मोबाइल विकासमा मेसिन लर्निङ: सम्भावना र विकेन्द्रीकरण

शुभ प्रभात, Habr!

हामीसँग हाम्रो पूर्व-सूचनामा लेखको शीर्षकमा थप्नको लागि केहि छैन - त्यसैले सबैलाई तुरुन्तै बिरालोमा आमन्त्रित गरिएको छ। पढेर कमेन्ट गर्नुहोला ।

मोबाइल विकास पेशेवरहरूले क्रान्तिकारी परिवर्तनहरूबाट लाभ उठाउनेछन् जुन आज प्रस्ताव गरिएको छ। उपकरणहरूमा मेशिन शिक्षा। बिन्दु यो हो कि यो प्रविधिले कुनै पनि मोबाइल अनुप्रयोगलाई कति बढाउँछ, अर्थात्, यसले प्रयोगकर्ताहरूको लागि सुविधाको नयाँ स्तर प्रदान गर्दछ र तपाईंलाई सक्रिय रूपमा शक्तिशाली सुविधाहरू प्रयोग गर्न अनुमति दिन्छ, उदाहरणका लागि, सबैभन्दा सही सिफारिसहरू प्रदान गर्न, भौगोलिक स्थानमा आधारित, वा तुरुन्तै पत्ता लगाउनुहोस् बिरुवा रोगहरु.

मोबाइल मेसिन लर्निङको यो द्रुत विकास हामीले शास्त्रीय मेसिन लर्निङमा भोगेका धेरै सामान्य समस्याहरूको प्रतिक्रिया हो। वास्तवमा, सबै कुरा स्पष्ट छ। भविष्यमा, मोबाइल अनुप्रयोगहरूलाई छिटो डेटा प्रशोधन र विलम्बताको थप कमीको आवश्यकता पर्दछ।

तपाईंले पहिले नै किन सोच्नु भएको होला AI-संचालित मोबाइल एपहरू,क्लाउडमा अनुमान मात्र चलाउन सकिँदैन। पहिलो, क्लाउड टेक्नोलोजीहरू केन्द्रीय नोडहरूमा निर्भर हुन्छन् (विस्तृत डाटा भण्डारण र ठूलो कम्प्युटिङ पावर दुवै भएको विशाल डाटा केन्द्रको कल्पना गर्नुहोस्)। यो केन्द्रीकृत दृष्टिकोणले मेसिन लर्निङद्वारा संचालित सहज मोबाइल अनुभवहरू सिर्जना गर्न पर्याप्त प्रशोधन गतिलाई ह्यान्डल गर्न सक्दैन। डाटा केन्द्रीय रूपमा प्रशोधन गर्नुपर्छ र त्यसपछि उपकरणहरूमा फिर्ता पठाइन्छ। यस दृष्टिकोणलाई समय, पैसा चाहिन्छ र डेटाको गोपनीयताको ग्यारेन्टी गर्दैन।

त्यसोभए, मोबाइल मेसिन लर्निङका यी मुख्य फाइदाहरू उल्लेख गरिसकेपछि, मोबाइल विकासकर्ताको रूपमा व्यक्तिगत रूपमा तपाईंको लागि किन चासोको विषय बन्ने मेसिन लर्निङ क्रान्ति हाम्रो आँखा अगाडि देखापर्छ भन्ने कुरालाई नजिकबाट हेरौं।

विलम्बता कम गर्नुहोस्

मोबाइल एप विकासकर्ताहरूलाई थाहा छ कि बढ्दो विलम्बता कार्यक्रमको लागि कालो चिन्ह हुन सक्छ, यसका सुविधाहरू जतिसुकै राम्रा छन् वा ब्रान्ड जति सम्मानित भए पनि। पहिले, एन्ड्रोइड उपकरणहरूमा थियो धेरै भिडियो अनुप्रयोगहरूमा गम्भीर ढिलाइ, जसको कारणले गर्दा भिडियो र अडियो हेर्ने प्रायः सिङ्क हुन सकेन। त्यस्तै गरी, उच्च विलम्बताको साथ एक सामाजिक मिडिया ग्राहकले प्रयोगकर्ताको लागि सञ्चारलाई वास्तविक यातना बनाउन सक्छ।

