მანქანური სწავლება მობილურის განვითარებაში: პერსპექტივები და დეცენტრალიზაცია

დილა მშვიდობისა, ჰაბრ!

ჩვენს წინასწარ შეტყობინებაში სტატიის სათაურს დასამატებელი არაფერი გვაქვს - ამიტომ ყველას სასწრაფოდ ეპატიჟებიან კატასთან. წაიკითხეთ და დააკომენტარეთ.

მობილური განვითარების პროფესიონალები ისარგებლებენ იმ რევოლუციური ცვლილებებით, რომლებიც დღეს გვთავაზობს. მანქანური სწავლება მოწყობილობებზე. საქმე იმაშია, თუ რამდენად აძლიერებს ეს ტექნოლოგია ნებისმიერ მობილურ აპლიკაციას, კერძოდ, ის უზრუნველყოფს მომხმარებლის მოხერხებულობის ახალ დონეს და საშუალებას გაძლევთ აქტიურად გამოიყენოთ ძლიერი ფუნქციები, მაგალითად, ყველაზე ზუსტი რეკომენდაციების მიწოდებისთვის, გეოლოკაციაზე დაყრდნობით, ან მყისიერად აღმოაჩინე მცენარეთა დაავადებები.

მობილური მანქანათმცოდნეობის ეს სწრაფი განვითარება არის პასუხი უამრავ საერთო პრობლემაზე, რომლებიც განვიცდით კლასიკურ მანქანათმცოდნეობაში. სინამდვილეში, ყველაფერი აშკარაა. სამომავლოდ, მობილური აპლიკაციები საჭიროებს მონაცემთა უფრო სწრაფ დამუშავებას და შეყოვნების შემდგომ შემცირებას.

ალბათ უკვე გაინტერესებთ რატომ AI-ზე მომუშავე მობილური აპლიკაციები, უბრალოდ ღრუბელში დასკვნის გაკეთება შეუძლებელია. პირველ რიგში, ღრუბლოვანი ტექნოლოგიები დამოკიდებულია ცენტრალურ კვანძებზე (წარმოიდგინეთ უზარმაზარი მონაცემთა ცენტრი, როგორც ვრცელი მონაცემთა შენახვით, ასევე დიდი გამოთვლითი სიმძლავრით). ეს ცენტრალიზებული მიდგომა ვერ უმკლავდება დამუშავების სიჩქარეს, რომელიც საკმარისია მანქანური სწავლით უზრუნველყოფილი მობილური გამოცდილების შესაქმნელად. მონაცემები უნდა დამუშავდეს ცენტრალიზებულად და შემდეგ გადაეგზავნოს მოწყობილობებს. ეს მიდგომა მოითხოვს დროს, ფულს და არ იძლევა გარანტიას თავად მონაცემების კონფიდენციალურობის შესახებ.

მაშ ასე, როდესაც ავღნიშნეთ მობილური მანქანათმცოდნეობის ძირითადი უპირატესობები, მოდით უფრო დეტალურად განვიხილოთ, თუ რატომ უნდა იყოს დაინტერესებული პირადად თქვენთვის, როგორც მობილური დეველოპერისთვის, მანქანური სწავლების რევოლუცია, რომელიც ჩვენს თვალწინ ვითარდება.

შეამცირეთ ლატენტურობა

მობილური აპლიკაციების შემქმნელებმა იციან, რომ გაზრდილი შეყოვნება შეიძლება პროგრამისთვის შავი ლაქა იყოს, მიუხედავად მისი მახასიათებლებისა ან ბრენდის რეპუტაციისა. ადრე, მოწყობილობებზე Android დააკვირდა სერიოზული ჩამორჩენა ბევრ ვიდეო აპლიკაციაში, რის გამოც ვიდეო და აუდიო ყურება ხშირად სინქრონიზებული აღმოჩნდა. ანალოგიურად, სოციალური მედიის კლიენტს მაღალი ლატენტურობით შეუძლია კომუნიკაცია მომხმარებლისთვის ნამდვილ წამებად აქციოს.

