ການຮຽນຮູ້ເຄື່ອງຈັກໃນການພັດທະນາມືຖື: ຄວາມສົດໃສດ້ານແລະການກະຈາຍອໍານາດ

ສະບາຍດີຕອນເຊົ້າ, Habr!

ພວກເຮົາບໍ່ມີຫຍັງທີ່ຈະເພີ່ມຫົວຂໍ້ຂອງບົດຄວາມໃນແຈ້ງການລ່ວງຫນ້າຂອງພວກເຮົາ - ສະນັ້ນທຸກຄົນໄດ້ຖືກເຊື້ອເຊີນທັນທີທັນໃດ cat ໄດ້. ອ່ານແລະສະແດງຄວາມຄິດເຫັນ.

ຜູ້ຊ່ຽວຊານດ້ານການພັດທະນາໂທລະສັບມືຖືຈະໄດ້ຮັບຜົນປະໂຫຍດຈາກການປະຕິວັດທີ່ມີການປ່ຽນແປງໃນມື້ນີ້. ການຮຽນຮູ້ເຄື່ອງຈັກໃນອຸປະກອນ. ຈຸດແມ່ນວ່າເຕັກໂນໂລຢີນີ້ປັບປຸງຄໍາຮ້ອງສະຫມັກມືຖືຫຼາຍປານໃດ, ຄື, ມັນສະຫນອງຄວາມສະດວກສະບາຍໃນລະດັບໃຫມ່ສໍາລັບຜູ້ໃຊ້ແລະອະນຸຍາດໃຫ້ທ່ານໃຊ້ຄຸນສົມບັດທີ່ມີປະສິດທິພາບຢ່າງຈິງຈັງ, ສໍາລັບການຍົກຕົວຢ່າງ, ໃຫ້ຄໍາແນະນໍາທີ່ຖືກຕ້ອງທີ່ສຸດ, ອີງ​ຕາມ​ການ​ຕັ້ງ​ພູມ​ສາດ​, ຫຼືກວດພົບທັນທີ ພະຍາດພືດ.

ການພັດທະນາຢ່າງໄວວາຂອງການຮຽນຮູ້ເຄື່ອງຈັກມືຖືນີ້ແມ່ນການຕອບສະຫນອງຕໍ່ບັນຫາທົ່ວໄປຈໍານວນຫນຶ່ງທີ່ພວກເຮົາໄດ້ຮັບຄວາມເສຍຫາຍຈາກການຮຽນຮູ້ເຄື່ອງຈັກຄລາສສິກ. ໃນຄວາມເປັນຈິງ, ທຸກສິ່ງທຸກຢ່າງແມ່ນຈະແຈ້ງ. ໃນອະນາຄົດ, ແອັບພລິເຄຊັນມືຖືຕ້ອງການການປະມວນຜົນຂໍ້ມູນໄວຂຶ້ນ ແລະການຫຼຸດຜ່ອນເວລາແພັກເກັດຕື່ມ.

ເຈົ້າອາດຈະສົງໄສແລ້ວວ່າເປັນຫຍັງ ແອັບມືຖືທີ່ໃຊ້ AI, ບໍ່ສາມາດພຽງແຕ່ດໍາເນີນການ inference ໃນຟັງໄດ້. ຫນ້າທໍາອິດ, ເຕັກໂນໂລຊີຟັງແມ່ນຂຶ້ນກັບ nodes ສູນກາງ (ຈິນຕະນາການສູນຂໍ້ມູນຂະຫນາດໃຫຍ່ທີ່ມີທັງການເກັບຮັກສາຂໍ້ມູນຢ່າງກວ້າງຂວາງແລະພະລັງງານຄອມພິວເຕີຂະຫນາດໃຫຍ່). ວິທີການທີ່ເປັນສູນກາງນີ້ບໍ່ສາມາດຈັດການຄວາມໄວການປຸງແຕ່ງທີ່ພຽງພໍເພື່ອສ້າງປະສົບການໂທລະສັບມືຖືທີ່ລຽບງ່າຍໂດຍການຮຽນຮູ້ເຄື່ອງຈັກ. ຂໍ້ມູນຕ້ອງໄດ້ຮັບການປະມວນຜົນຈາກສູນກາງແລະຫຼັງຈາກນັ້ນສົ່ງກັບຄືນໄປບ່ອນອຸປະກອນ. ວິທີການນີ້ຕ້ອງການເວລາ, ເງິນແລະບໍ່ຮັບປະກັນຄວາມເປັນສ່ວນຕົວຂອງຂໍ້ມູນຂອງມັນເອງ.

