मोबाइल विकास में मशीन लर्निंग: परिप्रेक्ष्य और विकेंद्रीकरण

सुप्रभात, हबर!

हमारे पास पूर्व-सूचना में लेख के शीर्षक में जोड़ने के लिए कुछ भी नहीं है - इसलिए सभी को तुरंत बिल्ली के लिए आमंत्रित किया जाता है। पढ़ें और टिप्पणी करें.

मोबाइल विकास पेशेवरों को आज के क्रांतिकारी परिवर्तनों से लाभ होगा। उपकरणों पर मशीन लर्निंग. मुद्दा यह है कि यह तकनीक किसी भी मोबाइल एप्लिकेशन को कितना बढ़ाती है, अर्थात्, यह उपयोगकर्ताओं के लिए सुविधा का एक नया स्तर प्रदान करती है और आपको सक्रिय रूप से शक्तिशाली सुविधाओं का उपयोग करने की अनुमति देती है, उदाहरण के लिए, सबसे सटीक सिफारिशें प्रदान करने के लिए, जियोलोकेशन पर आधारित, या तुरंत पता लगाएं पौधों के रोग.

मोबाइल मशीन लर्निंग का यह तीव्र विकास उन कई सामान्य समस्याओं की प्रतिक्रिया है जिनसे हम क्लासिकल मशीन लर्निंग में जूझते रहे हैं। वास्तव में, सब कुछ स्पष्ट है. भविष्य में, मोबाइल एप्लिकेशन को तेज़ डेटा प्रोसेसिंग और विलंबता को और कम करने की आवश्यकता होगी।

आप पहले से ही सोच रहे होंगे कि क्यों एआई-संचालित मोबाइल ऐप्स,केवल क्लाउड में अनुमान नहीं चला सकते। सबसे पहले, क्लाउड प्रौद्योगिकियां केंद्रीय नोड्स पर निर्भर करती हैं (व्यापक डेटा भंडारण और बड़ी कंप्यूटिंग शक्ति दोनों के साथ एक विशाल डेटा केंद्र की कल्पना करें)। यह केंद्रीकृत दृष्टिकोण मशीन लर्निंग द्वारा संचालित सहज मोबाइल अनुभव बनाने के लिए पर्याप्त प्रसंस्करण गति को संभाल नहीं सकता है। डेटा को केंद्रीय रूप से संसाधित किया जाना चाहिए और फिर डिवाइस पर वापस भेजा जाना चाहिए। इस दृष्टिकोण के लिए समय, धन की आवश्यकता होती है और यह डेटा की गोपनीयता की गारंटी नहीं देता है।

तो, मोबाइल मशीन लर्निंग के इन प्रमुख लाभों को रेखांकित करने के बाद, आइए इस पर करीब से नज़र डालें कि हमारी आंखों के सामने आने वाली मशीन लर्निंग क्रांति एक मोबाइल डेवलपर के रूप में आपके लिए व्यक्तिगत रूप से दिलचस्प क्यों होनी चाहिए।

विलंबता कम करें

मोबाइल ऐप डेवलपर्स जानते हैं कि बढ़ी हुई विलंबता किसी प्रोग्राम के लिए एक काला निशान हो सकती है, चाहे उसके फीचर्स कितने भी अच्छे हों या ब्रांड कितना भी प्रतिष्ठित क्यों न हो। पहले, Android उपकरणों पर थे कई वीडियो अनुप्रयोगों में गंभीर अंतराल, जिसके कारण वीडियो और ऑडियो देखना अक्सर सिंक से बाहर हो जाता है। इसी तरह, उच्च विलंबता वाला एक सोशल मीडिया क्लाइंट संचार को उपयोगकर्ता के लिए एक वास्तविक यातना बना सकता है।

इन जैसे विलंबता मुद्दों के कारण डिवाइस पर मशीन लर्निंग को लागू करना तेजी से महत्वपूर्ण होता जा रहा है। कल्पना करें कि छवि फ़िल्टर सामाजिक नेटवर्क, या जियोलोकेशन के आधार पर रेस्तरां अनुशंसाओं के लिए कैसे काम करते हैं। ऐसे अनुप्रयोगों में, उच्चतम स्तर पर प्रदर्शन करने के लिए विलंबता न्यूनतम होनी चाहिए।

जैसा कि ऊपर उल्लेख किया गया है, क्लाउड प्रोसेसिंग कभी-कभी धीमी हो सकती है, और डेवलपर चाहता है कि मोबाइल ऐप की मशीन सीखने की क्षमताओं को ठीक से काम करने के लिए विलंबता शून्य के करीब हो। उपकरणों पर मशीन लर्निंग डेटा प्रोसेसिंग क्षमताओं को खोलता है जो वास्तव में विलंबता को लगभग शून्य तक कम कर सकता है।

स्मार्टफोन निर्माताओं और तकनीकी बाजार के दिग्गजों को धीरे-धीरे इसका एहसास होने लगा है। लंबे समय तक, Apple इस उद्योग में अग्रणी बना रहा, विकास कर रहा था अधिक से अधिक उन्नत चिप्स अपने बायोनिक सिस्टम का उपयोग करने वाले स्मार्टफ़ोन के लिए, जो न्यूरल इंजन को कार्यान्वित करता है, जो प्राप्त करते समय सीधे डिवाइस पर न्यूरल नेटवर्क चलाने में मदद करता है अविश्वसनीय गति.

