Hyvää huomenta, Habr!
Meillä ei ole mitään lisättävää ennakkoilmoituksessamme artikkelin otsikkoon - joten kaikki kutsutaan heti kissalle. Lue ja kommentoi.
Mobiilikehityksen ammattilaiset hyötyvät tämän päivän vallankumouksellisista muutoksista. . Kysymys on siitä, kuinka paljon tämä tekniikka parantaa mitä tahansa mobiilisovellusta, eli se tarjoaa käyttäjille uuden tason mukavuuden ja antaa sinun käyttää aktiivisesti tehokkaita ominaisuuksia esimerkiksi tarkimpien suositusten antamiseen, tai havaita välittömästi .
Tämä mobiilin koneoppimisen nopea kehitys on vastaus useisiin yleisiin ongelmiin, joista olemme kärsineet klassisessa koneoppimisessa. Itse asiassa kaikki on selvää. Jatkossa mobiilisovellukset vaativat nopeampaa tiedonkäsittelyä ja latenssin pienentämistä entisestään.
Olet ehkä jo miettinyt miksi , ei voi tehdä johtopäätöksiä pilvessä. Ensinnäkin pilviteknologiat riippuvat keskussolmuista (kuvittele valtava datakeskus, jossa on sekä laaja tietovarasto että suuri laskentateho). Tämä keskitetty lähestymistapa ei pysty käsittelemään prosessointinopeuksia, jotka ovat riittäviä luomaan sujuvat mobiilikokemukset koneoppimisen avulla. Tiedot on käsiteltävä keskitetysti ja lähetettävä sitten takaisin laitteisiin. Tämä lähestymistapa vaatii aikaa, rahaa eikä takaa itse tietojen yksityisyyttä.
Joten kun olet hahmotellut nämä mobiilikoneoppimisen keskeiset edut, katsotaanpa tarkemmin, miksi silmiemme edessä avautuva koneoppimisen vallankumous kiinnostaa sinua henkilökohtaisesti mobiilikehittäjänä.
Vähennä latenssia
Mobiilisovellusten kehittäjät tietävät, että lisääntynyt latenssi voi olla musta merkki ohjelmalle riippumatta siitä, kuinka hyvät sen ominaisuudet ovat tai kuinka hyvämaineinen tuotemerkki on. Aiemmin Android-laitteissa oli , minkä vuoksi videon ja äänen katselu osoittautui usein epäsynkroniseksi. Samoin sosiaalisen median asiakas, jolla on korkea latenssi, voi tehdä viestinnästä käyttäjälle todellista kidutusta.
Koneoppimisen toteuttaminen laitteessa on yhä tärkeämpää juuri tällaisten latenssiongelmien vuoksi. Kuvittele, kuinka kuvasuodattimet toimivat sosiaalisissa verkostoissa tai ravintolasuosituksissa maantieteellisen sijainnin perusteella. Tällaisissa sovelluksissa latenssin on oltava minimaalinen, jotta se toimisi korkeimmalla tasolla.
Kuten edellä mainittiin, pilvikäsittely voi joskus olla hidasta, ja kehittäjä haluaa latenssin olevan lähellä nollaa, jotta mobiilisovelluksen koneoppimisominaisuudet toimisivat kunnolla. Koneoppiminen laitteissa avaa tiedonkäsittelyominaisuuksia, jotka voivat todella vähentää latenssin lähes nollaan.
Älypuhelinvalmistajat ja teknologiamarkkinoiden jättiläiset alkavat vähitellen ymmärtää tämän. Apple pysyi pitkään tämän alan johtajana ja kehittyi älypuhelimille Bionic-järjestelmällä, joka toteuttaa Neural Enginen, joka auttaa ohjaamaan hermoverkkoja suoraan laitteeseen samalla .
Apple jatkaa myös Core ML:n, sen mobiilisovellusten koneoppimisalustan, kehittämistä askel askeleelta; kirjastossa lisätty tuki GPU:ille; Google jatkaa esiladattujen ominaisuuksien lisäämistä koneoppimisalustaan ML Kit. Näiden tekniikoiden avulla voit kehittää sovelluksia, joiden avulla voit käsitellä tietoja salamannopeasti, poistaa mahdolliset viiveet ja vähentää virheiden määrää.
Tämä tarkkuuden ja saumattomien käyttökokemusten yhdistelmä on keskeinen mittari, joka mobiilisovellusten kehittäjien on otettava huomioon ottaessaan käyttöön koneoppimisominaisuuksia sovelluksiinsa. Ja tällaisen toimivuuden takaamiseksi se vaaditaan .
Parempi tietoturva ja yksityisyys
Toinen reunalaskennan valtava etu, jota ei voi liioitella, on se, kuinka paljon se parantaa käyttäjien turvallisuutta ja yksityisyyttä. Tietojen turvallisuuden ja yksityisyyden takaaminen sovelluksessa on olennainen osa kehittäjän tehtäviä, erityisesti kun otetaan huomioon tarve noudattaa GDPR:ää (General Data Protection Regulation), uusia eurooppalakeja, jotka epäilemättä vaikuttavat mobiilikehityksen käytäntöön. .
