Labas rytas, Habr!
Išankstiniame pranešime prie straipsnio pavadinimo neturime ką pridurti – tad visi iškart kviečiami pas katiną. Skaitykite ir komentuokite.
Mobiliųjų telefonų kūrimo profesionalai gaus naudos iš revoliucinių pokyčių, kuriuos šiandien gali pasiūlyti. . Esmė ta, kiek ši technologija pagerina bet kurią mobiliąją aplikaciją, būtent, suteikia vartotojams naują patogumo lygį ir leidžia aktyviai naudotis galingomis funkcijomis, pavyzdžiui, pateikti tiksliausias rekomendacijas, , arba akimirksniu aptikti .
Ši sparti mobiliųjų mašinų mokymosi plėtra yra atsakas į daugybę bendrų problemų, su kuriomis susiduriame klasikinio mašininio mokymosi metu. Tiesą sakant, viskas yra akivaizdu. Ateityje mobiliosioms programoms reikės greitesnio duomenų apdorojimo ir tolesnio delsos mažinimo.
Galbūt jau susimąstėte, kodėl , negali tiesiog padaryti išvadų debesyje. Pirma, debesų technologijos priklauso nuo centrinių mazgų (įsivaizduokite didžiulį duomenų centrą su didele duomenų saugykla ir didele skaičiavimo galia). Šis centralizuotas metodas negali apdoroti tokio apdorojimo greičio, kurio pakanka, kad būtų sukurta sklandi mobilioji patirtis, pagrįsta mašininiu mokymusi. Duomenys turi būti apdorojami centralizuotai ir siunčiami atgal į įrenginius. Šis metodas reikalauja laiko, pinigų ir negarantuoja pačių duomenų privatumo.
Taigi, apibūdinę šiuos pagrindinius mobiliojo mašininio mokymosi privalumus, atidžiau pažvelkime, kodėl prieš mūsų akis besiskleidžianti mašininio mokymosi revoliucija turėtų sudominti jus, kaip mobiliųjų įrenginių kūrėją.
Sumažinti delsą
Programėlių mobiliesiems kūrėjai žino, kad padidėjęs delsos laikas gali būti juodas programos ženklas, nesvarbu, kokios geros yra jos funkcijos ar koks būtų prekės ženklas. Anksčiau „Android“ įrenginiuose buvo , dėl ko vaizdo ir garso peržiūra dažnai buvo nesinchronizuota. Taip pat socialinės žiniasklaidos klientas, turintis didelį delsą, bendravimą gali paversti tikru vartotojo kankinimu.
Mašininio mokymosi diegimas įrenginyje tampa vis svarbesnis būtent dėl tokių delsos problemų. Įsivaizduokite, kaip socialiniuose tinkluose veikia vaizdo filtrai arba restoranų rekomendacijos pagal geografinę vietą. Tokiose programose delsa turi būti minimali, kad ji veiktų aukščiausiu lygiu.
Kaip minėta pirmiau, debesų apdorojimas kartais gali būti lėtas, o kūrėjas nori, kad delsa būtų artima nuliui, kad mobiliosios programos mašininio mokymosi galimybės tinkamai veiktų. Mašininis mokymasis įrenginiuose atveria duomenų apdorojimo galimybes, kurios gali iš tikrųjų sumažinti delsą iki beveik nulio.
Išmaniųjų telefonų gamintojai ir technologijų rinkos gigantai pamažu pradeda tai suvokti. „Apple“ ilgą laiką išliko šios pramonės lyderė ir vystėsi išmaniesiems telefonams naudojant Bionic sistemą, kuri įdiegia neuronų variklį, kuris padeda valdyti neuroninius tinklus tiesiai įrenginyje, tuo pačiu .
„Apple“ taip pat toliau žingsnis po žingsnio kuria „Core ML“ – mašininio mokymosi platformą, skirtą programoms mobiliesiems; bibliotekoje papildomas GPU palaikymas; „Google“ ir toliau prideda iš anksto įkeltų funkcijų į savo mašininio mokymosi platformą „ML Kit“. Naudodami šias technologijas galite kurti programas, kurios leidžia žaibišku greičiu apdoroti duomenis, pašalinti bet kokius vėlavimus ir sumažinti klaidų skaičių.
Šis tikslumo ir vientisos naudotojų patirties derinys yra pagrindinė metrika, į kurią turi atsižvelgti programų mobiliesiems kūrėjai, diegdami savo programose mašininio mokymosi galimybes. O norint garantuoti tokį funkcionalumą, tai būtina .
Patobulintas saugumas ir privatumas
Kitas didžiulis krašto kompiuterijos pranašumas, kurio negalima pervertinti, yra tai, kiek jis pagerina vartotojo saugumą ir privatumą. Duomenų saugumo ir privatumo užtikrinimas programoje yra neatsiejama kūrėjo užduočių dalis, ypač atsižvelgiant į būtinybę laikytis GDPR (Bendrojo duomenų apsaugos reglamento), naujų Europos įstatymų, kurie neabejotinai turės įtakos mobiliojo ryšio kūrimo praktikai. .
