למידת מכונה בפיתוח נייד: פרוספקטים וביזור

בוקר טוב, הבר!

אין לנו מה להוסיף לכותרת הכתבה בהודעה המוקדמת שלנו - אז כולם מוזמנים מיד לחתול. קראו והגיבו.

אנשי מקצוע בפיתוח נייד ייהנו מהשינויים המהפכניים שיש היום להציע. למידת מכונה במכשירים. הנקודה היא עד כמה הטכנולוגיה הזו משפרת כל אפליקציה לנייד, כלומר, היא מספקת רמה חדשה של נוחות למשתמשים ומאפשרת לך להשתמש באופן פעיל בתכונות חזקות, למשל, כדי לספק את ההמלצות המדויקות ביותר, מבוסס על מיקום גיאוגרפי, או לזהות באופן מיידי מחלות צמחים.

התפתחות מהירה זו של למידת מכונה ניידת היא תגובה למספר בעיות נפוצות מהן סבלנו בלמידת מכונה קלאסית. למעשה, הכל ברור. בעתיד, יישומים ניידים ידרשו עיבוד נתונים מהיר יותר והפחתה נוספת של זמן האחזור.

אולי כבר תהיתם למה אפליקציות ניידות המופעלות על ידי בינה מלאכותית,לא יכול פשוט להריץ מסקנות בענן. ראשית, טכנולוגיות ענן תלויות בצמתים מרכזיים (דמיינו מרכז נתונים ענק עם אחסון נתונים נרחב וכוח מחשוב גדול). גישה מרכזית זו אינה יכולה להתמודד עם מהירויות עיבוד מספיקות ליצירת חוויות ניידות חלקות המופעלות על ידי למידת מכונה. יש לעבד את הנתונים באופן מרכזי ולאחר מכן לשלוח בחזרה למכשירים. גישה זו דורשת זמן, כסף ואינה מבטיחה את פרטיות הנתונים עצמם.

אז, לאחר שתיארנו את היתרונות המרכזיים הללו של למידת מכונה ניידת, בואו נסתכל מקרוב מדוע מהפכת למידת המכונה המתחוללת לנגד עינינו צריכה לעניין אותך באופן אישי כמפתחים ניידים.

הפחת חביון

מפתחי אפליקציות לנייד יודעים ששהייה מוגברת יכולה להיות סימן שחור לתוכנית, לא משנה כמה טובות התכונות שלה או עד כמה המותג מכובד. בעבר, במכשירי אנדרואיד היו פיגור רציני ביישומי וידאו רבים, שבגללם צפייה בווידאו ואודיו התבררה לעתים קרובות כלא מסונכרנת. כמו כן, לקוח מדיה חברתית עם חביון גבוה יכול להפוך את התקשורת לעינוי אמיתי עבור המשתמש.

הטמעת למידת מכונה במכשיר הופכת חשובה יותר ויותר דווקא בגלל בעיות חביון כמו אלה. תארו לעצמכם איך מסנני תמונות עובדים עבור רשתות חברתיות, או המלצות למסעדות המבוססות על מיקום גיאוגרפי. ביישומים כאלה, ההשהיה חייבת להיות מינימלית כדי שהוא יפעל ברמה הגבוהה ביותר.

כפי שהוזכר לעיל, עיבוד ענן יכול לפעמים להיות איטי, והמפתח רוצה שהשהייה תהיה קרובה לאפס כדי שיכולות למידת המכונה של אפליקציה לנייד יפעלו כראוי. למידת מכונה במכשירים פותחת יכולות עיבוד נתונים שיכולות באמת להפחית את ההשהיה לכמעט אפס.

יצרני סמארטפונים וענקי שוק הטכנולוגיה מתחילים להבין זאת בהדרגה. במשך זמן רב, אפל נשארה המובילה בתעשייה זו, והתפתחה יותר ויותר שבבים מתקדמים עבור טלפונים חכמים המשתמשים במערכת Bionic שלה, המיישמת את המנוע העצבי, המסייע להניע רשתות עצביות ישירות על המכשיר, תוך הישגים מהירויות מדהימות.

אפל גם ממשיכה לפתח את Core ML, פלטפורמת למידת המכונה שלה לאפליקציות מובייל, צעד אחר צעד; בספרייה TensorFlow Lite תוספת תמיכה עבור GPUs; גוגל ממשיכה להוסיף תכונות טעונות מראש לפלטפורמת למידת המכונה שלה ML Kit. באמצעות טכנולוגיות אלו, תוכלו לפתח אפליקציות המאפשרות לכם לעבד נתונים במהירות הבזק, למנוע עיכובים ולהפחית את מספר השגיאות.

השילוב הזה של דיוק וחוויות משתמש חלקות הוא מדד מפתח שמפתחי אפליקציות לנייד חייבים לקחת בחשבון כשהם מציגים יכולות למידת מכונה לאפליקציות שלהם. וכדי להבטיח פונקציונליות כזו, זה נדרש לקחת למידת מכונה למכשירים.

שיפור האבטחה והפרטיות

יתרון עצום נוסף של מחשוב קצה שלא ניתן להפריז בו הוא עד כמה הוא משפר את אבטחת המשתמש ופרטיותו. הבטחת האבטחה והפרטיות של הנתונים באפליקציה היא חלק בלתי נפרד ממשימות המפתח, במיוחד בהתחשב בצורך לעמוד ב-GDPR (General Data Protection Regulation), חוקים אירופיים חדשים, אשר ללא ספק ישפיעו על הפרקטיקה של פיתוח מובייל .

