Goedemorgen Habr!
We hebben niets toe te voegen aan de titel van het artikel in onze voormelding - iedereen wordt dus meteen uitgenodigd voor de kat. Lees en reageer.
Professionals op het gebied van mobiele ontwikkeling zullen profiteren van de revolutionaire veranderingen die vandaag de dag te bieden hebben.
Deze snelle ontwikkeling van mobiel machinaal leren is een reactie op een aantal veelvoorkomende problemen waarmee we te maken hebben gehad bij klassiek machinaal leren. Eigenlijk is alles duidelijk. In de toekomst zullen mobiele toepassingen een snellere gegevensverwerking en een verdere vermindering van de latentie vereisen.
Je hebt je misschien al afgevraagd waarom
Laten we, nu we deze belangrijkste voordelen van mobiel machinaal leren hebben geschetst, eens nader bekijken waarom de machine learning-revolutie die zich voor onze ogen ontvouwt, voor u persoonlijk als mobiele ontwikkelaar interessant zou moeten zijn.
Verlaag de latentie
Ontwikkelaars van mobiele apps weten dat een grotere latentie een zwarte vlek kan zijn voor een programma, ongeacht hoe goed de functies ervan zijn of hoe gerenommeerd het merk ook is. Voorheen waren dat er op Android-apparaten
Het implementeren van machine learning op apparaten wordt steeds belangrijker, juist vanwege dit soort latentieproblemen. Stel je voor hoe afbeeldingsfilters werken voor sociale netwerken of restaurantaanbevelingen op basis van geolocatie. Bij dergelijke toepassingen moet de latentie minimaal zijn om op het hoogste niveau te kunnen presteren.
Zoals hierboven vermeld kan de verwerking in de cloud soms traag zijn, en de ontwikkelaar wil dat de latentie bijna nul is om de machine learning-mogelijkheden van een mobiele app goed te laten werken. Machine learning op apparaten opent dataverwerkingsmogelijkheden die de latentie echt tot bijna nul kunnen terugbrengen.
Smartphonefabrikanten en techmarktgiganten beginnen dit geleidelijk te beseffen. Lange tijd bleef Apple de leider in deze branche en ontwikkelde zich
Apple blijft ook stap voor stap Core ML, zijn machine learning-platform voor mobiele apps, ontwikkelen; In de bibliotheek
Deze combinatie van nauwkeurigheid en naadloze gebruikerservaringen is een belangrijke maatstaf waarmee ontwikkelaars van mobiele apps rekening moeten houden bij het introduceren van machine learning-mogelijkheden in hun apps. En om dergelijke functionaliteit te garanderen, is dit vereist
Verbeterde beveiliging en privacy
Een ander groot voordeel van edge computing dat niet genoeg kan worden benadrukt, is de mate waarin het de veiligheid en privacy van gebruikers verbetert. Het garanderen van de veiligheid en privacy van gegevens in de applicatie is een integraal onderdeel van de taken van de ontwikkelaar, vooral rekening houdend met de noodzaak om te voldoen aan de AVG (Algemene Verordening Gegevensbescherming), nieuwe Europese wetten, die ongetwijfeld de praktijk van mobiele ontwikkeling zullen beïnvloeden .
Omdat gegevens niet upstream of naar de cloud hoeven te worden verzonden voor verwerking, zijn cybercriminelen minder goed in staat om kwetsbaarheden te misbruiken die tijdens de overdrachtsfase zijn ontstaan; daarom blijft de integriteit van de gegevens behouden. Dit maakt het voor ontwikkelaars van mobiele apps gemakkelijker om te voldoen aan de AVG-regels voor gegevensbeveiliging.
Machine learning op apparaten maakt ook decentralisatie mogelijk, vrijwel op dezelfde manier als blockchain. Met andere woorden: het is voor hackers moeilijker om een DDoS-aanval uit te voeren op een aangesloten netwerk van verborgen apparaten dan om dezelfde aanval uit te voeren op een centrale server. Ook bij het werken met drones en bij het toezicht op de naleving van wetgeving kan deze technologie nuttig zijn.
