Մեքենայի ուսուցում բջջային զարգացման մեջ. հեռանկարներ և ապակենտրոնացում

Բարի լույս, Հաբր:

Մենք ոչինչ չունենք ավելացնելու հոդվածի վերնագրին մեր նախնական ծանուցման մեջ, այնպես որ բոլորին անմիջապես հրավիրում են կատու: Կարդացեք և մեկնաբանեք:

Բջջային կապի զարգացման մասնագետները կշահեն հեղափոխական փոփոխություններից, որոնք այսօր առաջարկում են: մեքենայական ուսուցում սարքերի վրա. Բանն այն է, թե որքանով է այս տեխնոլոգիան բարելավում ցանկացած բջջային հավելված, մասնավորապես, այն ապահովում է օգտատերերի համար հարմարավետության նոր մակարդակ և թույլ է տալիս ակտիվորեն օգտագործել հզոր գործառույթներ, օրինակ՝ առավել ճշգրիտ առաջարկություններ տրամադրելու համար, ելնելով աշխարհագրական դիրքից, կամ անմիջապես հայտնաբերել բույսերի հիվանդություններ.

Շարժական մեքենայական ուսուցման այս արագ զարգացումը պատասխան է մի շարք ընդհանուր խնդիրների, որոնցից մենք տառապել ենք դասական մեքենայական ուսուցման ժամանակ: Իրականում ամեն ինչ ակնհայտ է. Ապագայում բջջային հավելվածները կպահանջեն տվյալների ավելի արագ մշակում և հետաձգման հետագա կրճատում:

Գուցե արդեն մտածել եք, թե ինչու AI-ով աշխատող բջջային հավելվածներ, չի կարող պարզապես եզրակացություններ անել ամպի մեջ: Նախ, ամպային տեխնոլոգիաները կախված են կենտրոնական հանգույցներից (պատկերացրեք տվյալների հսկայական կենտրոնը ինչպես լայնածավալ տվյալների պահպանման, այնպես էլ մեծ հաշվողական հզորությամբ): Այս կենտրոնացված մոտեցումը չի կարող կարգավորել մշակման արագությունը, որը բավարար է մեքենայական ուսուցմամբ ապահովված շարժական հարթ փորձառություններ ստեղծելու համար: Տվյալները պետք է մշակվեն կենտրոնացված կարգով, այնուհետև ուղարկվեն սարքեր: Այս մոտեցումը պահանջում է ժամանակ, գումար և չի երաշխավորում տվյալների գաղտնիությունը:

Այսպիսով, ուրվագծելով շարժական մեքենայական ուսուցման այս հիմնական առավելությունները, եկեք ավելի սերտ նայենք, թե ինչու է մեքենայական ուսուցման հեղափոխությունը, որը ծավալվում է մեր աչքի առաջ, պետք է հետաքրքրի անձամբ ձեզ՝ որպես բջջային ծրագրավորողի:

Նվազեցնել հետաձգումը

Բջջային հավելվածների մշակողները գիտեն, որ հետաձգման ավելացումը կարող է սև բիծ լինել ծրագրի համար, անկախ նրանից, թե որքան լավ են դրա հնարավորությունները կամ որքան հեղինակավոր է ապրանքանիշը: Նախկինում Android սարքերում եղել են Շատ վիդեո հավելվածների լուրջ ուշացում, ինչի պատճառով վիդեո և աուդիո դիտումը հաճախ սինխրոնիզացված էր դառնում։ Նմանապես, սոցիալական մեդիայի հաճախորդը բարձր ուշացումով կարող է հաղորդակցությունը դարձնել իրական խոշտանգում օգտագործողի համար:

Սարքի վրա մեքենայական ուսուցման իրականացումը գնալով ավելի կարևոր է դառնում հենց նման ուշացման խնդիրների պատճառով: Պատկերացրեք, թե ինչպես են աշխատում պատկերների զտիչները սոցիալական ցանցերի համար կամ ռեստորանային առաջարկները՝ հիմնված աշխարհագրական դիրքի վրա: Նման հավելվածներում ուշացումը պետք է լինի նվազագույն, որպեսզի այն կատարի ամենաբարձր մակարդակով:

Ինչպես նշվեց վերևում, ամպային մշակումը երբեմն կարող է դանդաղ լինել, և մշակողը ցանկանում է, որ հետաձգումը մոտ լինի զրոյին, որպեսզի բջջային հավելվածի մեքենայական ուսուցման հնարավորությունները ճիշտ աշխատեն: Սարքերի վրա մեքենայական ուսուցումը բացում է տվյալների մշակման հնարավորություններ, որոնք իսկապես կարող են նվազեցնել ուշացումը գրեթե զրոյի:

Սմարթֆոն արտադրողներն ու տեխնոլոգիական շուկայի հսկաները աստիճանաբար սկսում են գիտակցել դա։ Երկար ժամանակ Apple-ը մնաց այս ոլորտում առաջատարը՝ զարգանալով ավելի ու ավելի առաջադեմ չիպեր սմարթֆոնների համար՝ օգտագործելով իր Bionic համակարգը, որն իրականացնում է Նյարդային շարժիչը, որն օգնում է նեյրոնային ցանցերը շարժել անմիջապես սարքի վրա՝ միաժամանակ հասնելով. անհավանական արագություններ.

