Sugeng enjing, Habr!
Kita ora duwe apa-apa kanggo nambah judhul artikel ing pra-kabar - supaya kabeh wong langsung diundang menyang kucing. Waca lan komentar.
Profesional pangembangan seluler bakal entuk manfaat saka owah-owahan revolusioner sing ditawakake saiki. . Intine yaiku kepiye teknologi iki nambah aplikasi seluler, yaiku, nyedhiyakake tingkat penak anyar kanggo pangguna lan ngidini sampeyan nggunakake fitur sing kuat, contone, kanggo menehi rekomendasi sing paling akurat, , utawa langsung ndeteksi .
Perkembangan pembelajaran mesin seluler kanthi cepet iki minangka respon kanggo sawetara masalah umum sing kita alami ing pembelajaran mesin klasik. Nyatane, kabeh wis jelas. Ing mangsa ngarep, aplikasi seluler mbutuhake pangolahan data sing luwih cepet lan nyuda latensi luwih akeh.
Sampeyan bisa uga wis kepingin weruh apa sebabe , ora bisa mung mbukak inferensi ing mΓ©ga. Kaping pisanan, teknologi maya gumantung ing simpul tengah (bayangake pusat data gedhe kanthi panyimpenan data sing akeh lan daya komputasi gedhe). Pendekatan terpusat iki ora bisa nangani kecepatan pangolahan sing cukup kanggo nggawe pengalaman seluler sing lancar sing didhukung dening machine learning. Data kudu diproses kanthi pusat banjur dikirim maneh menyang piranti. Pendekatan iki mbutuhake wektu, dhuwit lan ora njamin privasi data kasebut dhewe.
Dadi, sawise njlentrehake keuntungan utama saka pembelajaran mesin seluler iki, ayo dipikirake kanthi luwih rinci kenapa revolusi pembelajaran mesin sing kedadeyan sadurunge mripat kita kudu dadi kapentingan kanggo sampeyan minangka pangembang seluler.
Ngurangi Latency
Pangembang app seluler ngerti yen tambah latensi bisa dadi tandha ireng kanggo program, ora ketompo carane apik fitur utawa carane biso dipercoyo merek. Sadurunge, ing piranti Android ana , amarga tampilan video lan audio asring dadi ora sinkron. Kajaba iku, klien media sosial kanthi latensi dhuwur bisa nggawe komunikasi minangka torture nyata kanggo pangguna.
Ngleksanakake machine learning ing piranti dadi tambah penting amarga masalah latensi kaya iki. Bayangake carane saringan gambar bisa digunakake kanggo jaringan sosial, utawa rekomendasi restoran adhedhasar geolokasi. Ing aplikasi kasebut, latensi kudu minimal supaya bisa ditindakake ing tingkat paling dhuwur.
Kaya sing kasebut ing ndhuwur, pangolahan awan kadhangkala bisa alon, lan pangembang pengin latensi cedhak karo nol supaya kemampuan mesin sinau aplikasi seluler bisa mlaku kanthi bener. Pembelajaran mesin ing piranti mbukak kemampuan pangolahan data sing bisa nyuda latensi nganti meh nol.
Produsen smartphone lan raksasa pasar teknologi wiwit ngerti babagan iki. Kanggo wektu sing suwe, Apple tetep dadi pimpinan ing industri iki, berkembang kanggo smartphone sing nggunakake sistem Bionic, sing ngetrapake Neural Engine, sing mbantu nyopir jaringan saraf langsung ing piranti kasebut, nalika entuk .
Apple uga terus ngembangake Core ML, platform pembelajaran mesin kanggo aplikasi seluler, langkah demi langkah; ing perpustakaan support ditambahakΓ© kanggo GPUs; Google terus nambah fitur sing wis dimuat menyang platform pembelajaran mesin ML Kit. Nggunakake teknologi kasebut, sampeyan bisa ngembangake aplikasi sing ngidini sampeyan ngolah data kanthi cepet, ngilangi wektu tundha lan nyuda jumlah kesalahan.
Kombinasi akurasi lan pengalaman pangguna sing lancar iki minangka metrik utama sing kudu ditimbang dening pangembang aplikasi seluler nalika nggabungake kemampuan machine learning menyang aplikasi. Lan kanggo njamin fungsi kasebut, dibutuhake .
Ngapikake keamanan lan privasi
Keuntungan gedhe liyane saka komputasi pinggiran sing ora bisa diremehake yaiku carane nambah keamanan lan privasi pangguna. Njamin keamanan lan privasi data ing aplikasi kasebut minangka bagean integral saka tugas pangembang, utamane kudu tundhuk karo GDPR (Peraturan Perlindungan Data Umum), undang-undang Eropa anyar, sing mesthi bakal mengaruhi praktik pangembangan seluler. .