यी जस्ता विलम्बता समस्याहरूको कारणले गर्दा यन्त्रमा मेसिन लर्निङ लागू गर्नु झन् झन् महत्त्वपूर्ण हुँदै गइरहेको छ। कल्पना गर्नुहोस् कि छवि फिल्टरहरूले सामाजिक सञ्जालका लागि कसरी काम गर्छ, वा भौगोलिक स्थानमा आधारित रेस्टुरेन्ट सिफारिसहरू। त्यस्ता अनुप्रयोगहरूमा, उच्चतम स्तरमा प्रदर्शन गर्नको लागि विलम्बता न्यूनतम हुनुपर्छ।

माथि उल्लेख गरिएझैं, क्लाउड प्रशोधन कहिलेकाहीं ढिलो हुन सक्छ, र विकासकर्ताले मोबाइल एपको मेसिन लर्निङ क्षमताहरू ठीकसँग काम गर्नको लागि विलम्बता शून्यको नजिक हुन चाहन्छ। यन्त्रहरूमा मेसिन लर्निङले डाटा प्रशोधन क्षमताहरू खोल्छ जसले विलम्बतालाई लगभग शून्यमा घटाउन सक्छ।

स्मार्टफोन निर्माताहरू र टेक बजारका दिग्गजहरूले बिस्तारै यो महसुस गर्न थालेका छन्। लामो समयको लागि, एप्पल यस उद्योगको विकासमा अग्रणी रह्यो अधिक र अधिक उन्नत चिप्स यसको बायोनिक प्रणाली प्रयोग गर्ने स्मार्टफोनहरूका लागि, जसले न्यूरल इन्जिन लागू गर्दछ, जसले तंत्रिका नेटवर्कहरू सिधै उपकरणमा चलाउन मद्दत गर्दछ, जबकि अविश्वसनीय गति.

एप्पलले कोर ML को विकास गर्न जारी राखेको छ, मोबाइल एपहरूको लागि यसको मेसिन लर्निङ प्लेटफर्म, चरणबद्ध रूपमा; पुस्तकालयमा टेन्सरफ्लो लाइट GPU को लागि समर्थन थपियो; गुगलले आफ्नो मेसिन लर्निङ प्लेटफर्म एमएल किटमा प्रीलोडेड सुविधाहरू थप्न जारी राख्छ। यी प्रविधिहरू प्रयोग गरेर, तपाईंले बिजुलीको गतिमा डाटा प्रशोधन गर्न, कुनै पनि ढिलाइ हटाउन र त्रुटिहरूको संख्या कम गर्न अनुमति दिने अनुप्रयोगहरू विकास गर्न सक्नुहुन्छ।

सटीकता र निर्बाध प्रयोगकर्ता अनुभवहरूको यो संयोजन एक प्रमुख मेट्रिक हो जुन मोबाइल एप विकासकर्ताहरूले उनीहरूको एपहरूमा मेसिन लर्निङ क्षमताहरू परिचय गर्दा विचार गर्नुपर्छ। र यस्तो कार्यक्षमता ग्यारेन्टी गर्न, यो आवश्यक छ मेसिन लर्निङलाई उपकरणहरूमा लैजानुहोस्.

सुधारिएको सुरक्षा र गोपनीयता

किनारा कम्प्युटिङको अर्को ठूलो फाइदा जुन अतिरञ्जित गर्न सकिँदैन यसले प्रयोगकर्ताको सुरक्षा र गोपनीयतालाई कति सुधार गर्छ। एप्लिकेसनमा डेटाको सुरक्षा र गोपनीयताको ग्यारेन्टी गर्नु विकासकर्ताको कार्यहरूको अभिन्न अंग हो, विशेष गरी GDPR (जनरल डाटा प्रोटेक्शन रेगुलेसन), नयाँ युरोपेली कानूनहरूको पालना गर्नुपर्ने आवश्यकतालाई ध्यानमा राख्दै, जसले निस्सन्देह मोबाइल विकासको अभ्यासलाई असर गर्नेछ। ।