ດັ່ງນັ້ນ, ໂດຍໄດ້ອະທິບາຍເຖິງຜົນປະໂຫຍດທີ່ສໍາຄັນເຫຼົ່ານີ້ຂອງການຮຽນຮູ້ເຄື່ອງຈັກໃນມືຖື, ໃຫ້ພວກເຮົາພິຈາລະນາຢ່າງໃກ້ຊິດວ່າເປັນຫຍັງການປະຕິວັດການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ເປີດເຜີຍກ່ອນທີ່ຕາຂອງພວກເຮົາຄວນຈະມີຄວາມສົນໃຈກັບທ່ານສ່ວນບຸກຄົນທີ່ເປັນນັກພັດທະນາມືຖື.

ຫຼຸດການຕອບສະໜອງ

ນັກພັດທະນາແອັບຯມືຖືຮູ້ວ່າການເພີ່ມເວລາ latency ສາມາດເປັນເຄື່ອງຫມາຍສີດໍາສໍາລັບໂຄງການ, ບໍ່ວ່າຄຸນສົມບັດຂອງມັນຈະດີຫຼືຍີ່ຫໍ້ທີ່ມີຊື່ສຽງແນວໃດ. ກ່ອນຫນ້ານີ້, ໃນອຸປະກອນ Android ມີ lag ຮ້າຍແຮງໃນຫຼາຍຄໍາຮ້ອງສະຫມັກວິດີໂອ, ເນື່ອງຈາກການເບິ່ງວິດີໂອ ແລະສຽງມັກຈະບໍ່ຖືກຊິງຄ໌. ເຊັ່ນດຽວກັນ, ລູກຄ້າສື່ມວນຊົນສັງຄົມທີ່ມີ latency ສູງສາມາດເຮັດໃຫ້ການສື່ສານເປັນການທໍລະມານທີ່ແທ້ຈິງສໍາລັບຜູ້ໃຊ້.

ການປະຕິບັດການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນອຸປະກອນກໍາລັງກາຍເປັນສິ່ງສໍາຄັນຫຼາຍຂຶ້ນຢ່າງແນ່ນອນເນື່ອງຈາກບັນຫາການລ່າສັດເຊັ່ນນີ້. ຈິນຕະນາການວິທີການກອງຮູບພາບເຮັດວຽກສໍາລັບເຄືອຂ່າຍສັງຄົມ, ຫຼືຄໍາແນະນໍາຮ້ານອາຫານໂດຍອີງໃສ່ພູມສັນຖານ. ໃນຄໍາຮ້ອງສະຫມັກດັ່ງກ່າວ, latency ຕ້ອງມີຫນ້ອຍທີ່ສຸດເພື່ອໃຫ້ມັນປະຕິບັດໃນລະດັບສູງສຸດ.

ດັ່ງທີ່ໄດ້ກ່າວມາຂ້າງເທິງ, ການປະມວນຜົນຄລາວບາງຄັ້ງອາດຈະຊ້າ, ແລະຜູ້ພັດທະນາຕ້ອງການໃຫ້ເວລາ latency ຢູ່ໃກ້ກັບສູນເພື່ອໃຫ້ຄວາມສາມາດການຮຽນຮູ້ເຄື່ອງຈັກຂອງແອັບຯມືຖືເຮັດວຽກຢ່າງຖືກຕ້ອງ. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນອຸປະກອນເປີດຄວາມສາມາດໃນການປະມວນຜົນຂໍ້ມູນທີ່ສາມາດຫຼຸດຜ່ອນການແຝງເວລາໄດ້ຢ່າງແທ້ຈິງເຖິງເກືອບສູນ.