Kadangi duomenų nereikia siųsti prieš srovę arba į debesį apdoroti, kibernetiniai nusikaltėliai mažiau gali išnaudoti pažeidžiamumą, susidariusį perdavimo fazės metu; todėl išlaikomas duomenų vientisumas. Taip programėlių mobiliesiems kūrėjams lengviau laikytis BDAR duomenų saugumo taisyklių.
Mašininis mokymasis įrenginiuose taip pat įgalina decentralizaciją, panašiai kaip blokų grandinė. Kitaip tariant, įsilaužėliams sunkiau pradėti DDoS ataką prijungtame paslėptų įrenginių tinkle, nei vykdyti tą pačią ataką centriniame serveryje. Ši technologija taip pat gali būti naudinga dirbant su dronais ir stebint, kaip laikomasi teisės aktų.
Minėti išmaniųjų telefonų lustai iš „Apple“ taip pat padeda pagerinti vartotojų saugumą ir privatumą – pavyzdžiui, jie gali būti „Face ID“ pagrindas. Šią „iPhone“ funkciją maitina įrenginiuose įdiegtas neuroninis tinklas, kuris renka duomenis iš visų skirtingų vartotojo veido atvaizdų. Taigi ši technologija yra itin tikslus ir patikimas identifikavimo metodas.
Ši ir naujesnė AI palaikanti aparatinė įranga atvers kelią saugesnei vartotojo ir išmaniojo telefono sąveikai. Tiesą sakant, kūrėjai gauna papildomą šifravimo sluoksnį, kad apsaugotų vartotojo duomenis.
Nereikia interneto ryšio
Be delsos problemų, norint siųsti duomenis į debesį apdoroti ir daryti išvadas, reikalingas geras interneto ryšys. Dažnai, ypač išsivysčiusiose šalyse, internetu skųstis nereikia. Tačiau ką daryti tose srityse, kur ryšys prastesnis? Kai įrenginiuose įdiegiamas mašininis mokymasis, neuroniniai tinklai veikia pačiuose telefonuose. Taigi kūrėjas gali įdiegti technologiją bet kuriame įrenginyje ir bet kur, nepaisant ryšio kokybės. Be to, šis požiūris veda prie .
yra viena iš pramonės šakų, kuriai gali būti ypač naudingas mašininis mokymasis įrenginiuose, nes kūrėjai galės sukurti įrankius, tikrinančius gyvybinius požymius ar net teikiančius robotų chirurgiją be jokio interneto ryšio. Ši technologija taip pat bus naudinga studentams, kurie nori pasiekti paskaitų medžiagą be interneto ryšio – pavyzdžiui, būdami transporto tunelyje.
Galų gale, mašininis mokymasis įrenginiuose suteiks kūrėjams įrankius, skirtus kurti įrankius, kurie bus naudingi vartotojams visame pasaulyje, nepaisant jų interneto ryšio situacijos. Atsižvelgiant į tai, kad naujų išmaniųjų telefonų galia bus bent jau tokia pat galinga kaip ir dabartinių, vartotojai pamirš apie vėlavimo problemas dirbdami su programa neprisijungę.
Jūsų verslo išlaidų sumažinimas
Mašininis mokymasis įrenginiuose taip pat gali sutaupyti daug pinigų, nes nereikės mokėti išorės rangovams už daugelio sprendimų įgyvendinimą ir priežiūrą. Kaip minėta aukščiau, daugeliu atvejų galite apsieiti ir be debesies, ir be interneto.
GPU ir dirbtiniam intelektui būdingos debesų paslaugos yra brangiausi sprendimai, kuriuos galima įsigyti. Kai naudojate modelius savo įrenginyje, jums nereikia mokėti už visas šias grupes, nes šiandien atsiranda vis daugiau pažangių išmaniųjų telefonų su .
Išvengdami košmaro dėl sunkaus duomenų apdorojimo tarp įrenginio ir debesies, sutaupysite labai daug; Todėl labai pelninga įrenginiuose diegti mašininio mokymosi sprendimus. Be to, sutaupote pinigų, nes jūsų programos pralaidumo reikalavimai yra žymiai sumažinti.
Patys inžinieriai taip pat daug sutaupo kūrimo procesui, nes jiems nereikia kaupti ir prižiūrėti papildomos debesų infrastruktūros. Atvirkščiai, su mažesne komanda galima pasiekti daugiau. Taigi žmogiškųjų išteklių planavimas vystymo komandose yra daug efektyvesnis.
išvada
Be jokios abejonės, 2010-aisiais debesys tapo tikra palaima, supaprastinusia duomenų apdorojimą. Tačiau aukštosios technologijos vystosi eksponentiškai, o mašininis mokymasis įrenginiuose netrukus gali tapti de facto standartu ne tik mobiliojo ryšio kūrimo srityje, bet ir daiktų internete.
Dėl sumažėjusio delsos, patobulintos saugumo, neprisijungus pasiekiamų galimybių ir apskritai mažesnės sąnaudos nenuostabu, kad didžiausi mobiliojo ryšio kūrimo žaidėjai daug lažina už technologijas. Mobiliųjų programų kūrėjai taip pat turėtų atidžiau pažvelgti į tai, kad neatsiliktų nuo laiko.
Šaltinis: www.habr.com