किनभने डाटा प्रोसेसिङको लागि अपस्ट्रीम वा क्लाउडमा पठाउन आवश्यक छैन, साइबर अपराधीहरूले स्थानान्तरण चरणको समयमा सिर्जना गरिएका कुनै पनि कमजोरीहरूको शोषण गर्न कम सक्षम हुन्छन्; तसर्थ, डाटाको अखण्डता कायम राखिएको छ। यसले मोबाइल एप विकासकर्ताहरूलाई GDPR डेटा सुरक्षा नियमहरूको पालना गर्न सजिलो बनाउँछ।

यन्त्रहरूमा मेसिन लर्निङले पनि विकेन्द्रीकरणलाई सक्षम बनाउँछ, धेरै जसरी ब्लकचेन। अर्को शब्दमा भन्नुपर्दा, केन्द्रीय सर्भरमा उही आक्रमण गर्नु भन्दा ह्याकरहरूलाई लुकेका यन्त्रहरूको जडान गरिएको नेटवर्कमा DDoS आक्रमण सुरु गर्न गाह्रो हुन्छ। यो प्रविधि ड्रोनसँग काम गर्दा र कानूनको पालना अनुगमनको लागि पनि उपयोगी हुन सक्छ।

Apple बाट माथि उल्लेखित स्मार्टफोन चिपहरूले प्रयोगकर्ताको सुरक्षा र गोपनीयता सुधार गर्न मद्दत गर्दछ - उदाहरणका लागि, तिनीहरूले फेस आईडीको आधारको रूपमा सेवा गर्न सक्छन्। यो आईफोन सुविधा यन्त्रहरूमा तैनाथ गरिएको न्यूरल नेटवर्कद्वारा संचालित छ जसले प्रयोगकर्ताको अनुहारको विभिन्न प्रतिनिधित्वहरूबाट डाटा सङ्कलन गर्दछ। तसर्थ, प्रविधिले एकदमै सही र भरपर्दो पहिचान विधिको रूपमा कार्य गर्दछ।

यी र नयाँ AI-सक्षम हार्डवेयरले सुरक्षित प्रयोगकर्ता-स्मार्टफोन अन्तरक्रियाको लागि मार्ग प्रशस्त गर्नेछ। वास्तवमा, विकासकर्ताहरूले प्रयोगकर्ता डेटा सुरक्षित गर्न इन्क्रिप्शनको अतिरिक्त तह पाउँछन्।

कुनै इन्टरनेट जडान आवश्यक छैन

विलम्बता समस्याहरू बाहेक, क्लाउडमा डाटा पठाउन र निष्कर्ष निकाल्नको लागि राम्रो इन्टरनेट जडान चाहिन्छ। अक्सर, विशेष गरी विकसित देशहरूमा, इन्टरनेटको बारेमा गुनासो गर्न आवश्यक छैन। तर जडान खराब भएको क्षेत्रहरूमा के गर्ने? जब मेसिन लर्निङ उपकरणहरूमा लागू गरिन्छ, तंत्रिका नेटवर्कहरू फोनमा नै रहन्छन्। यसैले, विकासकर्ताले जडानको गुणस्तरलाई ध्यान नदिई कुनै पनि उपकरण र जहाँसुकैमा प्रविधि प्रयोग गर्न सक्छ। साथै, यो दृष्टिकोण निम्त्याउँछ ML क्षमताहरू प्रजातन्त्रीकरण.

स्वास्थ्य सेवा विकासकर्ताहरूले कुनै पनि इन्टरनेट जडान बिना नै अत्यावश्यक संकेतहरू जाँच गर्ने वा रोबोटिक शल्यक्रिया पनि उपलब्ध गराउने उपकरणहरू सिर्जना गर्न सक्ने भएकाले विशेष रूपमा अन-डिभाइस मेसिन लर्निङबाट फाइदा लिन सक्ने उद्योगहरूमध्ये एक हो। यो प्रविधि इन्टरनेट जडान बिना व्याख्यान सामग्रीहरू पहुँच गर्न चाहने विद्यार्थीहरूको लागि पनि उपयोगी हुनेछ - उदाहरणका लागि, यातायात सुरुङमा हुँदा।