ຜູ້ຜະລິດໂທລະສັບສະຫຼາດແລະຍັກໃຫຍ່ຕະຫຼາດເຕັກໂນໂລຢີແມ່ນຄ່ອຍໆເລີ່ມຮັບຮູ້ເລື່ອງນີ້. ສໍາລັບເວລາດົນນານ, Apple ຍັງຄົງເປັນຜູ້ນໍາໃນອຸດສາຫະກໍານີ້, ພັດທະນາ chip ກ້າວຫນ້າທາງດ້ານຫຼາຍແລະຫຼາຍ ສໍາ​ລັບ​ໂທລະ​ສັບ​ສະ​ຫຼາດ​ການ​ນໍາ​ໃຊ້​ລະ​ບົບ Bionic ຂອງ​ຕົນ​, ເຊິ່ງ​ປະ​ຕິ​ບັດ Neural Engine​, ທີ່​ຊ່ວຍ​ໃຫ້​ການ​ຂັບ​ເຄື່ອນ​ເຄືອ​ຂ່າຍ neural ໂດຍ​ກົງ​ໃນ​ອຸ​ປະ​ກອນ​, ໃນ​ຂະ​ນະ​ທີ່​ບັນ​ລຸ​ໄດ້​. ຄວາມໄວທີ່ບໍ່ຫນ້າເຊື່ອ.

Apple ຍັງຈະສືບຕໍ່ພັດທະນາ Core ML, ເວທີການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບແອັບຯມືຖື, ຂັ້ນຕອນໂດຍຂັ້ນຕອນ; ໃນ​ຫ້ອງ​ສະ​ຫມຸດ​ TensorFlow Lite ເພີ່ມການສະຫນັບສະຫນູນສໍາລັບ GPUs; Google ສືບຕໍ່ເພີ່ມຄຸນສົມບັດທີ່ໂຫລດໄວ້ລ່ວງໜ້າໃຫ້ກັບແພລດຟອມການຮຽນຮູ້ເຄື່ອງຈັກ ML Kit. ການນໍາໃຊ້ເທກໂນໂລຍີເຫຼົ່ານີ້, ທ່ານສາມາດພັດທະນາຄໍາຮ້ອງສະຫມັກທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດປະມວນຜົນຂໍ້ມູນດ້ວຍຄວາມໄວຂອງຟ້າຜ່າ, ລົບລ້າງຄວາມລ່າຊ້າແລະຫຼຸດຜ່ອນຈໍານວນຂໍ້ຜິດພາດ.

ການປະສົມປະສານຂອງຄວາມຖືກຕ້ອງແລະປະສົບການຂອງຜູ້ໃຊ້ທີ່ບໍ່ມີຮອຍຕໍ່ນີ້ແມ່ນຕົວຊີ້ບອກທີ່ສໍາຄັນທີ່ຜູ້ພັດທະນາແອັບຯມືຖືຕ້ອງພິຈາລະນາເມື່ອນໍາສະເຫນີຄວາມສາມາດໃນການຮຽນຮູ້ເຄື່ອງຈັກເຂົ້າໄປໃນແອັບຯຂອງພວກເຂົາ. ແລະເພື່ອຮັບປະກັນການເຮັດວຽກດັ່ງກ່າວ, ມັນຈໍາເປັນຕ້ອງມີ ເອົາການຮຽນຮູ້ເຄື່ອງຈັກໄປຫາອຸປະກອນ.

ປັບປຸງຄວາມປອດໄພ ແລະຄວາມເປັນສ່ວນຕົວ

ຜົນປະໂຫຍດອັນໃຫຍ່ຫຼວງອີກອັນຫນຶ່ງຂອງຄອມພິວເຕີ້ຂອບທີ່ບໍ່ສາມາດເວົ້າເກີນແມ່ນວ່າມັນປັບປຸງຄວາມປອດໄພຂອງຜູ້ໃຊ້ແລະຄວາມເປັນສ່ວນຕົວຫຼາຍປານໃດ. ການຮັບປະກັນຄວາມປອດໄພແລະຄວາມເປັນສ່ວນຕົວຂອງຂໍ້ມູນໃນແອັບພລິເຄຊັນແມ່ນສ່ວນຫນຶ່ງທີ່ສໍາຄັນຂອງວຽກງານຂອງນັກພັດທະນາ, ໂດຍສະເພາະການຄໍານຶງເຖິງຄວາມຕ້ອງການທີ່ຈະປະຕິບັດຕາມ GDPR (ກົດລະບຽບການປົກປ້ອງຂໍ້ມູນທົ່ວໄປ), ກົດຫມາຍເອີຣົບໃຫມ່, ເຊິ່ງແນ່ນອນວ່າຈະສົ່ງຜົນກະທົບຕໍ່ການປະຕິບັດຂອງການພັດທະນາມືຖື. .

