Goeiemoarn, Habr!
Wy hawwe neat te foegjen oan de titel fan it artikel yn ús pre-notifikaasje - dus elkenien wurdt fuortendaliks útnoege foar de kat. Lês en kommentaar.
Mobile ûntwikkeling professionals sille profitearje fan de revolúsjonêre feroarings dy't hjoed te bieden hat.
Dizze rappe ûntwikkeling fan mobyl masine learen is in antwurd op in oantal mienskiplike problemen wêrfan wy te lijen hawwe yn klassike masine learen. Yn feite is alles dúdlik. Yn 'e takomst sille mobile applikaasjes rapper gegevensferwurking en fierdere fermindering fan latency fereaskje.
Jo hawwe jo miskien al ôffrege wêrom
Dat, nei't wy dizze wichtige foardielen fan learen fan mobyl masines hawwe sketst, litte wy in tichterby besjen wêrom't de revolúsje fan masinelearen dy't foar ús eagen ûntbrekt, jo persoanlik as mobile ûntwikkelder ynteressearje soe.
Ferminderje latency
Untwikkelders fan mobile app witte dat ferhege latency in swart teken kin wêze foar in programma, nettsjinsteande hoe goed de funksjes binne of hoe renommearre it merk is. Earder wiene d'r op Android-apparaten
It ymplementearjen fan masine learen op apparaat wurdt hieltyd wichtiger, krekt fanwegen latencyproblemen lykas dizze. Stel jo foar hoe't ôfbyldingsfilters wurkje foar sosjale netwurken, as oanbefellings foar restaurant basearre op geolokaasje. Yn sokke applikaasjes moat de latency minimaal wêze om it op it heechste nivo te prestearjen.
Lykas hjirboppe neamd, kin wolkferwurking soms stadich wêze, en de ûntwikkelder wol dat de latency tichtby nul is foar de masinelearmooglikheden fan in mobile app om goed te wurkjen. Masine learen op apparaten iepenet mooglikheden foar gegevensferwurking dy't de latency wirklik kinne ferminderje nei hast nul.
Smartphone-fabrikanten en giganten fan techmerken begjinne dit stadichoan te realisearjen. Foar in lange tiid bleau Apple de lieder yn dizze yndustry, ûntwikkele
Apple bliuwt ek trochgean mei it ûntwikkeljen fan Core ML, har masine-learplatfoarm foar mobile apps, stap foar stap; yn biblioteek
Dizze kombinaasje fan krektens en naadleaze brûkersûnderfiningen is in wichtige metryk dy't ûntwikkelders fan mobile app moatte beskôgje as se masinelearmooglikheden opnimme yn har apps. En om sokke funksjonaliteit te garandearjen, is it ferplicht
Ferbettere feiligens en privacy
In oar enoarm foardiel fan edge computing dat kin net oerskatte wurde is hoefolle it ferbetteret brûkersfeiligens en privacy. It garandearjen fan de feiligens en privacy fan gegevens yn 'e applikaasje is in yntegraal diel fan' e taken fan 'e ûntwikkelders, benammen mei it rekkenjen fan' e needsaak om te foldwaan oan 'e GDPR (Algemiene Reglemint foar gegevensbeskerming), nije Jeropeeske wetten, dy't sûnder mis de praktyk fan mobile ûntwikkeling sille beynfloedzje. .
Om't gegevens net streamop of nei de wolk moatte wurde ferstjoerd foar ferwurking, binne cyberkriminelen minder by steat om alle kwetsberens te brûken dy't makke binne yn 'e oerdrachtfaze; dêrom, de yntegriteit fan de gegevens wurdt hanthavene. Dit makket it makliker foar ûntwikkelders fan mobile app om te foldwaan oan GDPR-regeljouwing foar gegevensfeiligens.
Masine learen op apparaten makket ek desintralisaasje mooglik, in protte op deselde manier as blockchain. Mei oare wurden, it is dreger foar hackers om in DDoS-oanfal te starten op in ferbûn netwurk fan ferburgen apparaten dan om deselde oanfal út te fieren op in sintrale server. Dizze technology kin ek nuttich wêze by it wurkjen mei drones en foar it kontrolearjen fan neilibjen fan wetjouwing.