מכיוון שאין צורך לשלוח נתונים במעלה הזרם או לענן לצורך עיבוד, פושעי סייבר מסוגלים פחות לנצל כל פגיעות שנוצרה במהלך שלב ההעברה; לכן, שלמות הנתונים נשמרת. זה מקל על מפתחי אפליקציות לנייד לציית לתקנות אבטחת מידע GDPR.

למידת מכונה במכשירים מאפשרת גם ביזור, בדומה ל-blockchain. במילים אחרות, להאקרים קשה יותר להפעיל מתקפת DDoS על רשת מחוברת של מכשירים נסתרים מאשר לבצע את אותה התקפה על שרת מרכזי. טכנולוגיה זו יכולה להיות שימושית גם בעת עבודה עם מל"טים ולניטור עמידה בחקיקה.

גם שבבי הסמארטפון הנ"ל מבית אפל עוזרים לשפר את אבטחת המשתמש ופרטיותם - למשל, הם יכולים לשמש בסיס ל-Face ID. תכונת האייפון הזו מופעלת על ידי רשת עצבית הפרוסה במכשירים שאוספת נתונים מכל הייצוגים השונים של הפנים של המשתמש. לפיכך, הטכנולוגיה משמשת כשיטת זיהוי מדויקת ואמינה ביותר.

חומרה זו והחדשה יותר התומכת ב-AI יסללו את הדרך לאינטראקציות בטוחות יותר בין משתמש לטלפון חכם. למעשה, מפתחים מקבלים שכבה נוספת של הצפנה כדי להגן על נתוני המשתמש.

אין צורך בחיבור לאינטרנט

מלבד בעיות חביון, שליחת נתונים לענן לצורך עיבוד והסקת מסקנות דורשת חיבור אינטרנט טוב. לעתים קרובות, במיוחד במדינות מפותחות, אין צורך להתלונן על האינטרנט. אבל מה לעשות באזורים שבהם הקשר גרוע יותר? כאשר למידת מכונה מיושמת במכשירים, רשתות עצביות חיות בטלפונים עצמם. כך, המפתח יכול לפרוס את הטכנולוגיה בכל מכשיר ובכל מקום, ללא קשר לאיכות החיבור. בנוסף, גישה זו מובילה ל דמוקרטיזציה של יכולות ML.

שירותי בריאות הוא אחד מהענפים שיכולים להפיק תועלת במיוחד מלמידת מכונה במכשיר, שכן מפתחים יוכלו ליצור כלים הבודקים סימנים חיוניים או אפילו לספק ניתוח רובוטי ללא כל חיבור לאינטרנט. טכנולוגיה זו תהיה שימושית גם עבור סטודנטים שרוצים לגשת לחומרי הרצאות ללא חיבור לאינטרנט - למשל, בעודם נמצאים במנהרת תחבורה.

בסופו של דבר, למידת מכונה במכשירים תספק למפתחים את הכלים ליצור כלים שיועילו למשתמשים ברחבי העולם, ללא קשר למצב החיבור לאינטרנט שלהם. בהתחשב בעובדה שהכוח של סמארטפונים חדשים יהיה חזק לפחות כמו אלה הנוכחיים, המשתמשים ישכחו מבעיות עם עיכובים בעבודה עם האפליקציה במצב לא מקוון.

הפחתת עלויות עבור העסק שלך

למידת מכונה במכשירים יכולה גם לחסוך לך הון עתק בכך שלא תצטרך לשלם לקבלנים חיצוניים כדי ליישם ולתחזק רבים מהפתרונות. כפי שצוין לעיל, במקרים רבים אתה יכול להסתדר גם בלי הענן וגם בלי האינטרנט.

שירותי ענן ספציפיים ל-GPU ו-AI הם הפתרונות היקרים ביותר שניתן לרכוש. כשאתה מריץ דגמים במכשיר שלך, אתה לא צריך לשלם על כל האשכולות האלה, הודות לעובדה שיש היום יותר ויותר סמארטפונים מתקדמים המצוידים ב מעבדים נוירומורפיים (NPU).

על ידי הימנעות מהסיוט של עיבוד נתונים כבד שמתרחש בין המכשיר לענן, אתה חוסך עצום; לכן, משתלם מאוד ליישם פתרונות למידת מכונה במכשירים. בנוסף, אתה חוסך כסף מכיוון שדרישות רוחב הפס של האפליקציה שלך מופחתות באופן משמעותי.

המהנדסים עצמם גם חוסכים הרבה בתהליך הפיתוח, שכן הם לא צריכים להרכיב ולתחזק תשתית ענן נוספת. להיפך, אפשר להשיג יותר עם צוות קטן יותר. לפיכך, תכנון משאבי אנוש בצוותי פיתוח יעיל הרבה יותר.

מסקנה

ללא ספק, בשנות ה-2010, הענן הפך לברכה אמיתית, שפשט את עיבוד הנתונים. אבל הטכנולוגיה העילית מתפתחת בצורה אקספוננציאלית, ולמידת מכונה במכשירים עשויה להפוך בקרוב לסטנדרט דה פקטו לא רק בתחום הפיתוח למובייל, אלא גם באינטרנט של הדברים.

עם חביון מופחת, אבטחה משופרת, יכולות לא מקוונות ועלויות נמוכות יותר, אין זה מפתיע שהשחקנים הגדולים ביותר בפיתוח נייד מהמרים בגדול על הטכנולוגיה. מפתחי אפליקציות לנייד צריכים גם לבחון אותו מקרוב כדי להתעדכן בזמנים.

מקור: www.habr.com