ເນື່ອງຈາກວ່າຂໍ້ມູນບໍ່ຈໍາເປັນຕ້ອງຖືກສົ່ງຂຶ້ນນ້ໍາຫຼືໄປຟັງສໍາລັບການປະມວນຜົນ, cybercriminals ຫນ້ອຍສາມາດຂຸດຄົ້ນຊ່ອງຫວ່າງໃດໆທີ່ສ້າງຂຶ້ນໃນໄລຍະການໂອນ; ດັ່ງນັ້ນ, ຄວາມສົມບູນຂອງຂໍ້ມູນຖືກຮັກສາໄວ້. ນີ້ເຮັດໃຫ້ມັນງ່າຍຂຶ້ນສໍາລັບນັກພັດທະນາແອັບຯມືຖືທີ່ຈະປະຕິບັດຕາມກົດລະບຽບຄວາມປອດໄພຂໍ້ມູນ GDPR.

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນອຸປະກອນຍັງເຮັດໃຫ້ການກະຈາຍອໍານາດ, ມີຫຼາຍວິທີດຽວກັນກັບ blockchain. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ມັນມີຄວາມຫຍຸ້ງຍາກຫຼາຍສໍາລັບພວກແຮກເກີທີ່ຈະທໍາການໂຈມຕີ DDoS ໃນເຄືອຂ່າຍເຊື່ອມຕໍ່ຂອງອຸປະກອນທີ່ເຊື່ອງໄວ້ຫຼາຍກ່ວາການປະຕິບັດການໂຈມຕີດຽວກັນກັບເຄື່ອງແມ່ຂ່າຍກາງ. ເທກໂນໂລຍີນີ້ຍັງສາມາດເປັນປະໂຫຍດໃນເວລາທີ່ເຮັດວຽກກັບ drones ແລະສໍາລັບການຕິດຕາມການປະຕິບັດຕາມກົດຫມາຍ.

ຊິບໂທລະສັບສະຫຼາດທີ່ໄດ້ກ່າວມາຂ້າງເທິງຈາກ Apple ຍັງຊ່ວຍປັບປຸງຄວາມປອດໄພຂອງຜູ້ໃຊ້ແລະຄວາມເປັນສ່ວນຕົວ - ຕົວຢ່າງ, ພວກເຂົາສາມາດເປັນພື້ນຖານສໍາລັບ Face ID. ຄຸນສົມບັດຂອງ iPhone ນີ້ແມ່ນຂັບເຄື່ອນໂດຍເຄືອຂ່າຍ neural ທີ່ໃຊ້ໃນອຸປະກອນທີ່ເກັບກໍາຂໍ້ມູນຈາກທຸກຕົວແທນທີ່ແຕກຕ່າງກັນຂອງໃບຫນ້າຂອງຜູ້ໃຊ້. ດັ່ງນັ້ນ, ເຕັກໂນໂລຢີຈຶ່ງເປັນວິທີການກໍານົດທີ່ຖືກຕ້ອງແລະເຊື່ອຖືໄດ້.

ຮາດແວທີ່ເປີດໃຫ້ໃຊ້ AI ແລະໃໝ່ກວ່າເຫຼົ່ານີ້ຈະເປີດທາງໃຫ້ແກ່ການໂຕ້ຕອບຜູ້ໃຊ້ກັບໂທລະສັບສະຫຼາດທີ່ປອດໄພກວ່າ. ໃນຄວາມເປັນຈິງ, ນັກພັດທະນາໄດ້ຮັບຊັ້ນເພີ່ມເຕີມຂອງການເຂົ້າລະຫັດເພື່ອປົກປ້ອງຂໍ້ມູນຜູ້ໃຊ້.