De bovengenoemde smartphonechips van Apple helpen ook de gebruikersveiligheid en privacy te verbeteren – ze kunnen bijvoorbeeld dienen als basis voor Face ID. Deze iPhone-functie wordt mogelijk gemaakt door een neuraal netwerk dat op de apparaten wordt ingezet en dat gegevens verzamelt van alle verschillende representaties van het gezicht van een gebruiker. De technologie dient dus als een uiterst nauwkeurige en betrouwbare identificatiemethode.
Deze en nieuwere AI-compatibele hardware zullen de weg vrijmaken voor veiligere interacties tussen gebruiker en smartphone. Ontwikkelaars krijgen zelfs een extra coderingslaag om gebruikersgegevens te beschermen.
Geen internetverbinding vereist
Afgezien van latentieproblemen vereist het verzenden van gegevens naar de cloud voor verwerking en het trekken van conclusies een goede internetverbinding. Vaak is het, vooral in ontwikkelde landen, niet nodig om over internet te klagen. Maar wat te doen in gebieden waar de verbinding slechter is? Wanneer machine learning op apparaten wordt geïmplementeerd, leven neurale netwerken op de telefoons zelf. Zo kan de ontwikkelaar de technologie op elk apparaat en overal inzetten, ongeacht de kwaliteit van de verbinding. Bovendien leidt deze aanpak tot
Uiteindelijk zal machinaal leren op apparaten ontwikkelaars de tools bieden om tools te creëren waar gebruikers over de hele wereld van kunnen profiteren, ongeacht hun internetverbindingssituatie. Gezien het feit dat de kracht van nieuwe smartphones minstens zo krachtig zal zijn als de huidige, zullen gebruikers de problemen met vertragingen vergeten bij het offline werken met de applicatie.
Verlaag de kosten voor uw bedrijf
Machine learning op apparaten kan u ook een fortuin besparen omdat u geen externe aannemers hoeft te betalen om veel van de oplossingen te implementeren en te onderhouden. Zoals hierboven vermeld, kunt u in veel gevallen zowel de cloud als internet missen.
GPU- en AI-specifieke clouddiensten zijn de duurste oplossingen die kunnen worden aangeschaft. Wanneer u modellen op uw apparaat gebruikt, hoeft u niet voor al deze clusters te betalen, dankzij het feit dat er tegenwoordig steeds geavanceerdere smartphones zijn die zijn uitgerust met
Door de nachtmerrie van zware gegevensverwerking tussen het apparaat en de cloud te vermijden, bespaart u enorm; Daarom is het zeer winstgevend om machine learning-oplossingen op apparaten te implementeren. Bovendien bespaart u geld omdat de bandbreedtevereisten van uw applicatie aanzienlijk worden verminderd.
Ook besparen de engineers zelf veel op het ontwikkelproces, omdat ze geen extra cloudinfrastructuur hoeven samen te stellen en te onderhouden. Integendeel, met een kleiner team is het mogelijk om meer te bereiken. De personeelsplanning in ontwikkelingsteams is dus veel effectiever.
Conclusie
Ongetwijfeld werd de cloud in de jaren 2010 een echte zegen, waardoor de gegevensverwerking werd vereenvoudigd. Maar hoogwaardige technologie ontwikkelt zich exponentieel, en machinaal leren op apparaten kan binnenkort de de facto standaard worden, niet alleen op het gebied van mobiele ontwikkeling, maar ook op het gebied van het internet der dingen.
Met verminderde latentie, verbeterde beveiliging, offline mogelijkheden en algehele lagere kosten is het geen verrassing dat de grootste spelers op het gebied van mobiele ontwikkeling groot inzetten op de technologie. Ontwikkelaars van mobiele applicaties zouden er ook eens goed naar moeten kijken om bij de tijd te blijven.
Bron: www.habr.com