Jó reggelt, Habr!
Az előzetes értesítésünkben a cikk címéhez nincs mit hozzáfűznünk - így mindenki azonnal meghívást kap a macskára. Olvass és kommentelj.
A mobilfejlesztő szakemberek profitálni fognak a ma kínált forradalmi változásokból. . A lényeg az, hogy ez a technológia mennyit javít minden mobilalkalmazásban, nevezetesen új szintű kényelmet biztosít a felhasználók számára, és lehetővé teszi a hatékony funkciók aktív használatát, például a legpontosabb ajánlások nyújtásához, , vagy azonnal észleli .
A mobil gépi tanulás e gyors fejlődése válasz számos olyan gyakori problémára, amelyektől a klasszikus gépi tanulás során szenvedtünk. Valójában minden nyilvánvaló. A jövőben a mobilalkalmazásokhoz gyorsabb adatfeldolgozásra és a késleltetés további csökkentésére lesz szükség.
Lehet, hogy már elgondolkoztál azon, hogy miért ,nem lehet egyszerűen következtetéseket levonni a felhőben. Először is, a felhőtechnológiák a központi csomópontoktól függenek (képzeljünk el egy hatalmas adatközpontot kiterjedt adattárhellyel és nagy számítási teljesítménnyel). Ez a központosított megközelítés nem képes olyan feldolgozási sebességet kezelni, amely elegendő ahhoz, hogy a gépi tanulás révén zökkenőmentes mobilélményt hozzon létre. Az adatokat központilag kell feldolgozni, majd visszaküldeni az eszközökre. Ez a megközelítés időt, pénzt igényel, és nem garantálja magának az adatoknak a magánéletét.
Tehát, miután felvázoltuk a mobil gépi tanulás legfontosabb előnyeit, nézzük meg közelebbről, hogy a szemünk előtt kibontakozó gépi tanulási forradalom miért érdekelheti Önt, mint mobilfejlesztőt.
Csökkentse a késleltetést
A mobilalkalmazás-fejlesztők tudják, hogy a megnövekedett késleltetés fekete jel lehet egy program számára, függetlenül attól, hogy milyen jók a funkciói, vagy mennyire jó hírű a márka. Korábban Android-eszközökön voltak , ami miatt a kép- és hangmegtekintés gyakran nem volt szinkronban. Hasonlóképpen, a magas késleltetésű közösségi média kliens valódi kínzássá teheti a kommunikációt a felhasználó számára.
A gépi tanulás eszközön történő megvalósítása éppen az ehhez hasonló késleltetési problémák miatt válik egyre fontosabbá. Képzelje el, hogyan működnek a képszűrők a közösségi hálózatokon vagy a földrajzi hely alapján adott éttermekben. Az ilyen alkalmazásokban a késleltetésnek minimálisnak kell lennie ahhoz, hogy a legmagasabb szinten működjön.
Ahogy fentebb említettük, a felhőfeldolgozás néha lassú lehet, és a fejlesztő azt szeretné, ha a várakozási idő nulla közelében lenne, hogy a mobilalkalmazások gépi tanulási képességei megfelelően működjenek. Az eszközökön végzett gépi tanulás olyan adatfeldolgozási lehetőségeket nyit meg, amelyek valóban szinte nullára csökkenthetik a késleltetést.
Az okostelefon-gyártók és a technológiai piac óriásai fokozatosan kezdik felismerni ezt. Az Apple hosszú ideig vezető szerepet töltött be ebben az iparágban, fejlődött a Bionic rendszert használó okostelefonokhoz, amely megvalósítja a Neural Engine-t, amely segít a neurális hálózatok közvetlenül az eszközön történő irányításában, miközben .
Az Apple lépésről lépésre folytatja a Core ML, a mobilalkalmazások gépi tanulási platformjának fejlesztését is; könyvtárban hozzáadott támogatás a GPU-khoz; A Google továbbra is előre telepített funkciókat ad hozzá gépi tanulási platformjához, az ML Kithez. Ezekkel a technológiákkal olyan alkalmazásokat fejleszthet, amelyek lehetővé teszik az adatok villámgyors feldolgozását, kiküszöbölik a késéseket és csökkentik a hibák számát.
A pontosság és a zökkenőmentes felhasználói élmény kombinációja olyan kulcsfontosságú mutató, amelyet a mobilalkalmazás-fejlesztőknek figyelembe kell venniük, amikor gépi tanulási képességeket vezetnek be alkalmazásaikba. És az ilyen funkcionalitás garantálásához ez szükséges .
Továbbfejlesztett biztonság és adatvédelem
Az éles számítástechnika másik hatalmas előnye, amelyet nem lehet túlbecsülni, hogy mennyire javítja a felhasználók biztonságát és adatvédelmét. Az alkalmazásban található adatok biztonságának és titkosságának garantálása a fejlesztői feladatok szerves része, különös tekintettel a GDPR (General Data Protection Regulation), új európai törvények betartására, amelyek kétségtelenül érintik a mobilfejlesztés gyakorlatát. .
