God morgen, Habr!
Vi har ingenting å legge til tittelen på artikkelen i vår forhåndsmelding - så alle inviteres umiddelbart til katten. Les og kommenter.
Fagfolk innen mobilutvikling vil dra nytte av de revolusjonerende endringene som i dag har å tilby. . Poenget er hvor mye denne teknologien forbedrer enhver mobilapplikasjon, nemlig at den gir et nytt nivå av bekvemmelighet for brukere og lar deg aktivt bruke kraftige funksjoner, for eksempel for å gi de mest nøyaktige anbefalingene, , eller oppdage umiddelbart .
Denne raske utviklingen av mobil maskinlæring er et svar på en rekke vanlige problemer som vi har lidd av i klassisk maskinlæring. Faktisk er alt åpenbart. I fremtiden vil mobilapplikasjoner kreve raskere databehandling og ytterligere reduksjon av ventetid.
Du har kanskje allerede lurt på hvorfor ,kan ikke bare kjøre inferens i skyen. For det første er skyteknologier avhengige av sentrale noder (tenk deg et enormt datasenter med både omfattende datalagring og stor datakraft). Denne sentraliserte tilnærmingen kan ikke håndtere prosesseringshastigheter som er tilstrekkelige til å skape jevne mobile opplevelser drevet av maskinlæring. Data må behandles sentralt og deretter sendes tilbake til enheter. Denne tilnærmingen krever tid, penger og garanterer ikke personvernet til selve dataene.
Så, etter å ha skissert disse nøkkelfordelene med mobil maskinlæring, la oss se nærmere på hvorfor maskinlæringsrevolusjonen som utspiller seg foran øynene våre bør være av interesse for deg personlig som mobilutvikler.
Reduser latens
Mobilapputviklere vet at økt ventetid kan være et svart merke for et program, uansett hvor gode funksjonene det har eller hvor anerkjent merkevaren er. Tidligere var det på Android-enheter , på grunn av hvilket video- og lydvisning ofte viste seg å være usynkronisert. På samme måte kan en sosial medieklient med høy latens gjøre kommunikasjon til en virkelig tortur for brukeren.
Implementering av maskinlæring på enheten blir stadig viktigere nettopp på grunn av latensproblemer som disse. Tenk deg hvordan bildefiltre fungerer for sosiale nettverk, eller restaurantanbefalinger basert på geolokalisering. I slike applikasjoner må ventetiden være minimal for at den skal yte på høyeste nivå.
Som nevnt ovenfor kan skybehandling noen ganger være treg, og utvikleren vil at ventetiden skal være nær null for at maskinlæringsmulighetene til en mobilapp skal fungere skikkelig. Maskinlæring på enheter åpner for databehandlingsmuligheter som virkelig kan redusere ventetiden til nesten null.
Smarttelefonprodusenter og teknologimarkedsgiganter begynner gradvis å innse dette. I lang tid forble Apple ledende i denne bransjen, og utviklet seg for smarttelefoner som bruker Bionic-systemet, som implementerer Neural Engine, som hjelper til med å drive nevrale nettverk direkte på enheten, mens du oppnår .
Apple fortsetter også å utvikle Core ML, sin maskinlæringsplattform for mobilapper, trinn for trinn; i biblioteket lagt til støtte for GPUer; Google fortsetter å legge til forhåndslastede funksjoner til sin maskinlæringsplattform ML Kit. Ved å bruke disse teknologiene kan du utvikle applikasjoner som lar deg behandle data lynraskt, eliminere eventuelle forsinkelser og redusere antall feil.
Denne kombinasjonen av nøyaktighet og sømløse brukeropplevelser er en nøkkelberegning som utviklere av mobilapper må vurdere når de skal inkorporere maskinlæringsfunksjoner i appene sine. Og for å garantere slik funksjonalitet, er det nødvendig .
Forbedret sikkerhet og personvern
En annen stor fordel med edge computing som ikke kan overvurderes, er hvor mye det forbedrer brukersikkerhet og personvern. Å garantere sikkerheten og personvernet til data i applikasjonen er en integrert del av utviklerens oppgaver, spesielt med tanke på behovet for å overholde GDPR (General Data Protection Regulation), nye europeiske lover, som utvilsomt vil påvirke praksisen med mobilutvikling .
