صبح بخیر، حبر!
ما چیزی برای اضافه کردن به عنوان مقاله در پیش اعلان خود نداریم - بنابراین همه بلافاصله به گربه دعوت می شوند. بخوانید و نظر بدهید.
متخصصان توسعه موبایل از تغییرات انقلابی که امروز ارائه می دهد سود خواهند برد. . نکته این است که چقدر این فناوری هر برنامه تلفن همراه را بهبود می بخشد، یعنی سطح جدیدی از راحتی را برای کاربران فراهم می کند و به شما امکان می دهد تا به طور فعال از ویژگی های قدرتمند استفاده کنید، به عنوان مثال، برای ارائه دقیق ترین توصیه ها، ، یا فورا تشخیص دهید .
این توسعه سریع یادگیری ماشین سیار پاسخی به تعدادی از مشکلات رایجی است که ما در یادگیری ماشین کلاسیک از آنها رنج برده ایم. در واقع همه چیز واضح است. در آینده، برنامه های کاربردی تلفن همراه به پردازش داده های سریعتر و کاهش بیشتر تاخیر نیاز خواهند داشت.
شاید قبلاً فکر کرده باشید که چرا ، نمی توان به سادگی استنتاج را در ابر اجرا کرد. اول، فناوری‌های ابری به گره‌های مرکزی وابسته هستند (یک مرکز داده عظیم را با ذخیره‌سازی داده‌های گسترده و قدرت محاسباتی بزرگ تصور کنید). این رویکرد متمرکز نمی‌تواند سرعت پردازش کافی را برای ایجاد تجربه‌های نرم افزاری موبایلی که توسط یادگیری ماشینی ایجاد می‌شود، کنترل کند. داده ها باید به صورت مرکزی پردازش شوند و سپس به دستگاه ها ارسال شوند. این رویکرد به زمان، پول نیاز دارد و حفظ حریم خصوصی داده ها را تضمین نمی کند.
بنابراین، پس از تشریح این مزایای کلیدی یادگیری ماشین تلفن همراه، بیایید نگاهی دقیق‌تر به این موضوع بیندازیم که چرا انقلاب یادگیری ماشینی که در مقابل چشمان ما آشکار می‌شود، شخصاً به عنوان یک توسعه‌دهنده تلفن همراه باید مورد توجه شما باشد.
کاهش تاخیر
توسعه دهندگان اپلیکیشن موبایل می دانند که افزایش تاخیر می تواند یک نقطه سیاه برای یک برنامه باشد، مهم نیست که چقدر ویژگی های آن خوب باشد یا برند چقدر معتبر باشد. قبلاً در دستگاه های اندرویدی وجود داشت ، به همین دلیل مشاهده ویدیو و صدا اغلب ناهمگام بود. به همین ترتیب، یک مشتری رسانه اجتماعی با تأخیر بالا می تواند ارتباط را به یک شکنجه واقعی برای کاربر تبدیل کند.
پیاده‌سازی یادگیری ماشین روی دستگاه دقیقاً به دلیل مشکلات تأخیر مانند اینها اهمیت فزاینده‌ای پیدا می‌کند. تصور کنید چگونه فیلترهای تصویر برای شبکه های اجتماعی یا توصیه های رستوران بر اساس موقعیت جغرافیایی کار می کنند. در چنین برنامه هایی، تاخیر باید حداقل باشد تا بتواند در بالاترین سطح کار کند.
همانطور که در بالا ذکر شد، گاهی اوقات پردازش ابری می‌تواند کند باشد و توسعه‌دهنده می‌خواهد تاخیر نزدیک به صفر باشد تا قابلیت‌های یادگیری ماشینی یک برنامه تلفن همراه به درستی کار کند. یادگیری ماشینی در دستگاه‌ها قابلیت‌های پردازش داده را باز می‌کند که واقعاً می‌تواند تاخیر را تقریباً به صفر برساند.
سازندگان گوشی های هوشمند و غول های بازار فناوری به تدریج شروع به درک این موضوع کرده اند. برای مدت طولانی، اپل پیشرو در این صنعت باقی ماند و در حال توسعه بود برای گوشی های هوشمند با استفاده از سیستم Bionic خود، که موتور عصبی را پیاده سازی می کند، که به هدایت شبکه های عصبی به طور مستقیم بر روی دستگاه کمک می کند و در عین حال .