Mivel az adatokat nem kell felfelé vagy a felhőbe küldeni feldolgozás céljából, a kiberbűnözők kevésbé tudják kihasználni az átviteli szakaszban keletkezett sebezhetőségeket; ezért az adatok sértetlensége megmarad. Ez megkönnyíti a mobilalkalmazás-fejlesztők számára, hogy megfeleljenek a GDPR adatbiztonsági előírásainak.
A gépi tanulás az eszközökön a decentralizációt is lehetővé teszi, ugyanúgy, mint a blokklánc. Más szóval, a hackerek számára nehezebb DDoS-támadást indítani egy rejtett eszközök összekapcsolt hálózatán, mint ugyanazt a támadást egy központi szerveren végrehajtani. Ez a technológia drónokkal végzett munka során és a jogszabályok betartásának ellenőrzésekor is hasznos lehet.
Az Apple fent említett okostelefon-chipjei a felhasználók biztonságának és magánéletének javítását is segítik – például a Face ID alapjául szolgálhatnak. Ezt az iPhone funkciót az eszközökön telepített neurális hálózat működteti, amely adatokat gyűjt a felhasználó arcának különböző ábrázolásáról. Így a technológia rendkívül pontos és megbízható azonosítási módszerként szolgál.
Ezek és az újabb, mesterséges intelligencia-kompatibilis hardverek megnyitják az utat a biztonságosabb felhasználói okostelefon-interakció előtt. Valójában a fejlesztők egy további titkosítási réteget kapnak a felhasználói adatok védelme érdekében.
Nincs szükség internet kapcsolatra
A késleltetési problémáktól eltekintve az adatok felhőbe küldéséhez feldolgozás és következtetések levonása céljából jó internetkapcsolatra van szükség. Gyakran, különösen a fejlett országokban, nem kell panaszkodni az internetre. De mi a teendő azokon a területeken, ahol rosszabb a kapcsolat? Amikor a gépi tanulást eszközökön valósítják meg, a neurális hálózatok magukon a telefonokon élnek. Így a fejlesztő a technológiát bármilyen eszközön és bárhol telepítheti, függetlenül a kapcsolat minőségétől. Ráadásul ez a megközelítés oda vezet .
egyike azon iparágaknak, amelyek különösen profitálhatnak az eszközön történő gépi tanulásból, mivel a fejlesztők olyan eszközöket hozhatnak létre, amelyek ellenőrzik az életjeleket, vagy akár robotsebészetet is biztosítanak internetkapcsolat nélkül. Ez a technológia azoknak a hallgatóknak is hasznos lesz, akik internetkapcsolat nélkül szeretnének elérni az előadásanyagokat – például közlekedési alagútban.
Az eszközökön végzett gépi tanulás végső soron olyan eszközöket biztosít majd a fejlesztők számára, amelyek segítségével olyan eszközöket hozhatnak létre, amelyek a világ minden táján a felhasználók javát szolgálják, függetlenül az internetkapcsolat helyzetétől. Figyelembe véve, hogy az új okostelefonok ereje legalább olyan erős lesz, mint a jelenlegiek, a felhasználók elfelejtik a késleltetéssel kapcsolatos problémákat, amikor offline dolgoznak az alkalmazással.
Vállalkozása költségeinek csökkentése
Az eszközökön végzett gépi tanulás is vagyonokat takaríthat meg, mivel nem kell külső vállalkozóknak fizetnie számos megoldás megvalósításáért és karbantartásáért. Ahogy fentebb említettük, sok esetben megteheti a felhő és az internet nélkül is.
A GPU és az AI-specifikus felhőszolgáltatások a legdrágább megvásárolható megoldások. Amikor modelleket futtat az eszközén, nem kell fizetnie mindezért a fürtért, köszönhetően annak, hogy manapság egyre több fejlett okostelefon van .
Ha elkerüli a nehéz adatfeldolgozás rémálmát, amely az eszköz és a felhő között történik, óriási megtakarítást érhet el; Ezért nagyon kifizetődő a gépi tanulási megoldások megvalósítása az eszközökön. Ezenkívül pénzt takarít meg, mivel az alkalmazás sávszélesség-igénye jelentősen csökken.
Maguk a mérnökök is sokat spórolnak a fejlesztési folyamaton, hiszen nem kell további felhő infrastruktúrát összeszerelni és karbantartani. Ellenkezőleg, kisebb csapattal is lehet többet elérni. Így az emberi erőforrás tervezés a fejlesztő csapatokban sokkal hatékonyabb.
Következtetés
Kétségtelen, hogy a 2010-es években a felhő igazi áldássá vált, leegyszerűsítette az adatfeldolgozást. Ám a csúcstechnológia exponenciálisan fejlődik, és az eszközökön történő gépi tanulás hamarosan de facto szabvánnyá válhat nemcsak a mobilfejlesztés területén, hanem a tárgyak internete területén is.
A csökkentett késleltetés, jobb biztonság, offline képességek és összességében alacsonyabb költségek miatt nem meglepő, hogy a mobilfejlesztés legnagyobb szereplői nagyot fogadnak a technológiára. A mobilalkalmazás-fejlesztőknek is érdemes közelebbről megvizsgálniuk, hogy lépést tudjanak tartani a korral.
Forrás: will.com