ऐप्पल मोबाइल ऐप्स के लिए अपने मशीन लर्निंग प्लेटफॉर्म कोर एमएल को भी चरण दर चरण विकसित करना जारी रख रहा है; पुस्तकालय में TensorFlow Lite जीपीयू के लिए अतिरिक्त समर्थन; Google अपने मशीन लर्निंग प्लेटफॉर्म एमएल किट में प्रीलोडेड फीचर्स जोड़ना जारी रखता है। इन तकनीकों का उपयोग करके, आप ऐसे एप्लिकेशन विकसित कर सकते हैं जो आपको बिजली की गति से डेटा संसाधित करने, किसी भी देरी को खत्म करने और त्रुटियों की संख्या को कम करने की अनुमति देते हैं।

सटीकता और निर्बाध उपयोगकर्ता अनुभवों का यह संयोजन एक प्रमुख मीट्रिक है जिस पर मोबाइल ऐप डेवलपर्स को अपने ऐप में मशीन सीखने की क्षमताओं को पेश करते समय विचार करना चाहिए। और ऐसी कार्यक्षमता की गारंटी के लिए यह आवश्यक है मशीन लर्निंग को उपकरणों तक ले जाएं.

बेहतर सुरक्षा और गोपनीयता

एज कंप्यूटिंग का एक और बड़ा लाभ जिसे अतिरंजित नहीं किया जा सकता वह यह है कि यह उपयोगकर्ता की सुरक्षा और गोपनीयता में कितना सुधार करता है। एप्लिकेशन में डेटा की सुरक्षा और गोपनीयता की गारंटी देना डेवलपर के कार्यों का एक अभिन्न अंग है, विशेष रूप से जीडीपीआर (सामान्य डेटा संरक्षण विनियमन), नए यूरोपीय कानूनों का अनुपालन करने की आवश्यकता को ध्यान में रखते हुए, जो निस्संदेह मोबाइल विकास के अभ्यास को प्रभावित करेगा। .

क्योंकि प्रसंस्करण के लिए डेटा को अपस्ट्रीम या क्लाउड पर भेजने की आवश्यकता नहीं होती है, साइबर अपराधी स्थानांतरण चरण के दौरान बनाई गई किसी भी कमजोरियों का फायदा उठाने में कम सक्षम होते हैं; इसलिए, डेटा की अखंडता बनी रहती है। इससे मोबाइल ऐप डेवलपर्स के लिए जीडीपीआर डेटा सुरक्षा नियमों का अनुपालन करना आसान हो जाता है।

उपकरणों पर मशीन लर्निंग भी ब्लॉकचेन की तरह ही विकेंद्रीकरण को सक्षम बनाता है। दूसरे शब्दों में, हैकर्स के लिए किसी केंद्रीय सर्वर पर उसी हमले को अंजाम देने की तुलना में छिपे हुए उपकरणों के कनेक्टेड नेटवर्क पर DDoS हमला शुरू करना अधिक कठिन है। यह तकनीक ड्रोन के साथ काम करते समय और कानून के अनुपालन की निगरानी के लिए भी उपयोगी हो सकती है।

Apple के उपर्युक्त स्मार्टफोन चिप्स उपयोगकर्ता सुरक्षा और गोपनीयता को बेहतर बनाने में भी मदद करते हैं - उदाहरण के लिए, वे फेस आईडी के लिए आधार के रूप में काम कर सकते हैं। यह iPhone सुविधा उपकरणों पर तैनात एक तंत्रिका नेटवर्क द्वारा संचालित होती है जो उपयोगकर्ता के चेहरे के सभी विभिन्न प्रतिनिधित्वों से डेटा एकत्र करती है। इस प्रकार, प्रौद्योगिकी एक अत्यंत सटीक और विश्वसनीय पहचान पद्धति के रूप में कार्य करती है।

ये और नए एआई-सक्षम हार्डवेयर सुरक्षित उपयोगकर्ता-स्मार्टफोन इंटरैक्शन का मार्ग प्रशस्त करेंगे। वास्तव में, डेवलपर्स को उपयोगकर्ता डेटा की सुरक्षा के लिए एन्क्रिप्शन की एक अतिरिक्त परत मिलती है।

इंटरनेट कनेक्शन की आवश्यकता नहीं

विलंबता के मुद्दों को छोड़कर, प्रसंस्करण और निष्कर्ष निकालने के लिए क्लाउड पर डेटा भेजने के लिए एक अच्छे इंटरनेट कनेक्शन की आवश्यकता होती है। अक्सर, ख़ासकर विकसित देशों में, इंटरनेट के बारे में शिकायत करने की ज़रूरत नहीं होती। लेकिन उन क्षेत्रों में क्या करें जहां कनेक्शन खराब है? जब मशीन लर्निंग को उपकरणों पर लागू किया जाता है, तो तंत्रिका नेटवर्क स्वयं फोन पर रहते हैं। इस प्रकार, डेवलपर कनेक्शन की गुणवत्ता की परवाह किए बिना, किसी भी डिवाइस पर और कहीं भी प्रौद्योगिकी को तैनात कर सकता है। साथ ही, यह दृष्टिकोण आगे बढ़ता है एमएल क्षमताओं का लोकतंत्रीकरण करना.