მოწყობილობაზე მანქანური სწავლების დანერგვა სულ უფრო მნიშვნელოვანი ხდება სწორედ მსგავსი შეყოვნების პრობლემების გამო. წარმოიდგინეთ, როგორ მუშაობს გამოსახულების ფილტრები სოციალური ქსელებისთვის, ან რესტორნის რეკომენდაციები გეოლოკაციის მიხედვით. ასეთ აპლიკაციებში, შეყოვნება უნდა იყოს მინიმალური, რომ ის შესრულდეს უმაღლეს დონეზე.

როგორც ზემოთ აღინიშნა, ღრუბლოვანი დამუშავება ზოგჯერ შეიძლება იყოს ნელი და დეველოპერს სურს, რომ შეყოვნება იყოს ნულთან ახლოს, რათა მობილური აპლიკაციის მანქანური სწავლის შესაძლებლობები გამართულად იმუშაოს. მოწყობილობებზე მანქანური სწავლება ხსნის მონაცემთა დამუშავების შესაძლებლობებს, რამაც შეიძლება მართლაც შეამციროს შეყოვნება თითქმის ნულამდე.

სმარტფონების მწარმოებლები და ტექნიკური ბაზრის გიგანტები თანდათან იწყებენ ამის გაცნობიერებას. დიდი ხნის განმავლობაში, Apple რჩებოდა ლიდერი ამ ინდუსტრიაში, ვითარდებოდა უფრო და უფრო მოწინავე ჩიპები სმარტფონებისთვის, თავისი Bionic სისტემის გამოყენებით, რომელიც ახორციელებს ნერვულ ძრავას, რომელიც ეხმარება ნერვული ქსელების მართვას პირდაპირ მოწყობილობაზე, მიღწევის დროს წარმოუდგენელი სიჩქარეები.

Apple ასევე აგრძელებს Core ML-ის განვითარებას, მისი მანქანური სწავლების პლატფორმა მობილური აპლიკაციებისთვის, ეტაპობრივად; ბიბლიოთეკაში TensorFlow Lite დამატებული მხარდაჭერა GPU-ებისთვის; Google აგრძელებს წინასწარ ჩატვირთული ფუნქციების დამატებას მანქანათმცოდნეობის პლატფორმაზე ML Kit. ამ ტექნოლოგიების გამოყენებით შეგიძლიათ განავითაროთ აპლიკაციები, რომლებიც საშუალებას მოგცემთ დაამუშავოთ მონაცემები ელვის სისწრაფით, აღმოფხვრათ შეფერხებები და შეამციროთ შეცდომების რაოდენობა.

სიზუსტისა და მომხმარებლის უწყვეტი გამოცდილების ეს კომბინაცია არის ძირითადი მეტრიკა, რომელიც მობილური აპლიკაციების დეველოპერებმა უნდა გაითვალისწინონ მანქანური სწავლის შესაძლებლობების აპლიკაციებში ჩართვისას. და ასეთი ფუნქციონირების გარანტიისთვის, საჭიროა გადაიტანეთ მანქანური სწავლება მოწყობილობებზე.

გაუმჯობესებული უსაფრთხოება და კონფიდენციალურობა

Edge Computing-ის კიდევ ერთი უზარმაზარი უპირატესობა, რომელიც არ შეიძლება გადაჭარბებული იყოს, არის ის, თუ რამდენად აუმჯობესებს ის მომხმარებლის უსაფრთხოებას და კონფიდენციალურობას. აპლიკაციის მონაცემების უსაფრთხოებისა და კონფიდენციალურობის გარანტია დეველოპერის ამოცანების განუყოფელი ნაწილია, განსაკუთრებით GDPR-ის (მონაცემთა დაცვის ზოგადი რეგულაცია), ახალი ევროპული კანონების დაცვის აუცილებლობის გათვალისწინებით, რაც უდავოდ იმოქმედებს მობილურის განვითარების პრაქტიკაზე. .

