
Mobiilse masinõppe kiire areng on vastus paljudele levinud probleemidele, mille all oleme klassikalises masinõppes kannatanud. Tegelikult on kõik ilmselge. Mobiilirakendused nõuavad tulevikus kiiremat andmetöötlust ja latentsusaja edasist vähendamist.
Võib-olla olete juba mõelnud, miks , ei saa lihtsalt pilves järeldusi teha. Esiteks sõltuvad pilvetehnoloogiad kesksõlmedest (kujutage ette tohutut andmekeskust, millel on nii ulatuslik andmesalvestus kui ka suur arvutusvõimsus). See tsentraliseeritud lähenemisviis ei saa hakkama töötlemiskiirustega, mis on piisavad, et luua sujuvaid masinõppel põhinevaid mobiilseid kogemusi. Andmeid tuleb töödelda tsentraalselt ja seejärel seadmetesse tagasi saata. Selline lähenemine nõuab aega, raha ega taga andmete endi privaatsust.
Niisiis, olles välja toonud need mobiilse masinõppe peamised eelised, vaatame lähemalt, miks peaks meie silme all lahti rulluv masinõppe revolutsioon teile kui mobiiliarendajale isiklikult huvi pakkuma.
Vähendage latentsust
Mobiilirakenduste arendajad teavad, et suurenenud latentsusaeg võib olla programmile must märk, olenemata sellest, kui head funktsioonid on või kui mainekas bränd on. Varem olid Android-seadmetes , mille tõttu osutus video ja heli vaatamine sageli sünkroonist väljas. Samuti võib suure latentsusega sotsiaalmeedia klient muuta suhtluse kasutaja jaoks tõeliseks piinamiseks.
Masinaõppe rakendamine seadmes muutub üha olulisemaks just selliste latentsusprobleemide tõttu. Kujutage ette, kuidas pildifiltrid töötavad sotsiaalvõrgustike või restoranide soovituste puhul, mis põhinevad geograafilisel asukohal. Sellistes rakendustes peab latentsusaeg olema minimaalne, et see toimiks kõrgeimal tasemel.
Nagu eespool mainitud, võib pilvetöötlus mõnikord olla aeglane ja arendaja soovib, et latentsusaeg oleks nullilähedane, et mobiilirakenduse masinõppevõimalused korralikult töötaksid. Seadmete masinõpe avab andmetöötlusvõimalused, mis võivad latentsusaega tõepoolest peaaegu nullini vähendada.
Nutitelefonide tootjad ja tehnoloogiaturu hiiglased hakkavad seda järk-järgult mõistma. Apple püsis pikka aega selles valdkonnas liidripositsioonil, arenes nutitelefonidele, mis kasutavad oma Bionic süsteemi, mis rakendab närvimootorit, mis aitab juhtida närvivõrke otse seadmesse, saavutades samal ajal .
Apple jätkab ka Core ML-i, oma mobiilirakenduste masinõppeplatvormi, samm-sammult arendamist; raamatukogus lisatud tugi GPU-dele; Google jätkab eellaaditud funktsioonide lisamist oma masinõppeplatvormile ML Kit. Neid tehnoloogiaid kasutades saate arendada rakendusi, mis võimaldavad teil andmeid välkkiirelt töödelda, kõrvaldada kõik viivitused ja vähendada vigade arvu.
See täpsuse ja sujuva kasutuskogemuse kombinatsioon on peamine mõõdik, mida mobiilirakenduste arendajad peavad oma rakendustesse masinõppevõimaluste juurutamisel arvesse võtma. Ja sellise funktsionaalsuse tagamiseks on see vajalik .
Parem turvalisus ja privaatsus
Teine äärearvutite tohutu eelis, mida ei saa üle hinnata, on see, kui palju see parandab kasutajate turvalisust ja privaatsust. Andmete turvalisuse ja privaatsuse tagamine rakenduses on arendaja tööülesannete lahutamatu osa, eriti arvestades vajadust järgida GDPR-i (General Data Protection Regulation), uusi Euroopa seadusi, mis kahtlemata mõjutavad mobiiliarenduse praktikat. .
Kuna andmeid ei ole vaja töötlemiseks ülesvoolu ega pilve saata, on küberkurjategijatel vähem võimalik kasutada edastusfaasis tekkinud turvaauke; seetõttu säilitatakse andmete terviklikkus. See muudab mobiilirakenduste arendajatel GDPR-i andmeturbe eeskirjade järgimise lihtsamaks.