De boppeneamde smartphone-chips fan Apple helpe ek brûkersfeiligens en privacy te ferbetterjen - se kinne bygelyks tsjinje as basis foar Face ID. Dizze iPhone-funksje wurdt oandreaun troch in neuraal netwurk ynset op 'e apparaten dy't gegevens sammelet fan alle ferskillende fertsjintwurdigingen fan it gesicht fan in brûker. Sa, de technology tsjinnet as in ekstreem krekte en betroubere identifikaasje metoade.
Dizze en nijere AI-ynskeakele hardware sil it paad baan foar feiliger ynteraksjes mei brûker-smartphone. Yn feite krije ûntwikkelders in ekstra laach fersifering om brûkersgegevens te beskermjen.
Gjin ynternetferbining nedich
Wachttiidproblemen oan 'e kant, it ferstjoeren fan gegevens nei de wolk foar ferwurking en it tekenjen fan konklúzjes fereasket in goede ynternetferbining. Faak, foaral yn ûntwikkele lannen, is it net nedich om te kleien oer it ynternet. Mar wat te dwaan yn gebieten dêr't de ferbining minder is? As masine learen wurdt ymplementearre op apparaten, libje neurale netwurken op 'e tillefoans sels. Sa kin de ûntwikkelder de technology op elk apparaat en oeral ynsette, nettsjinsteande de kwaliteit fan 'e ferbining. Plus, dizze oanpak liedt ta
Uteinlik sil masine learen op apparaten ûntwikkelders de ark leverje om ark te meitsjen dy't brûkers om 'e wrâld sille profitearje, nettsjinsteande har ynternetferbiningsituaasje. Yn betinken nommen dat de krêft fan nije smartphones op syn minst like machtich sil wêze as de hjoeddeiske, brûkers sille ferjitte oer problemen mei fertragingen by it wurkjen mei de applikaasje offline.
Ferminderjen fan kosten foar jo bedriuw
Masine learen op apparaten kin jo ek in fortún besparje troch gjin eksterne oannimmers te hoege te beteljen om in protte fan 'e oplossingen te ymplementearjen en te ûnderhâlden. Lykas hjirboppe neamd, kinne jo yn in protte gefallen sûnder de wolk en it ynternet dwaan.
GPU- en AI-spesifike wolktsjinsten binne de djoerste oplossingen dy't kinne wurde kocht. As jo modellen op jo apparaat rinne, hoege jo net te beteljen foar al dizze klusters, tanksij it feit dat d'r hjoeddedei hieltyd mear avansearre smartphones binne foarsjoen fan
Troch it foarkommen fan de nachtmerje fan swiere gegevensferwurking dy't bart tusken it apparaat en de wolk, sparje jo enoarm; Dêrom is it heul rendabel om oplossingen foar masine-learen op apparaten te ymplementearjen. Derneist besparje jo jild om't de bânbreedteeasken fan jo applikaasje signifikant fermindere wurde.
De yngenieurs sels besparje ek in protte op it ûntwikkelingsproses, om't se gjin ekstra wolkynfrastruktuer hoege te sammeljen en te ûnderhâlden. Krektoarsom, it is mooglik om mear te berikken mei in lytser team. Sa is planning fan minsklike boarnen yn ûntwikkelingsteams folle effektiver.
konklúzje
Sûnder mis, yn 'e 2010's, waard de wolk in echte boon, it ferienfâldigjen fan gegevensferwurking. Mar hege technology ûntwikkelet eksponentiell, en masine learen op apparaten kin ynkoarten de de facto standert wurde net allinich op it mêd fan mobile ûntwikkeling, mar ek yn it Internet of Things.
Mei fermindere latency, ferbettere feiligens, offline mooglikheden en algemien legere kosten, is it gjin ferrassing dat de grutste spilers yn mobile ûntwikkeling grut wedzjen op 'e technology. Untwikkelders fan mobile applikaasjes moatte it ek tichterby besjen om by de tiid te bliuwen.
Boarne: www.habr.com