اپل همچنین به توسعه گام به گام Core ML، پلتفرم یادگیری ماشینی خود برای برنامه های موبایل ادامه می دهد. در کتابخانه پشتیبانی اضافه شده برای GPU ها؛ گوگل همچنان به افزودن ویژگی های از پیش بارگذاری شده به پلتفرم یادگیری ماشینی خود ML Kit ادامه می دهد. با استفاده از این فناوری‌ها، می‌توانید برنامه‌هایی توسعه دهید که به شما امکان می‌دهند داده‌ها را با سرعت رعد و برق پردازش کنید، هرگونه تاخیر را از بین ببرید و تعداد خطاها را کاهش دهید.
این ترکیبی از دقت و تجربیات کاربر یکپارچه معیاری کلیدی است که توسعه‌دهندگان اپلیکیشن موبایل باید هنگام معرفی قابلیت‌های یادگیری ماشینی در برنامه‌های خود در نظر بگیرند. و برای تضمین چنین عملکردی، لازم است .
امنیت و حریم خصوصی بهبود یافته است
یکی دیگر از مزایای بزرگ محاسبات لبه ای که نمی توان اغراق کرد این است که چقدر امنیت و حریم خصوصی کاربر را بهبود می بخشد. تضمین امنیت و حفظ حریم خصوصی داده ها در برنامه، بخشی جدایی ناپذیر از وظایف توسعه دهنده است، به ویژه با در نظر گرفتن نیاز به رعایت GDPR (مقررات عمومی حفاظت از داده ها)، قوانین جدید اروپا، که بدون شک روی عملکرد توسعه تلفن همراه تأثیر می گذارد. .
از آنجایی که داده ها برای پردازش نیازی به ارسال بالادستی یا ابری ندارند، مجرمان سایبری کمتر قادر به سوء استفاده از هر گونه آسیب پذیری ایجاد شده در مرحله انتقال هستند. بنابراین، یکپارچگی داده ها حفظ می شود. این امر باعث می شود توسعه دهندگان برنامه های تلفن همراه با مقررات امنیت داده های GDPR مطابقت داشته باشند.
یادگیری ماشینی در دستگاه‌ها نیز مانند بلاک چین، تمرکززدایی را ممکن می‌سازد. به عبارت دیگر، برای هکرها انجام یک حمله DDoS بر روی یک شبکه متصل از دستگاه های مخفی دشوارتر از انجام همان حمله به سرور مرکزی است. این فناوری همچنین می تواند هنگام کار با هواپیماهای بدون سرنشین و برای نظارت بر رعایت قوانین مفید باشد.
تراشه‌های اسمارت‌فون ذکر شده از اپل همچنین به بهبود امنیت و حریم خصوصی کاربر کمک می‌کنند - به عنوان مثال، آنها می‌توانند به عنوان پایه‌ای برای Face ID عمل کنند. این ویژگی آیفون توسط یک شبکه عصبی مستقر در دستگاه‌هایی که داده‌ها را از تمام نمایش‌های مختلف چهره کاربر جمع‌آوری می‌کند، تامین می‌شود. بنابراین، این فناوری به عنوان یک روش شناسایی بسیار دقیق و قابل اعتماد عمل می کند.
این سخت‌افزارها و سخت‌افزارهای جدیدتر مجهز به هوش مصنوعی راه را برای تعامل امن‌تر کاربر و تلفن هوشمند هموار می‌کنند. در واقع، توسعه دهندگان یک لایه رمزگذاری اضافی برای محافظت از داده های کاربر دریافت می کنند.