अन्ततः, यन्त्रहरूमा मेसिन लर्निङले विकासकर्ताहरूलाई उपकरणहरू सिर्जना गर्नका लागि उपकरणहरू प्रदान गर्नेछ जसले विश्वभरका प्रयोगकर्ताहरूलाई फाइदा पुर्‍याउनेछ, तिनीहरूको इन्टरनेट जडानको अवस्था जस्तोसुकै भए पनि। नयाँ स्मार्टफोनको शक्ति हालको जत्तिकै शक्तिशाली हुनेछ भन्ने कुरालाई ध्यानमा राख्दै, प्रयोगकर्ताहरूले अफलाइन अनुप्रयोगसँग काम गर्दा ढिलाइको समस्याहरू बिर्सनेछन्।

तपाईंको व्यवसायको लागि लागत कम गर्दै

उपकरणहरूमा मेशिन शिक्षाले धेरै समाधानहरू कार्यान्वयन गर्न र समर्थन गर्न बाहिरका ठेकेदारहरूलाई भुक्तान नगरी पनि तपाईंको भाग्य बचाउन सक्छ। माथि उल्लेख गरिए अनुसार, धेरै अवस्थामा तपाईं क्लाउड र इन्टरनेट बिना गर्न सक्नुहुन्छ।

GPU र AI-विशेष क्लाउड सेवाहरू सबैभन्दा महँगो समाधानहरू हुन् जुन किन्न सकिन्छ। जब तपाइँ तपाइँको उपकरणमा मोडेलहरू चलाउनुहुन्छ, तपाइँले यी सबै क्लस्टरहरूको लागि तिर्न पर्दैन, यस तथ्यको लागि धन्यवाद कि आज अधिक र अधिक उन्नत स्मार्टफोनहरू सुसज्जित छन्। न्यूरोमोर्फिक प्रोसेसर (NPU).

यन्त्र र क्लाउडको बीचमा हुने भारी डाटा प्रोसेसिङको दुःस्वप्नलाई बेवास्ता गरेर, तपाईंले धेरै बचत गर्नुहुन्छ; तसर्थ, उपकरणहरूमा मेसिन लर्निङ समाधानहरू लागू गर्न यो धेरै लाभदायक छ। थप रूपमा, तपाइँ पैसा बचत गर्नुहुन्छ किनभने तपाइँको अनुप्रयोगको ब्यान्डविथ आवश्यकताहरू उल्लेखनीय रूपमा कम भएको छ।

ईन्जिनियरहरू आफैंले विकास प्रक्रियामा धेरै बचत गर्दछ, किनकि उनीहरूले अतिरिक्त क्लाउड पूर्वाधारहरू जम्मा गर्न र मर्मत गर्नु पर्दैन। यसको विपरित, यो सानो टोली संग धेरै हासिल गर्न सम्भव छ। यसरी, विकास टोलीहरूमा मानव संसाधन योजना धेरै प्रभावकारी हुन्छ।

निष्कर्षमा

निस्सन्देह, 2010 मा, क्लाउड एक वास्तविक वरदान बन्यो, डाटा प्रोसेसिंग सरल। तर उच्च प्रविधि तीव्र रूपमा विकास भइरहेको छ, र उपकरणहरूमा मेशिन शिक्षा चाँडै मोबाइल विकासको क्षेत्रमा मात्र होइन, तर चीजहरूको इन्टरनेटमा पनि वास्तविक मानक बन्न सक्छ।

कम विलम्बता, सुधारिएको सुरक्षा, अफलाइन क्षमताहरू, र समग्र कम लागतहरूको साथ, यो कुनै आश्चर्यको कुरा होइन कि मोबाइल विकासमा सबैभन्दा ठूला खेलाडीहरूले टेक्नोलोजीमा ठूलो दांव लगाइरहेका छन्। मोबाइल अनुप्रयोग विकासकर्ताहरूले पनि समय संग रहन यसलाई नजिकबाट हेर्नु पर्छ।

स्रोत: www.habr.com