Машинско учење во мобилниот развој: перспективи и децентрализација

Добро утро, Хабр!

Немаме што да додадеме на насловот на статијата во нашето претходно известување - така што сите веднаш се поканети кај мачката. Прочитајте и коментирајте.

Професионалците за развој на мобилни телефони ќе имаат корист од револуционерните промени што може да ги понуди денес. машинско учење на уреди. Поентата е колку оваа технологија ја подобрува секоја мобилна апликација, имено, обезбедува ново ниво на погодност за корисниците и ви овозможува активно да користите моќни функции, на пример, да обезбедите најточни препораки, врз основа на геолокација, или веднаш откријте растителни болести.

Овој брз развој на мобилното машинско учење е одговор на голем број вообичаени проблеми од кои страдавме во класичното машинско учење. Всушност, сè е очигледно. Во иднина, мобилните апликации ќе бараат побрза обработка на податоците и дополнително намалување на латентноста.

Можеби веќе сте се запрашале зошто Мобилни апликации напојувани со вештачка интелигенција, не може едноставно да се изврши заклучок во облакот. Прво, облак технологиите зависат од централните јазли (замислете огромен центар за податоци со големо складирање податоци и голема компјутерска моќ). Овој централизиран пристап не може да се справи со брзините на обработка кои се доволни за да се создадат непречени мобилни искуства, напојувани со машинско учење. Податоците мора да се обработуваат централно, а потоа да се вратат на уредите. Овој пристап бара време, пари и не ја гарантира приватноста на самите податоци.

Значи, откако ги наведовме овие клучни придобивки од мобилното машинско учење, ајде внимателно да погледнеме зошто револуцијата на машинското учење што се одвива пред нашите очи треба да биде од интерес за вас лично како развивач на мобилни телефони.

Намалете ја латентноста

Програмерите на мобилни апликации знаат дека зголемената доцнење може да биде црна дамка за некоја програма, без разлика колку се добри нејзините карактеристики или колку е реномиран брендот. Претходно, на уредите со Android имаше Сериозно заостанување во многу видео апликации, поради што гледањето видео и аудио често се покажало дека не е синхронизирано. Исто така, клиентот за социјални медиуми со висока латентност може да ја направи комуникацијата вистинска тортура за корисникот.

Спроведувањето на машинско учење на уред станува сè поважно токму поради проблемите со латентноста како овие. Замислете како функционираат филтрите за слики за социјалните мрежи или препораките за ресторани врз основа на геолокацијата. Во таквите апликации, доцнењето мора да биде минимално за да може да работи на највисоко ниво.

Како што споменавме погоре, обработката во облак понекогаш може да биде бавна, а развивачот сака доцнењето да биде блиску до нула за правилно да функционираат можностите за машинско учење на мобилната апликација. Машинското учење на уреди отвора можности за обработка на податоци што навистина може да го намалат доцнењето на речиси нула.

Производителите на паметни телефони и гигантите на технолошкиот пазар постепено почнуваат да го сфаќаат ова. Долго време, Apple остана лидер во оваа индустрија, развивајќи се се повеќе и повеќе напредни чипови за паметни телефони кои го користат својот систем Bionic, кој го имплементира невронскиот мотор, кој помага да се придвижат невронските мрежи директно на уредот, притоа постигнувајќи неверојатни брзини.

Apple, исто така, продолжува да го развива Core ML, својата платформа за машинско учење за мобилни апликации, чекор по чекор; во библиотека TensorFlow Lite додадена поддршка за графички процесори; Google продолжува да додава однапред вчитани функции на својата платформа за машинско учење ML Kit. Користејќи ги овие технологии, можете да развиете апликации кои ви дозволуваат да обработувате податоци со молскавична брзина, да ги елиминирате сите доцнења и да го намалите бројот на грешки.

Оваа комбинација на прецизност и беспрекорни кориснички искуства е клучна метрика што треба да ја земат предвид развивачите на мобилни апликации кога воведуваат способности за машинско учење во нивните апликации. И за да се гарантира таквата функционалност, тоа е потребно однесете го машинското учење на уредите.

Подобрена безбедност и приватност

Друга огромна придобивка од edge computing што не може да се прецени е колку ја подобрува безбедноста и приватноста на корисникот. Гаранцијата за безбедноста и приватноста на податоците во апликацијата е составен дел од задачите на развивачот, особено земајќи ја предвид потребата од усогласување со GDPR (Општа регулатива за заштита на податоци), новите европски закони, кои несомнено ќе влијаат на практиката на развој на мобилни телефони .