ບໍ່ຈໍາເປັນຕ້ອງເຊື່ອມຕໍ່ອິນເຕີເນັດ

Latency ບັນຫາຫລີກໄປທາງຫນຶ່ງ, ການສົ່ງຂໍ້ມູນໄປຍັງຄລາວສໍາລັບການປະມວນຜົນແລະການແຕ້ມບົດສະຫຼຸບຮຽກຮ້ອງໃຫ້ມີການເຊື່ອມຕໍ່ອິນເຕີເນັດທີ່ດີ. ເລື້ອຍໆ, ໂດຍສະເພາະໃນປະເທດທີ່ພັດທະນາແລ້ວ, ບໍ່ຈໍາເປັນຕ້ອງຈົ່ມກ່ຽວກັບອິນເຕີເນັດ. ແຕ່ສິ່ງທີ່ຕ້ອງເຮັດໃນຂົງເຂດທີ່ການເຊື່ອມຕໍ່ຮ້າຍແຮງກວ່າເກົ່າ? ເມື່ອການຮຽນຮູ້ຂອງເຄື່ອງຈັກຖືກປະຕິບັດຢູ່ໃນອຸປະກອນ, ເຄືອຂ່າຍ neural ດໍາລົງຊີວິດຢູ່ໃນໂທລະສັບຂອງຕົນເອງ. ດັ່ງນັ້ນ, ນັກພັດທະນາສາມາດປະຕິບັດເຕັກໂນໂລຢີໃນອຸປະກອນໃດກໍ່ຕາມແລະທຸກບ່ອນ, ໂດຍບໍ່ຄໍານຶງເຖິງຄຸນນະພາບຂອງການເຊື່ອມຕໍ່. ນອກຈາກນັ້ນ, ວິທີການນີ້ນໍາໄປສູ່ການ democratizing ຄວາມ​ສາ​ມາດ ML​.

ສຸຂະພາບ ແມ່ນຫນຶ່ງໃນອຸດສາຫະກໍາທີ່ສາມາດໄດ້ຮັບຜົນປະໂຫຍດໂດຍສະເພາະຈາກການຮຽນຮູ້ເຄື່ອງຈັກໃນອຸປະກອນ, ຍ້ອນວ່ານັກພັດທະນາຈະສາມາດສ້າງເຄື່ອງມືທີ່ກວດສອບອາການທີ່ສໍາຄັນຫຼືແມ້ກະທັ້ງໃຫ້ການຜ່າຕັດຫຸ່ນຍົນໂດຍບໍ່ມີການເຊື່ອມຕໍ່ອິນເຕີເນັດ. ເທກໂນໂລຍີນີ້ຍັງຈະເປັນປະໂຫຍດສໍາລັບນັກຮຽນທີ່ຕ້ອງການເຂົ້າເຖິງອຸປະກອນການບັນຍາຍໂດຍບໍ່ມີການເຊື່ອມຕໍ່ອິນເຕີເນັດ - ຕົວຢ່າງ, ໃນຂະນະທີ່ຢູ່ໃນອຸໂມງການຂົນສົ່ງ.

ໃນທີ່ສຸດ, ການຮຽນຮູ້ເຄື່ອງຈັກໃນອຸປະກອນຕ່າງໆຈະໃຫ້ນັກພັດທະນາມີເຄື່ອງມືເພື່ອສ້າງເຄື່ອງມືທີ່ມີປະໂຫຍດຕໍ່ຜູ້ໃຊ້ທົ່ວໂລກ, ໂດຍບໍ່ຄໍານຶງເຖິງສະຖານະການເຊື່ອມຕໍ່ອິນເຕີເນັດຂອງພວກເຂົາ. ພິຈາລະນາວ່າພະລັງງານຂອງໂທລະສັບສະຫຼາດໃຫມ່ຈະມີອໍານາດຢ່າງຫນ້ອຍເທົ່າກັບປະຈຸບັນ, ຜູ້ໃຊ້ຈະລືມກ່ຽວກັບບັນຫາກ່ຽວກັບການຊັກຊ້າໃນເວລາທີ່ເຮັດວຽກກັບແອັບພລິເຄຊັນອອບໄລນ໌.

ການຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍສໍາລັບທຸລະກິດຂອງທ່ານ

ການຮຽນຮູ້ເຄື່ອງຈັກໃນອຸປະກອນຍັງສາມາດປະຫຍັດເງິນໃຫ້ທ່ານໄດ້ໂດຍການບໍ່ຕ້ອງຈ່າຍເງິນໃຫ້ກັບຜູ້ຮັບເຫມົາພາຍນອກເພື່ອປະຕິບັດແລະຮັກສາວິທີແກ້ໄຂຫຼາຍຢ່າງ. ດັ່ງທີ່ໄດ້ກ່າວມາຂ້າງເທິງ, ໃນຫຼາຍໆກໍລະນີທີ່ທ່ານສາມາດເຮັດໄດ້ໂດຍບໍ່ມີທັງຟັງແລະອິນເຕີເນັດ.