იმის გამო, რომ მონაცემები არ არის საჭირო გადასამუშავებლად ზემოთ ან ღრუბელში გაგზავნა, კიბერკრიმინალებს ნაკლებად შეუძლიათ გამოიყენონ ნებისმიერი დაუცველობა, რომელიც შეიქმნა გადაცემის ფაზაში; შესაბამისად, მონაცემთა მთლიანობა შენარჩუნებულია. ეს უადვილებს მობილური აპლიკაციების დეველოპერებს GDPR მონაცემთა უსაფრთხოების რეგულაციების დაცვას.

მოწყობილობებზე მანქანური სწავლება ასევე იძლევა დეცენტრალიზაციას, ისევე როგორც ბლოკჩეინი. სხვა სიტყვებით რომ ვთქვათ, ჰაკერებისთვის უფრო რთულია DDoS შეტევა ფარული მოწყობილობების დაკავშირებულ ქსელზე, ვიდრე იგივე თავდასხმა ცენტრალურ სერვერზე. ეს ტექნოლოგია ასევე შეიძლება სასარგებლო იყოს თვითმფრინავებთან მუშაობისას და კანონმდებლობასთან შესაბამისობის მონიტორინგისთვის.

ზემოხსენებული Apple-ის სმარტფონის ჩიპები ასევე ხელს უწყობს მომხმარებლის უსაფრთხოებისა და კონფიდენციალურობის გაუმჯობესებას - მაგალითად, ისინი შეიძლება გამოყენებულ იქნას, როგორც Face ID-ის საფუძველი. ეს ფუნქცია iPhone ის მოწყობილობებზე განლაგებულ ნეირონულ ქსელზე მუშაობს და აგროვებს მონაცემებს მომხმარებლის სახის ყველა სხვადასხვა წარმოდგენის შესახებ. ეს ტექნოლოგიას განსაკუთრებით ზუსტ და საიმედო იდენტიფიკაციის მეთოდად აქცევს.

ეს და AI-ზე მხარდაჭერილი ახალი აპარატურა გზას გაუხსნის მომხმარებლისა და სმარტფონის უსაფრთხო ურთიერთქმედებას. სინამდვილეში, დეველოპერები იღებენ დაშიფვრის დამატებით ფენას მომხმარებლის მონაცემების დასაცავად.

არ არის საჭირო ინტერნეტ კავშირი

ლატენტური საკითხების გარდა, მონაცემთა ღრუბელში გაგზავნა დასამუშავებლად და დასკვნების გამოსატანად მოითხოვს კარგ ინტერნეტ კავშირს. ხშირად, განსაკუთრებით განვითარებულ ქვეყნებში, არ არის საჭირო ინტერნეტზე პრეტენზია. მაგრამ რა უნდა გააკეთოს იმ ადგილებში, სადაც კავშირი უარესია? როდესაც მანქანური სწავლება ხორციელდება მოწყობილობებზე, ნერვული ქსელები თავად ტელეფონებზე ცხოვრობენ. ამრიგად, დეველოპერს შეუძლია განათავსოს ტექნოლოგია ნებისმიერ მოწყობილობაზე და ნებისმიერ ადგილას, მიუხედავად კავშირის ხარისხისა. გარდა ამისა, ეს მიდგომა იწვევს ML შესაძლებლობების დემოკრატიზაცია.

ჯანდაცვა არის ერთ-ერთი ინდუსტრია, რომელსაც შეუძლია განსაკუთრებით ისარგებლოს მოწყობილობაზე მანქანური სწავლით, რადგან დეველოპერებს შეეძლებათ შექმნან ინსტრუმენტები, რომლებიც ამოწმებენ სასიცოცხლო მნიშვნელობებს ან თუნდაც უზრუნველყოფენ რობოტულ ოპერაციას ინტერნეტის გარეშე. ეს ტექნოლოგია ასევე სასარგებლო იქნება სტუდენტებისთვის, რომლებსაც სურთ სალექციო მასალებზე წვდომა ინტერნეტის გარეშე - მაგალითად, სატრანსპორტო გვირაბში ყოფნისას.