Fordi data ikke trenger å sendes oppstrøms eller til skyen for behandling, er nettkriminelle mindre i stand til å utnytte eventuelle sårbarheter som skapes under overføringsfasen; derfor opprettholdes integriteten til dataene. Dette gjør det enklere for utviklere av mobilapper å overholde GDPR datasikkerhetsbestemmelser.
Maskinlæring på enheter muliggjør også desentralisering, omtrent på samme måte som blockchain. Det er med andre ord vanskeligere for hackere å sette i gang et DDoS-angrep på et tilkoblet nettverk av skjulte enheter enn å utføre det samme angrepet på en sentral server. Denne teknologien kan også være nyttig når du arbeider med droner og for å overvåke etterlevelse av lovverk.
De ovennevnte smarttelefonbrikkene fra Apple bidrar også til å forbedre brukersikkerheten og personvernet – for eksempel kan de tjene som grunnlag for Face ID. Denne iPhone-funksjonen drives av et nevralt nettverk distribuert på enhetene som samler inn data fra alle de forskjellige representasjonene av en brukers ansikt. Dermed fungerer teknologien som en ekstremt nøyaktig og pålitelig identifiseringsmetode.
Disse og nyere AI-aktivert maskinvare vil bane vei for sikrere bruker-smarttelefoninteraksjoner. Faktisk får utviklere et ekstra lag med kryptering for å beskytte brukerdata.
Ingen internettilkobling nødvendig
Bortsett fra latensproblemer, krever det en god internettforbindelse å sende data til skyen for behandling og konklusjoner. Ofte, spesielt i utviklede land, er det ikke nødvendig å klage på Internett. Men hva skal man gjøre i områder der forbindelsen er dårligere? Når maskinlæring implementeres på enheter, lever nevrale nettverk på selve telefonene. Dermed kan utvikleren distribuere teknologien på hvilken som helst enhet og hvor som helst, uavhengig av kvaliteten på forbindelsen. I tillegg fører denne tilnærmingen til .
er en av bransjene som kan ha særlig nytte av maskinlæring på enheten, ettersom utviklere vil kunne lage verktøy som sjekker vitale tegn eller til og med tilby robotkirurgi uten internettforbindelse. Denne teknologien vil også være nyttig for studenter som ønsker å få tilgang til forelesningsmateriell uten internettforbindelse – for eksempel i en transporttunnel.
Til syvende og sist vil maskinlæring på enheter gi utviklere verktøy for å lage verktøy som vil være til nytte for brukere over hele verden, uavhengig av deres internettforbindelsessituasjon. Tatt i betraktning at kraften til nye smarttelefoner vil være minst like kraftig som de nåværende, vil brukere glemme problemer med forsinkelser når de jobber med applikasjonen offline.
Reduser kostnadene for virksomheten din
Maskinlæring på enheter kan også spare deg for en formue ved å slippe å betale eksterne entreprenører for å implementere og vedlikeholde mange av løsningene. Som nevnt ovenfor kan du i mange tilfeller klare deg uten både skyen og Internett.
GPU og AI-spesifikke skytjenester er de dyreste løsningene som kan kjøpes. Når du kjører modeller på enheten din, trenger du ikke betale for alle disse klyngene, takket være at det i dag er flere og mer avanserte smarttelefoner utstyrt med .
Ved å unngå marerittet med tung databehandling som skjer mellom enheten og skyen, sparer du enormt; Derfor er det svært lønnsomt å implementere maskinlæringsløsninger på enheter. I tillegg sparer du penger fordi applikasjonens båndbreddekrav er betydelig redusert.
Ingeniørene selv sparer også mye på utviklingsprosessen, siden de slipper å sette sammen og vedlikeholde ekstra skyinfrastruktur. Tvert imot er det mulig å oppnå mer med et mindre team. Dermed er menneskelig ressursplanlegging i utviklingsteam mye mer effektiv.
Konklusjon
Utvilsomt, på 2010-tallet, ble skyen en virkelig velsignelse, og forenklet databehandlingen. Men høyteknologi utvikler seg eksponentielt, og maskinlæring på enheter kan snart bli de facto-standarden, ikke bare innen mobilutvikling, men også innen tingenes internett.
Med redusert ventetid, forbedret sikkerhet, offline-funksjoner og generelt lavere kostnader, er det ingen overraskelse at de største aktørene innen mobilutvikling satser stort på teknologien. Mobilapplikasjonsutviklere bør også se nærmere på det for å følge med i tiden.
Kilde: www.habr.com