Apple-ը նաև շարունակում է քայլ առ քայլ զարգացնել Core ML-ը՝ իր մեքենայական ուսուցման հարթակը բջջային հավելվածների համար. գրադարանում TensorFlow Lite ավելացված աջակցություն GPU-ներին; Google-ը շարունակում է նախապես ներբեռնված գործառույթներ ավելացնել իր մեքենայական ուսուցման ML Kit հարթակում: Օգտագործելով այս տեխնոլոգիաները՝ դուք կարող եք մշակել հավելվածներ, որոնք թույլ են տալիս կայծակնային արագությամբ մշակել տվյալները, վերացնել ուշացումները և նվազեցնել սխալների քանակը։

Ճշգրտության և անխափան օգտատերերի փորձի այս համադրությունը հիմնական չափանիշն է, որը բջջային հավելվածների մշակողները պետք է հաշվի առնեն մեքենայական ուսուցման հնարավորություններն իրենց հավելվածներում ներառելիս: Եվ նման ֆունկցիոնալությունը երաշխավորելու համար պահանջվում է մեքենայական ուսուցումը տեղափոխել սարքեր.

Բարելավված անվտանգություն և գաղտնիություն

Եզրային հաշվարկների մեկ այլ հսկայական առավելություն, որը չի կարելի գերագնահատել, այն է, թե որքանով է այն բարելավում օգտագործողի անվտանգությունն ու գաղտնիությունը: Հավելվածում տվյալների անվտանգության և գաղտնիության երաշխավորումը մշակողի առաջադրանքների անբաժանելի մասն է, հատկապես հաշվի առնելով GDPR-ի (Տվյալների պաշտպանության ընդհանուր կանոնակարգ), եվրոպական նոր օրենքներին համապատասխանելու անհրաժեշտությունը, ինչը, անկասկած, կազդի բջջային զարգացման պրակտիկայի վրա: .

Քանի որ տվյալների վերամշակման համար անհրաժեշտ չէ ուղարկել հոսանքին հակառակ կամ ամպ, կիբերհանցագործներն ավելի քիչ կարող են օգտագործել փոխանցման փուլում ստեղծված ցանկացած խոցելիություն. հետևաբար, տվյալների ամբողջականությունը պահպանվում է: Սա հեշտացնում է բջջային հավելվածների մշակողների համար GDPR տվյալների անվտանգության կանոնակարգերի պահպանումը:

Սարքավորումների վրա մեքենայական ուսուցումը նաև հնարավորություն է տալիս ապակենտրոնացնել, ինչպես բլոկչեյնը: Այլ կերպ ասած, հաքերների համար ավելի դժվար է DDoS հարձակում իրականացնել թաքնված սարքերի միացված ցանցի վրա, քան նույն հարձակումն իրականացնել կենտրոնական սերվերի վրա։ Այս տեխնոլոգիան կարող է օգտակար լինել նաև անօդաչու սարքերի հետ աշխատելիս և օրենսդրության համապատասխանությունը վերահսկելու համար:

Apple-ի վերը նշված սմարթֆոնների չիպերը նաև օգնում են բարելավել օգտատերերի անվտանգությունն ու գաղտնիությունը, օրինակ՝ դրանք կարող են հիմք ծառայել Face ID-ի համար: IPhone-ի այս ֆունկցիան սնուցվում է սարքերի վրա տեղակայված նեյրոնային ցանցի միջոցով, որը հավաքում է տվյալներ օգտվողի դեմքի բոլոր տարբեր պատկերներից: Այսպիսով, տեխնոլոգիան ծառայում է որպես չափազանց ճշգրիտ և հուսալի նույնականացման մեթոդ:

Այս և արհեստական ​​ինտելեկտով միացված ավելի նոր սարքավորումները ճանապարհ կհարթի օգտատեր-սմարթֆոն ավելի անվտանգ փոխազդեցությունների համար: Փաստորեն, մշակողները ստանում են գաղտնագրման լրացուցիչ շերտ՝ օգտվողի տվյալները պաշտպանելու համար:

Ինտերնետ կապ չի պահանջվում

Մի կողմ թողնենք ուշացման խնդիրները, մշակման և եզրակացություններ անելու համար տվյալների ամպ ուղարկելը պահանջում է լավ ինտերնետ կապ: Հաճախ, հատկապես զարգացած երկրներում, ինտերնետից դժգոհելու կարիք չկա։ Բայց ի՞նչ անել այն տարածքներում, որտեղ կապն ավելի վատ է: Երբ մեքենայական ուսուցումն իրականացվում է սարքերի վրա, նեյրոնային ցանցերն ապրում են հենց հեռախոսների վրա: Այսպիսով, մշակողը կարող է տեղակայել տեխնոլոգիան ցանկացած սարքի վրա և ցանկացած վայրում՝ անկախ կապի որակից: Բացի այդ, այս մոտեցումը հանգեցնում է ՓԼ հնարավորությունների ժողովրդավարացում.