Koska tietoja ei tarvitse lähettää ylävirtaan tai pilveen käsittelyä varten, kyberrikolliset pystyvät vähemmän hyödyntämään siirtovaiheen aikana syntyneitä haavoittuvuuksia. siksi tietojen eheys säilyy. Tämä helpottaa mobiilisovellusten kehittäjien GDPR-tietoturvamääräysten noudattamista.
Laitteiden koneoppiminen mahdollistaa myös hajautuksen, samalla tavalla kuin lohkoketju. Toisin sanoen hakkereiden on vaikeampaa käynnistää DDoS-hyökkäys yhdistettyyn piilotettujen laitteiden verkkoon kuin suorittaa sama hyökkäys keskuspalvelimeen. Tämä tekniikka voi olla hyödyllinen myös droneilla työskennellessä ja lainsäädännön noudattamisen valvonnassa.
Edellä mainitut Applen älypuhelinsirut auttavat myös parantamaan käyttäjien turvallisuutta ja yksityisyyttä – ne voivat toimia esimerkiksi Face ID:n perustana. Tämä iPhone-ominaisuus saa virtansa laitteissa olevasta hermoverkosta, joka kerää tietoja kaikista käyttäjän kasvojen eri esityksistä. Näin ollen tekniikka toimii erittäin tarkana ja luotettavana tunnistusmenetelmänä.
Nämä ja uudemmat tekoälyä tukevat laitteistot tasoittavat tietä turvallisemmalle käyttäjien ja älypuhelinten väliselle vuorovaikutukselle. Itse asiassa kehittäjät saavat ylimääräisen salauskerroksen suojatakseen käyttäjätietoja.
Internet-yhteyttä ei tarvita
Latenssiongelmia lukuun ottamatta tietojen lähettäminen pilveen käsittelyä ja johtopäätösten tekemistä varten edellyttää hyvää internetyhteyttä. Usein, varsinkin kehittyneissä maissa, Internetistä ei tarvitse valittaa. Mutta mitä tehdä alueilla, joilla yhteys on huonompi? Kun koneoppiminen toteutetaan laitteissa, hermoverkot elävät itse puhelimissa. Siten kehittäjä voi ottaa teknologian käyttöön millä tahansa laitteella ja missä tahansa yhteyden laadusta riippumatta. Lisäksi tämä lähestymistapa johtaa .
on yksi aloista, joka voisi erityisesti hyötyä koneen sisäisestä oppimisesta, sillä kehittäjät voivat luoda työkaluja, jotka tarkistavat elintoimintoja tai jopa tarjoavat robottikirurgiaa ilman Internet-yhteyttä. Tämä tekniikka on hyödyllinen myös opiskelijoille, jotka haluavat käyttää luentomateriaaleja ilman Internet-yhteyttä - esimerkiksi ollessaan liikennetunnelissa.
Viime kädessä koneoppiminen laitteissa tarjoaa kehittäjille työkalut, joiden avulla voidaan luoda työkaluja, joista on hyötyä käyttäjille ympäri maailmaa heidän Internet-yhteystilanteestaan riippumatta. Ottaen huomioon, että uusien älypuhelimien teho on vähintään yhtä tehokas kuin nykyisten, käyttäjät unohtavat viiveongelmat työskennellessään sovelluksen kanssa offline-tilassa.
Vähentää yrityksesi kustannuksia
Koneoppiminen laitteissa voi myös säästää omaisuuksia, koska sinun ei tarvitse maksaa ulkopuolisille urakoitsijoille useiden ratkaisujen toteuttamisesta ja ylläpidosta. Kuten edellä mainittiin, monissa tapauksissa voit pärjätä ilman sekä pilveä että Internetiä.
GPU- ja tekoälykohtaiset pilvipalvelut ovat kalleimpia ostettavia ratkaisuja. Kun käytät malleja laitteessasi, sinun ei tarvitse maksaa kaikista näistä klustereista, koska nykyään on yhä enemmän kehittyneempiä älypuhelimia, joissa on .
Vältät laitteen ja pilven välillä tapahtuvan raskaan tietojenkäsittelyn painajaisen, säästät valtavasti. Siksi koneoppimisratkaisujen käyttöönotto laitteissa on erittäin kannattavaa. Lisäksi säästät rahaa, koska sovelluksesi kaistanleveysvaatimukset pienenevät merkittävästi.
Insinöörit itse säästävät myös paljon kehitysprosessissa, koska heidän ei tarvitse koota ja ylläpitää ylimääräistä pilviinfrastruktuuria. Päinvastoin, pienemmällä joukkueella on mahdollista saavuttaa enemmän. Siten kehitystiimien henkilöstösuunnittelu on paljon tehokkaampaa.
Johtopäätös
Epäilemättä 2010-luvulla pilvestä tuli todellinen siunaus, joka yksinkertaisti tietojenkäsittelyä. Mutta huipputeknologia kehittyy räjähdysmäisesti, ja koneoppimisesta laitteilla voi pian tulla de facto standardi paitsi mobiilikehityksen, myös esineiden internetin alalla.
Pienentyneen viiveen, parannetun suojauksen, offline-ominaisuuksien ja yleisesti alhaisempien kustannusten ansiosta ei ole yllätys, että mobiilikehityksen suurimmat toimijat panostavat voimakkaasti teknologiaan. Mobiilisovelluskehittäjien tulisi myös tarkastella sitä tarkemmin pysyäkseen ajan tasalla.
Lähde: will.com