საბოლოო ჯამში, მოწყობილობებზე მანქანური სწავლება დეველოპერებს მისცემს ინსტრუმენტებს, რათა შექმნან ინსტრუმენტები, რომლებიც სარგებელს მოუტანს მომხმარებლებს მთელს მსოფლიოში, მიუხედავად მათი ინტერნეტ კავშირის მდგომარეობისა. იმის გათვალისწინებით, რომ ახალი სმარტფონების სიმძლავრე იქნება მინიმუმ ისეთივე ძლიერი, როგორც ახლანდელი, მომხმარებლები დაივიწყებენ შეფერხების პრობლემებს ოფლაინ აპლიკაციასთან მუშაობისას.

ხარჯების შემცირება თქვენი ბიზნესისთვის

მოწყობილობებზე მანქანური სწავლება ასევე დაზოგავს თქვენს ქონებას იმით, რომ არ უნდა გადაიხადოთ გარე კონტრაქტორები მრავალი გადაწყვეტის განსახორციელებლად და შესანარჩუნებლად. როგორც ზემოთ აღინიშნა, ხშირ შემთხვევაში შეგიძლიათ გააკეთოთ როგორც ღრუბლის, ისე ინტერნეტის გარეშე.

GPU და AI-ს სპეციფიკური ღრუბლოვანი სერვისები არის ყველაზე ძვირადღირებული გადაწყვეტილებები, რომელთა შეძენაც შესაძლებელია. როდესაც თქვენ აწარმოებთ მოდელებს თქვენს მოწყობილობაზე, თქვენ არ გჭირდებათ გადაიხადოთ ყველა ამ კლასტერში, იმის წყალობით, რომ დღეს არის უფრო და უფრო მოწინავე სმარტფონები, რომლებიც აღჭურვილია ნეირომორფული პროცესორები (NPU).

მოწყობილობასა და ღრუბელს შორის წარმოქმნილი მძიმე მონაცემთა დამუშავების კოშმარის თავიდან აცილებით, თქვენ დაზოგავთ უზარმაზარ რაოდენობას; ამიტომ, ძალიან მომგებიანია მანქანური სწავლების გადაწყვეტილებების დანერგვა მოწყობილობებზე. გარდა ამისა, თქვენ დაზოგავთ ფულს, რადგან თქვენი აპლიკაციის გამტარუნარიანობის მოთხოვნები მნიშვნელოვნად შემცირებულია.

თავად ინჟინრები ასევე ბევრს ზოგავენ განვითარების პროცესზე, რადგან მათ არ უწევთ დამატებითი ღრუბლოვანი ინფრასტრუქტურის შეკრება და შენარჩუნება. პირიქით, მცირე გუნდით მეტის მიღწევაა შესაძლებელი. ამრიგად, განვითარების გუნდებში ადამიანური რესურსების დაგეგმვა გაცილებით ეფექტურია.

დასკვნა

ეჭვგარეშეა, 2010-იან წლებში ღრუბელი გახდა ნამდვილი სიკეთე, რამაც გაამარტივა მონაცემთა დამუშავება. მაგრამ მაღალი ტექნოლოგია ექსპონენტურად ვითარდება და მანქანური სწავლება მოწყობილობებზე შესაძლოა მალე გახდეს დე ფაქტო სტანდარტი არა მხოლოდ მობილურის განვითარების სფეროში, არამედ ნივთების ინტერნეტშიც.

შემცირებული შეყოვნებით, გაუმჯობესებული უსაფრთხოებით, ოფლაინ შესაძლებლობებით და მთლიანი დაბალი ხარჯებით, გასაკვირი არ არის, რომ მობილური განვითარების უმსხვილესი მოთამაშეები დიდ ფსონებს დებენ ტექნოლოგიაზე. მობილური აპლიკაციების დეველოპერებმა ასევე უნდა დაათვალიერონ ის უფრო ახლოს, რათა არ დაიცვან დრო.

წყარო: www.habr.com