Бидејќи податоците не треба да се испраќаат возводно или до облакот за обработка, сајбер-криминалците се помалку способни да ги искористат сите пропусти создадени за време на фазата на пренос; затоа се одржува интегритетот на податоците. Ова им олеснува на развивачите на мобилни апликации да се усогласат со прописите за безбедност на податоците GDPR.

Машинското учење на уреди, исто така, овозможува децентрализација, на ист начин како блокчејн. Со други зборови, на хакерите им е потешко да извршат DDoS напад на поврзана мрежа на скриени уреди отколку да го извршат истиот напад на централен сервер. Оваа технологија може да биде корисна и при работа со дронови и за следење на усогласеноста со законодавството.

Горенаведените чипови за паметни телефони од Apple, исто така, помагаат да се подобри безбедноста и приватноста на корисниците - на пример, тие можат да послужат како основа за Face ID. Оваа функција на iPhone се напојува со невронска мрежа распоредена на уредите што собира податоци од сите различни претстави на лицето на корисникот. Така, технологијата служи како исклучително точен и сигурен метод за идентификација.

Овој и поновиот хардвер со AI ќе го отвори патот за побезбедни интеракции помеѓу корисникот и паметниот телефон. Всушност, програмерите добиваат дополнителен слој на шифрирање за да ги заштитат податоците на корисниците.

Не е потребна интернет конекција

Настрана проблемите со латентноста, испраќањето податоци во облакот за обработка и извлекување заклучоци бара добра интернет врска. Често, особено во развиените земји, нема потреба да се жалите на Интернет. Но, што да се прави во области каде што врската е полоша? Кога машинското учење се имплементира на уреди, невронските мрежи живеат на самите телефони. Така, развивачот може да ја распореди технологијата на кој било уред и каде било, без оглед на квалитетот на врската. Плус, овој пристап води кон демократизирање на способностите за ML.

Здравство е една од индустриите кои би можеле особено да имаат корист од машинското учење на уред, бидејќи програмерите ќе можат да креираат алатки кои ги проверуваат виталните знаци или дури обезбедуваат роботска хирургија без никаква интернет врска. Оваа технологија ќе биде корисна и за студентите кои сакаат да пристапат до материјалите за предавање без интернет конекција - на пример, додека се во транспортен тунел.

На крајот на краиштата, машинското учење на уреди ќе им обезбеди на програмерите алатки за создавање алатки кои ќе им користат на корисниците ширум светот, без оглед на ситуацијата со нивната интернет конекција. Имајќи предвид дека моќта на новите смартфони ќе биде барем исто толку моќна како и сегашните, корисниците ќе заборават на проблемите со доцнењата при работа со апликацијата офлајн.

Намалување на трошоците за вашиот бизнис

Машинското учење на уреди, исто така, може да ви заштеди богатство со тоа што не мора да плаќате надворешни изведувачи за имплементација и одржување на многу од решенијата. Како што споменавме погоре, во многу случаи можете да направите и без облак и без Интернет.

Облак услугите специфични за графичкиот процесор и вештачката интелигенција се најскапите решенија што може да се купат. Кога користите модели на вашиот уред, не мора да плаќате за сите овие кластери, благодарение на фактот што денес има сè понапредни паметни телефони опремени со невроморфни процесори (NPU).

Со избегнување на кошмарот на тешка обработка на податоци што се случува помеѓу уредот и облакот, заштедувате енормно; Затоа, многу е профитабилно да се имплементираат решенија за машинско учење на уреди. Покрај тоа, заштедувате пари бидејќи барањата за пропусниот опсег на вашата апликација се значително намалени.

Самите инженери, исто така, заштедуваат многу на процесот на развој, бидејќи не мора да склопуваат и одржуваат дополнителна инфраструктура на облак. Напротив, можно е да се постигне повеќе со помал тим. Така, планирањето на човечките ресурси во развојните тимови е многу поефикасно.

Заклучок

Несомнено, во 2010-тите, облакот стана вистински благодет, поедноставувајќи ја обработката на податоците. Но, високата технологија се развива експоненцијално, а машинското учење на уреди наскоро може да стане де факто стандард не само во областа на мобилниот развој, туку и во Интернет на нештата.

Со намалена латентност, подобрена безбедност, офлајн можности и севкупно пониски трошоци, не е изненадување што најголемите играчи во развојот на мобилни телефони се обложуваат многу на технологијата. Програмерите на мобилни апликации, исто така, треба внимателно да ја разгледаат за да бидат во тек со времето.

Извор: www.habr.com