Amarga data ora perlu dikirim ing hulu utawa menyang awan kanggo diproses, para penjahat cyber kurang bisa ngeksploitasi kerentanan sing digawe sajrone fase transfer; mulane, integritas data dijaga. Iki nggawe luwih gampang kanggo pangembang aplikasi seluler kanggo tundhuk karo peraturan keamanan data GDPR.
Pembelajaran mesin ing piranti uga mbisakake desentralisasi, kanthi cara sing padha karo blockchain. Ing tembung liya, luwih angel kanggo peretas ngluncurake serangan DDoS ing jaringan piranti sing didhelikake sing disambungake tinimbang nindakake serangan sing padha ing server pusat. Teknologi iki uga bisa migunani nalika nggarap drone lan kanggo ngawasi kepatuhan karo undang-undang.
Kripik smartphone saka Apple sing kasebut ing ndhuwur uga mbantu nambah keamanan lan privasi pangguna - contone, bisa dadi basis kanggo Face ID. Fitur iPhone iki didhukung dening jaringan syaraf sing dipasang ing piranti sing ngumpulake data saka kabeh perwakilan sing beda saka pasuryan pangguna. Mangkono, teknologi kasebut minangka cara identifikasi sing akurat lan dipercaya.
Iki lan hardware sing luwih anyar AI-aktif bakal mbukak dalan kanggo interaksi pangguna-smartphone sing luwih aman. Nyatane, pangembang entuk lapisan enkripsi tambahan kanggo nglindhungi data pangguna.
Ora ana sambungan internet sing dibutuhake
Masalah latensi, ngirim data menyang awan kanggo diproses lan nggawe kesimpulan mbutuhake sambungan internet sing apik. Asring, utamane ing negara maju, ora perlu sambat babagan Internet. Nanging apa sing kudu ditindakake ing wilayah sing sambungane luwih elek? Nalika machine learning dileksanakake ing piranti, jaringan saraf urip ing telpon dhewe. Mangkono, pangembang bisa masang teknologi ing piranti apa wae lan ing ngendi wae, preduli saka kualitas sambungan kasebut. Plus, pendekatan iki ndadΓ©kakΓ© kanggo .
minangka salah sawijining industri sing bisa entuk manfaat utamane saka sinau mesin ing piranti, amarga pangembang bakal bisa nggawe alat sing mriksa tandha-tandha vital utawa malah menehi operasi robot tanpa sambungan internet. Teknologi iki uga bakal migunani kanggo siswa sing pengin ngakses materi kuliah tanpa sambungan Internet - contone, nalika ana ing trowongan transportasi.
Pungkasane, machine learning ing piranti bakal menehi pangembang alat kanggo nggawe alat sing bakal nguntungake pangguna ing saindenging jagad, ora preduli saka kahanan sambungan Internet. Ngelingi manawa kekuwatan smartphone anyar bakal paling kuat kaya sing saiki, pangguna bakal lali babagan masalah telat nalika nggarap aplikasi offline.
Ngurangi biaya kanggo bisnis sampeyan
Learning machine ing piranti uga bisa ngirit sampeyan kanthi ora kudu mbayar kontraktor njaba kanggo ngetrapake lan njaga akeh solusi. Kaya sing kasebut ing ndhuwur, ing pirang-pirang kasus sampeyan bisa nindakake tanpa awan lan Internet.
Layanan awan khusus GPU lan AI minangka solusi paling larang sing bisa dituku. Nalika sampeyan mbukak model ing piranti sampeyan, sampeyan ora kudu mbayar kabeh kluster kasebut, amarga saiki ana smartphone sing luwih maju sing dilengkapi .
Kanthi nyingkiri ngipi elek pangolahan data abot sing kedadeyan ing antarane piranti lan awan, sampeyan bisa nyimpen akeh banget; Mula, entuk bathi banget kanggo ngetrapake solusi pembelajaran mesin ing piranti. Kajaba iku, sampeyan ngirit dhuwit amarga syarat bandwidth aplikasi sampeyan suda banget.
Insinyur kasebut uga ngirit akeh babagan proses pangembangan, amarga ora kudu ngumpul lan njaga infrastruktur awan tambahan. Kosok baline, bisa entuk luwih akeh kanthi tim sing luwih cilik. Dadi, perencanaan sumber daya manungsa ing tim pangembangan luwih efektif.
kesimpulan
Temtunipun, ing taun 2010-an, maya dadi anugerah nyata, nyederhanakake pangolahan data. Nanging teknologi dhuwur berkembang kanthi eksponensial, lan sinau mesin ing piranti bisa dadi standar de facto ora mung ing bidang pangembangan seluler, nanging uga ing Internet of Things.
Kanthi latensi suda, keamanan sing luwih apik, kemampuan offline, lan biaya sing luwih murah sakabèhé, ora nggumunake manawa para pemain paling gedhe ing pangembangan seluler taruhan gedhe ing teknologi kasebut. Pangembang aplikasi seluler uga kudu nliti kanthi tliti supaya bisa ngetutake jaman.
Source: www.habr.com