स्वास्थ्य उन उद्योगों में से एक है जो विशेष रूप से ऑन-डिवाइस मशीन लर्निंग से लाभान्वित हो सकते हैं, क्योंकि डेवलपर्स ऐसे उपकरण बनाने में सक्षम होंगे जो महत्वपूर्ण संकेतों की जांच करते हैं या यहां तक ​​कि बिना किसी इंटरनेट कनेक्शन के रोबोटिक सर्जरी भी प्रदान करते हैं। यह तकनीक उन छात्रों के लिए भी उपयोगी होगी जो इंटरनेट कनेक्शन के बिना व्याख्यान सामग्री तक पहुंच चाहते हैं - उदाहरण के लिए, परिवहन सुरंग में रहते हुए।

अंततः, उपकरणों पर मशीन लर्निंग डेवलपर्स को ऐसे टूल बनाने के लिए उपकरण प्रदान करेगी जो दुनिया भर के उपयोगकर्ताओं को लाभान्वित करेंगे, चाहे उनके इंटरनेट कनेक्शन की स्थिति कुछ भी हो। यह ध्यान में रखते हुए कि नए स्मार्टफ़ोन की शक्ति कम से कम मौजूदा स्मार्टफ़ोन जितनी शक्तिशाली होगी, उपयोगकर्ता ऑफ़लाइन एप्लिकेशन के साथ काम करते समय देरी की समस्याओं के बारे में भूल जाएंगे।

आपके व्यवसाय के लिए लागत कम करना

उपकरणों पर मशीन लर्निंग कई समाधानों को लागू करने और बनाए रखने के लिए बाहरी ठेकेदारों को भुगतान न करके आपका भाग्य भी बचा सकता है। जैसा कि ऊपर बताया गया है, कई मामलों में आप क्लाउड और इंटरनेट दोनों के बिना काम कर सकते हैं।

GPU और AI-विशिष्ट क्लाउड सेवाएँ सबसे महंगे समाधान हैं जिन्हें खरीदा जा सकता है। जब आप अपने डिवाइस पर मॉडल चलाते हैं, तो आपको इन सभी समूहों के लिए भुगतान नहीं करना पड़ता है, इस तथ्य के लिए धन्यवाद कि आज अधिक से अधिक उन्नत स्मार्टफोन सुसज्जित हैं न्यूरोमोर्फिक प्रोसेसर (एनपीयू).

डिवाइस और क्लाउड के बीच होने वाली भारी डेटा प्रोसेसिंग के दुःस्वप्न से बचकर, आप भारी बचत करते हैं; इसलिए, उपकरणों पर मशीन लर्निंग समाधान लागू करना बहुत लाभदायक है। इसके अलावा, आप पैसे बचाते हैं क्योंकि आपके एप्लिकेशन की बैंडविड्थ आवश्यकताएं काफी कम हो जाती हैं।

इंजीनियर स्वयं भी विकास प्रक्रिया पर बहुत बचत करते हैं, क्योंकि उन्हें अतिरिक्त क्लाउड बुनियादी ढांचे को इकट्ठा करने और बनाए रखने की आवश्यकता नहीं होती है। इसके विपरीत, छोटी टीम के साथ अधिक हासिल करना संभव है। इस प्रकार, विकास टीमों में मानव संसाधन नियोजन कहीं अधिक प्रभावी है।

निष्कर्ष

निस्संदेह, 2010 के दशक में, क्लाउड एक वास्तविक वरदान बन गया, जिसने डेटा प्रोसेसिंग को सरल बना दिया। लेकिन उच्च प्रौद्योगिकी तेजी से विकसित हो रही है, और उपकरणों पर मशीन लर्निंग जल्द ही न केवल मोबाइल विकास के क्षेत्र में, बल्कि इंटरनेट ऑफ थिंग्स में भी वास्तविक मानक बन सकता है।

कम विलंबता, बेहतर सुरक्षा, ऑफ़लाइन क्षमताओं और कुल मिलाकर कम लागत के साथ, यह कोई आश्चर्य की बात नहीं है कि मोबाइल विकास में सबसे बड़े खिलाड़ी प्रौद्योगिकी पर बड़ा दांव लगा रहे हैं। समय के साथ चलने के लिए मोबाइल एप्लिकेशन डेवलपर्स को भी इस पर बारीकी से नजर रखनी चाहिए।

स्रोत: www.habr.com