Seadmete masinõpe võimaldab ka detsentraliseerimist, sarnaselt plokiahelaga. Teisisõnu, häkkeritel on keerulisem käivitada DDoS-i rünnak ühendatud peidetud seadmete võrgus kui sama rünnak keskserveris. See tehnoloogia võib olla kasulik ka droonidega töötamisel ja õigusaktide täitmise jälgimisel.
Ülalmainitud Apple’i nutitelefoni kiibid aitavad parandada ka kasutajate turvalisust ja privaatsust – näiteks võivad need olla Face ID aluseks. Seda iPhone'i funktsiooni toidab seadmetes juurutatud närvivõrk, mis kogub andmeid kasutaja näo kõikidest erinevatest kujutistest. Seega toimib tehnoloogia äärmiselt täpse ja usaldusväärse tuvastamismeetodina.
Need ja uuem AI-toega riistvara sillutavad teed kasutaja ja nutitelefoni turvalisemaks suhtlemiseks. Tegelikult saavad arendajad kasutajaandmete kaitsmiseks täiendava krüpteerimiskihi.
Interneti-ühendust pole vaja
Kui latentsusprobleemid kõrvale jätta, siis andmete töötlemiseks ja järelduste tegemiseks pilve saatmiseks on vaja head internetiühendust. Tihti, eriti arenenud riikides, pole interneti üle kurta. Mida aga teha piirkondades, kus ühendus on halvem? Kui masinõpe on seadmetes rakendatud, elavad närvivõrgud telefonides endis. Seega saab arendaja juurutada tehnoloogiat mis tahes seadmes ja kõikjal, sõltumata ühenduse kvaliteedist. Lisaks toob see lähenemine kaasa .
on üks tööstusharudest, mis võiksid seadmesisesest masinõppest eriti kasu saada, kuna arendajad saavad luua tööriistu, mis kontrollivad elutähtsaid näitajaid või pakuvad isegi robotkirurgia ilma Interneti-ühenduseta. See tehnoloogia on kasulik ka üliõpilastele, kes soovivad lugeda loengumaterjale ilma Interneti-ühenduseta – näiteks transporditunnelis viibides.
Lõppkokkuvõttes pakub seadmetes masinõpe arendajatele tööriistu, mis toovad kasu kasutajatele kogu maailmas, sõltumata nende Interneti-ühenduse olukorrast. Arvestades, et uute nutitelefonide võimsus on vähemalt sama võimas kui praegustel, unustavad kasutajad rakendusega võrguühenduseta töötamisel viivitusprobleemid.
Teie ettevõtte kulude vähendamine
Seadmete masinõpe võib säästa ka varanduse, kuna ei pea paljude lahenduste rakendamise ja hooldamise eest maksma välistele töövõtjatele. Nagu eespool mainitud, saab paljudel juhtudel hakkama nii pilve kui ka Internetita.
GPU ja AI-spetsiifilised pilveteenused on kõige kallimad lahendused, mida saab osta. Kui kasutate oma seadmes mudeleid, ei pea te kõigi nende klastrite eest maksma tänu sellele, et tänapäeval on üha rohkem täiustatud nutitelefone, mis on varustatud .
Vältides raske andmetöötluse õudusunenägu, mis toimub seadme ja pilve vahel, säästate tohutult; Seetõttu on väga tulus masinõppelahenduste juurutamine seadmetes. Lisaks säästate raha, kuna teie rakenduse ribalaiuse nõuded on oluliselt vähenenud.
Ka insenerid ise säästavad arendusprotsessi arvelt palju, kuna nad ei pea täiendavat pilvetaristut kokku panema ja hooldama. Vastupidi, väiksema meeskonnaga on võimalik saavutada rohkem. Seega on personaliplaneerimine arendusmeeskondades palju efektiivsem.
Järeldus
Kahtlemata sai pilvest 2010. aastatel tõeline õnnistus, mis lihtsustas andmetöötlust. Kuid kõrgtehnoloogia areneb plahvatuslikult ja seadmetes masinõpe võib peagi muutuda de facto standardiks mitte ainult mobiiliarenduse, vaid ka asjade interneti vallas.
Vähendatud latentsusaja, täiustatud turvalisuse, võrguühenduseta võimaluste ja üldiselt madalamate kuludega pole üllatav, et mobiiliarenduse suurimad tegijad panustavad tehnoloogiale. Ka mobiilirakenduste arendajad peaksid sellega lähemalt tutvuma, et ajaga kaasas käia.
Allikas: www.habr.com