Dobro jutro, Habr!
Naslovu članka u našoj predobavijesti nemamo što dodati - stoga su svi odmah pozvani na mačku. Pročitajte i komentirajte.
Profesionalci u mobilnom razvoju imat će koristi od revolucionarnih promjena koje danas nudi. . Stvar je u tome koliko ova tehnologija poboljšava bilo koju mobilnu aplikaciju, naime pruža novu razinu pogodnosti za korisnike i omogućuje vam aktivno korištenje moćnih značajki, na primjer, za pružanje najtočnijih preporuka, , ili odmah otkriti .
Ovaj brzi razvoj mobilnog strojnog učenja odgovor je na brojne uobičajene probleme s kojima smo patili u klasičnom strojnom učenju. Zapravo, sve je očito. U budućnosti će mobilne aplikacije zahtijevati bržu obradu podataka i daljnje smanjenje latencije.
Možda ste se već pitali zašto ,ne može jednostavno pokrenuti zaključivanje u oblaku. Prvo, tehnologije u oblaku ovise o središnjim čvorovima (zamislite ogroman podatkovni centar s opsežnom pohranom podataka i velikom računalnom snagom). Ovaj centralizirani pristup ne može podnijeti brzine obrade dovoljne za stvaranje glatkih mobilnih iskustava pokretanih strojnim učenjem. Podaci se moraju središnje obraditi i zatim poslati natrag na uređaje. Ovakav pristup zahtijeva vrijeme, novac i ne jamči privatnost samih podataka.
Dakle, nakon što smo istaknuli ove ključne prednosti mobilnog strojnog učenja, pogledajmo pobliže zašto bi revolucija strojnog učenja koja se odvija pred našim očima trebala zanimati vas osobno kao mobilnog programera.
Smanjite latenciju
Razvojni programeri mobilnih aplikacija znaju da povećana latencija može biti crna mrlja za program, bez obzira na to koliko su njegove značajke dobre ili koliko je marka ugledna. Ranije ih je bilo na Android uređajima , zbog čega je gledanje videa i zvuka često ispadalo neusklađeno. Isto tako, klijent društvenih mreža s velikom latencijom može komunikaciju učiniti pravim mučenjem za korisnika.
Implementacija strojnog učenja na uređaju postaje sve važnija upravo zbog problema s kašnjenjem poput ovih. Zamislite kako rade filtri slika za društvene mreže ili preporuke restorana na temelju geolokacije. U takvim aplikacijama latencija mora biti minimalna da bi radila na najvišoj razini.
Kao što je gore spomenuto, obrada u oblaku ponekad može biti spora, a razvojni programer želi da latencija bude blizu nule kako bi mogućnosti strojnog učenja mobilne aplikacije ispravno radile. Strojno učenje na uređajima otvara mogućnosti obrade podataka koje doista mogu smanjiti kašnjenje na gotovo nulu.
Proizvođači pametnih telefona i divovi na tehnološkom tržištu to postupno počinju shvaćati. Apple je dugo vremena ostao lider u ovoj industriji, razvijajući se za pametne telefone koji koriste svoj sustav Bionic, koji implementira Neural Engine, koji pomaže u pokretanju neuronskih mreža izravno na uređaju, dok se postiže .
Apple također nastavlja razvijati Core ML, svoju platformu za strojno učenje za mobilne aplikacije, korak po korak; u knjižnici dodana podrška za GPU-ove; Google nastavlja dodavati unaprijed učitane značajke svojoj platformi za strojno učenje ML Kit. Pomoću ovih tehnologija možete razviti aplikacije koje vam omogućuju obradu podataka brzinom munje, eliminaciju kašnjenja i smanjenje broja pogrešaka.
Ova kombinacija točnosti i besprijekornog korisničkog iskustva ključna je metrika koju razvojni programeri mobilnih aplikacija moraju uzeti u obzir prilikom uvođenja mogućnosti strojnog učenja u svoje aplikacije. A kako bi se zajamčila takva funkcionalnost, potrebno je .
Poboljšana sigurnost i privatnost
Još jedna velika prednost rubnog računalstva koja se ne može precijeniti je koliko poboljšava sigurnost i privatnost korisnika. Jamčenje sigurnosti i privatnosti podataka u aplikaciji sastavni je dio zadataka programera, posebno uzimajući u obzir potrebu usklađivanja s GDPR (Opća uredba o zaštiti podataka), novim europskim zakonima, koji će nedvojbeno utjecati na praksu mobilnog razvoja .