GPU ແລະບໍລິການຟັງສະເພາະ AI ແມ່ນການແກ້ໄຂລາຄາແພງທີ່ສຸດທີ່ສາມາດຊື້ໄດ້. ເມື່ອທ່ານໃຊ້ແບບຈໍາລອງໃນອຸປະກອນຂອງທ່ານ, ທ່ານບໍ່ຈໍາເປັນຕ້ອງຈ່າຍຄ່າສໍາລັບກຸ່ມທັງຫມົດເຫຼົ່ານີ້, ຍ້ອນຄວາມຈິງທີ່ວ່າໃນມື້ນີ້ມີໂທລະສັບສະຫຼາດທີ່ກ້າວຫນ້າທາງດ້ານຫຼາຍແລະຫຼາຍ. ໂປເຊດເຊີ neuromorphic (NPU).

ໂດຍການຫຼີກເວັ້ນການຝັນຮ້າຍຂອງການປະມວນຜົນຂໍ້ມູນຢ່າງຮຸນແຮງທີ່ເກີດຂື້ນລະຫວ່າງອຸປະກອນແລະເມຄ, ທ່ານປະຫຍັດຢ່າງມະຫາສານ; ດັ່ງນັ້ນ, ມັນມີຜົນກໍາໄລຫຼາຍທີ່ຈະປະຕິບັດການແກ້ໄຂການຮຽນຮູ້ເຄື່ອງຈັກໃນອຸປະກອນຕ່າງໆ. ນອກຈາກນັ້ນ, ທ່ານປະຫຍັດເງິນເພາະວ່າຄວາມຕ້ອງການແບນວິດຂອງແອັບພລິເຄຊັນຂອງທ່ານຫຼຸດລົງຢ່າງຫຼວງຫຼາຍ.

ວິສະວະກອນເອງຍັງປະຫຍັດຫຼາຍໃນຂະບວນການພັດທະນາ, ເພາະວ່າພວກເຂົາບໍ່ຈໍາເປັນຕ້ອງປະກອບແລະຮັກສາໂຄງສ້າງພື້ນຖານຂອງຟັງເພີ່ມເຕີມ. ໃນທາງກົງກັນຂ້າມ, ມັນເປັນໄປໄດ້ທີ່ຈະບັນລຸໄດ້ຫຼາຍຂຶ້ນກັບທີມງານຂະຫນາດນ້ອຍກວ່າ. ດັ່ງນັ້ນ, ການວາງແຜນຊັບພະຍາກອນມະນຸດໃນທີມພັດທະນາແມ່ນມີປະສິດທິພາບຫຼາຍຂຶ້ນ.

ສະຫລຸບ

ບໍ່ຕ້ອງສົງໃສ, ໃນຊຸມປີ 2010, ຟັງໄດ້ກາຍເປັນປະໂຫຍດທີ່ແທ້ຈິງ, ເຮັດໃຫ້ການປະມວນຜົນຂໍ້ມູນງ່າຍຂຶ້ນ. ແຕ່ເຕັກໂນໂລຢີສູງກໍາລັງພັດທະນາຢ່າງບໍ່ຢຸດຢັ້ງ, ແລະການຮຽນຮູ້ເຄື່ອງຈັກໃນອຸປະກອນອາດຈະກາຍເປັນມາດຕະຖານ de facto ບໍ່ພຽງແຕ່ໃນການພັດທະນາມືຖືເທົ່ານັ້ນ, ແຕ່ຍັງຢູ່ໃນອິນເຕີເນັດຂອງສິ່ງຕ່າງໆ.

ດ້ວຍການຊັກຊ້າທີ່ຫຼຸດລົງ, ການປັບປຸງຄວາມປອດໄພ, ຄວາມສາມາດອອຟໄລ, ແລະຄ່າໃຊ້ຈ່າຍຕ່ໍາໂດຍລວມ, ມັນບໍ່ແປກໃຈທີ່ຜູ້ຫຼິ້ນທີ່ໃຫຍ່ທີ່ສຸດໃນການພັດທະນາມືຖືແມ່ນການພະນັນໃຫຍ່ກ່ຽວກັບເຕັກໂນໂລຢີ. ນັກພັດທະນາແອັບພລິເຄຊັນມືຖືຄວນພິຈາລະນາຢ່າງໃກ້ຊິດເພື່ອຕິດຕາມເວລາ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com