بدون اتصال به اینترنت مورد نیاز است
جدای از مشکلات تاخیر، ارسال داده ها به ابر برای پردازش و نتیجه گیری نیاز به یک اتصال اینترنتی خوب دارد. اغلب، به خصوص در کشورهای توسعه یافته، نیازی به شکایت از اینترنت نیست. اما در مناطقی که ارتباط بدتر است چه باید کرد؟ هنگامی که یادگیری ماشین بر روی دستگاه‌ها پیاده‌سازی می‌شود، شبکه‌های عصبی روی خود تلفن‌ها زندگی می‌کنند. بنابراین، توسعه‌دهنده می‌تواند بدون در نظر گرفتن کیفیت اتصال، این فناوری را بر روی هر دستگاه و هر مکان مستقر کند. به علاوه، این رویکرد منجر به .
یکی از صنایعی است که می تواند به ویژه از یادگیری ماشینی روی دستگاه بهره مند شود، زیرا توسعه دهندگان قادر خواهند بود ابزارهایی ایجاد کنند که علائم حیاتی را بررسی می کند یا حتی جراحی رباتیک را بدون اتصال به اینترنت ارائه می دهد. این فناوری همچنین برای دانش‌آموزانی که می‌خواهند بدون اتصال به اینترنت به مطالب سخنرانی دسترسی داشته باشند مفید خواهد بود - به عنوان مثال در یک تونل حمل و نقل.
در نهایت، یادگیری ماشین روی دستگاه‌ها ابزارهایی را در اختیار توسعه‌دهندگان قرار می‌دهد تا ابزارهایی را ایجاد کنند که برای کاربران در سراسر جهان، صرف نظر از وضعیت اتصال به اینترنت، مفید باشد. با توجه به اینکه قدرت گوشی های هوشمند جدید حداقل به اندازه گوشی های فعلی قدرتمند خواهد بود، کاربران در هنگام کار آفلاین با برنامه، مشکلات مربوط به تاخیر را فراموش خواهند کرد.
کاهش هزینه های کسب و کار شما
یادگیری ماشینی بر روی دستگاه‌ها همچنین می‌تواند با عدم پرداخت هزینه به پیمانکاران خارجی برای پیاده‌سازی و نگهداری بسیاری از راه‌حل‌ها، ثروت شما را نجات دهد. همانطور که در بالا ذکر شد، در بسیاری از موارد می توانید هم بدون ابر و هم بدون اینترنت کار کنید.
خدمات ابری مخصوص GPU و هوش مصنوعی گران ترین راه حل هایی هستند که می توان خریداری کرد. وقتی مدل‌هایی را روی دستگاه خود اجرا می‌کنید، نیازی به پرداخت هزینه برای همه این خوشه‌ها ندارید، زیرا امروزه گوشی‌های هوشمند پیشرفته‌تر و مجهز به .
با اجتناب از کابوس پردازش داده های سنگین که بین دستگاه و ابر رخ می دهد، به میزان زیادی صرفه جویی می کنید. بنابراین، پیاده سازی راه حل های یادگیری ماشین بر روی دستگاه ها بسیار سودآور است. علاوه بر این، شما در هزینه خود صرفه جویی می کنید زیرا پهنای باند مورد نیاز برنامه شما به میزان قابل توجهی کاهش می یابد.
خود مهندسان نیز در فرآیند توسعه صرفه جویی زیادی می کنند، زیرا نیازی به مونتاژ و نگهداری زیرساخت ابر اضافی ندارند. برعکس، با یک تیم کوچکتر می توان به دستاوردهای بیشتری دست یافت. بنابراین، برنامه ریزی منابع انسانی در تیم های توسعه بسیار موثرتر است.
نتیجه
بدون شک، در دهه 2010، ابر به یک موهبت واقعی تبدیل شد و پردازش داده ها را ساده کرد. اما فن آوری بالا به طور تصاعدی در حال توسعه است و یادگیری ماشینی روی دستگاه ها ممکن است به زودی به استاندارد واقعی نه تنها در زمینه توسعه موبایل، بلکه در اینترنت اشیا تبدیل شود.
با کاهش تأخیر، امنیت بهبودیافته، قابلیت‌های آفلاین و هزینه‌های کلی کمتر، جای تعجب نیست که بزرگ‌ترین بازیگران توسعه موبایل روی این فناوری شرط‌بندی کرده‌اند. توسعه دهندگان اپلیکیشن موبایل نیز باید نگاه دقیق تری به آن داشته باشند تا با زمان همگام شوند.
منبع: www.habr.com