Budući da se podaci ne moraju slati uzvodno ili u oblak za obradu, kibernetički kriminalci manje su u mogućnosti iskoristiti bilo kakve ranjivosti stvorene tijekom faze prijenosa; stoga se održava cjelovitost podataka. To programerima mobilnih aplikacija olakšava usklađivanje s GDPR propisima o sigurnosti podataka.
Strojno učenje na uređajima također omogućuje decentralizaciju, na sličan način kao i blockchain. Drugim riječima, hakerima je teže pokrenuti DDoS napad na povezanu mrežu skrivenih uređaja nego izvesti isti napad na središnji poslužitelj. Ova tehnologija također može biti korisna pri radu s dronovima i za praćenje usklađenosti sa zakonodavstvom.
Gore spomenuti čipovi za pametne telefone iz Applea također pomažu u poboljšanju sigurnosti i privatnosti korisnika - primjerice, mogu poslužiti kao osnova za Face ID. Ovu značajku iPhonea pokreće neuronska mreža postavljena na uređajima koja prikuplja podatke iz svih različitih prikaza lica korisnika. Stoga tehnologija služi kao iznimno točna i pouzdana metoda identifikacije.
Ovaj i noviji hardver s omogućenom umjetnom inteligencijom utrt će put sigurnijoj interakciji između korisnika i pametnog telefona. Zapravo, programeri dobivaju dodatni sloj enkripcije za zaštitu korisničkih podataka.
Nije potrebna internetska veza
Na stranu problemi s kašnjenjem, slanje podataka u oblak radi obrade i donošenja zaključaka zahtijeva dobru internetsku vezu. Često se, posebno u razvijenim zemljama, ne treba žaliti na internet. Ali što učiniti u područjima gdje je veza lošija? Kada se strojno učenje implementira na uređaje, neuronske mreže žive na samim telefonima. Stoga programer može implementirati tehnologiju na bilo kojem uređaju i bilo gdje, bez obzira na kvalitetu veze. Osim toga, ovaj pristup dovodi do .
je jedna od industrija koja bi mogla posebno imati koristi od strojnog učenja na uređaju, jer će programeri moći stvoriti alate koji provjeravaju vitalne znakove ili čak pružiti robotsku kirurgiju bez internetske veze. Ova će tehnologija također biti korisna studentima koji žele pristupiti materijalima predavanja bez internetske veze – primjerice, dok su u transportnom tunelu.
U konačnici, strojno učenje na uređajima pružit će programerima alate za stvaranje alata koji će koristiti korisnicima diljem svijeta, bez obzira na njihovu internetsku vezu. S obzirom da će snaga novih pametnih telefona biti barem jednako snažna kao sadašnji, korisnici će zaboraviti na probleme s kašnjenjima pri radu s aplikacijom izvan mreže.
Smanjenje troškova za vaše poslovanje
Strojno učenje na uređajima također vam može uštedjeti bogatstvo jer ne morate plaćati vanjskim izvođačima za implementaciju i održavanje mnogih rješenja. Kao što je gore spomenuto, u mnogim slučajevima možete bez oblaka i interneta.
GPU i usluge u oblaku specifične za AI najskuplja su rješenja koja se mogu kupiti. Kada pokrećete modele na svom uređaju, ne morate plaćati za sve te klastere, zahvaljujući činjenici da danas postoji sve više i više naprednih pametnih telefona opremljenih .
Izbjegavajući noćnu moru teške obrade podataka koja se događa između uređaja i oblaka, štedite enormno; Stoga je vrlo isplativo implementirati rješenja strojnog učenja na uređaje. Osim toga, štedite novac jer su zahtjevi vaše aplikacije za propusnost značajno smanjeni.
Sami inženjeri također puno štede na procesu razvoja, budući da ne moraju sastavljati i održavati dodatnu cloud infrastrukturu. Naprotiv, s manjim timom moguće je postići više. Stoga je planiranje ljudskih resursa u razvojnim timovima mnogo učinkovitije.
Zaključak
Bez sumnje, u 2010-ima oblak je postao prava blagodat, pojednostavljujući obradu podataka. No, visoka tehnologija se eksponencijalno razvija, a strojno učenje na uređajima moglo bi uskoro postati de facto standard ne samo u području mobilnog razvoja, već i u Internetu stvari.
Sa smanjenom latencijom, poboljšanom sigurnošću, izvanmrežnim mogućnostima i sveukupno nižim troškovima, ne čudi da najveći igrači u mobilnom razvoju mnogo klade na tehnologiju. Razvojni programeri mobilnih aplikacija također bi ga trebali pomnije pogledati kako bi išli u korak s vremenom.
Izvor: www.habr.com