Առողջապահություն այն ճյուղերից մեկն է, որը կարող է հատկապես օգուտ քաղել սարքի վրա մեքենայական ուսուցումից, քանի որ մշակողները կկարողանան ստեղծել գործիքներ, որոնք ստուգում են կենսական նշանները կամ նույնիսկ ռոբոտային վիրահատություն են ապահովում առանց ինտերնետ կապի: Այս տեխնոլոգիան օգտակար կլինի նաև ուսանողների համար, ովքեր ցանկանում են մուտք գործել դասախոսական նյութեր առանց ինտերնետ կապի, օրինակ՝ տրանսպորտային թունելում գտնվելու ժամանակ:

Ի վերջո, սարքերի վրա մեքենայական ուսուցումը ծրագրավորողներին կտրամադրի գործիքներ ստեղծելու գործիքներ, որոնք օգուտ կբերեն օգտատերերին ամբողջ աշխարհում՝ անկախ նրանց ինտերնետ կապի իրավիճակից: Հաշվի առնելով, որ նոր սմարթֆոնների հզորությունը կլինի առնվազն նույնքան հզոր, որքան ներկայիսները, օգտատերերը կմոռանան ուշացումների հետ կապված խնդիրների մասին՝ օֆլայն հավելվածի հետ աշխատելիս։

Ձեր բիզնեսի համար ծախսերի կրճատում

Սարքերի վրա մեքենայական ուսուցումը կարող է նաև խնայել ձեզ հարստություն՝ ստիպված չլինելով վճարել արտաքին կապալառուներին՝ լուծումներից շատերն իրականացնելու և պահպանելու համար: Ինչպես նշվեց վերևում, շատ դեպքերում դուք կարող եք անել առանց ամպի և ինտերնետի:

GPU և AI-ին հատուկ ամպային ծառայություններն ամենաթանկ լուծումներն են, որոնք կարելի է ձեռք բերել: Երբ ձեր սարքում մոդելներ եք աշխատում, ստիպված չեք լինի վճարել այս բոլոր կլաստերների համար՝ շնորհիվ այն բանի, որ այսօր կան ավելի ու ավելի առաջադեմ սմարթֆոններ, որոնք հագեցած են նեյրոմորֆիկ պրոցեսորներ (NPU).

Խուսափելով տվյալների ծանր մշակման մղձավանջից, որը տեղի է ունենում սարքի և ամպի միջև, դուք հսկայական խնայողություն եք անում. Հետեւաբար, շատ շահավետ է սարքերի վրա մեքենայական ուսուցման լուծումներ կիրառելը: Բացի այդ, դուք գումար եք խնայում, քանի որ ձեր հավելվածի թողունակության պահանջները զգալիորեն կրճատվել են:

Ինքնին ինժեներները նույնպես շատ բան են խնայում զարգացման գործընթացում, քանի որ նրանք ստիպված չեն հավաքել և պահպանել լրացուցիչ ամպային ենթակառուցվածք: Ընդհակառակը, ավելի փոքր թիմով հնարավոր է ավելիին հասնել։ Այսպիսով, զարգացման թիմերում մարդկային ռեսուրսների պլանավորումը շատ ավելի արդյունավետ է:

Ամփոփում

Անկասկած, 2010-ականներին ամպը դարձավ իսկական բարիք՝ պարզեցնելով տվյալների մշակումը: Սակայն բարձր տեխնոլոգիաները զարգանում են էքսպոնենցիայով, և սարքերի վրա մեքենայական ուսուցումը շուտով կարող է դառնալ դե ֆակտո ստանդարտ ոչ միայն բջջային ծրագրավորման ոլորտում, այլև իրերի ինտերնետում:

Նվազեցված հետաձգման, բարելավված անվտանգության, անցանց հնարավորությունների և ընդհանուր առմամբ ավելի ցածր ծախսերի դեպքում, զարմանալի չէ, որ բջջային զարգացման խոշոր խաղացողները մեծ խաղադրույքներ են կատարում տեխնոլոգիայի վրա: Բջջային հավելվածների մշակողները նույնպես պետք է ավելի ուշադիր նայեն դրան՝ ժամանակին համընթաց պահելու համար:

Source: www.habr.com