Dobro jutro, Habr!
K naslovu članka v prednapovedi nimamo kaj dodati – zato vsi takoj vabljeni na mačko. Preberite in komentirajte.
Strokovnjaki za mobilni razvoj bodo imeli koristi od revolucionarnih sprememb, ki jih ponuja današnji dan. . Bistvo je v tem, koliko ta tehnologija izboljša katero koli mobilno aplikacijo, in sicer zagotavlja novo raven udobja za uporabnike in vam omogoča aktivno uporabo zmogljivih funkcij, na primer za zagotavljanje najbolj natančnih priporočil, , ali takoj zaznati .
Ta hiter razvoj mobilnega strojnega učenja je odgovor na številne pogoste težave, s katerimi smo trpeli pri klasičnem strojnem učenju. Pravzaprav je vse očitno. V prihodnosti bodo mobilne aplikacije zahtevale hitrejšo obdelavo podatkov in nadaljnje zmanjšanje zakasnitev.
Morda ste se že vprašali zakaj , ne more preprosto izvajati sklepanja v oblaku. Prvič, tehnologije v oblaku so odvisne od osrednjih vozlišč (predstavljajte si ogromen podatkovni center z obsežnim shranjevanjem podatkov in veliko računalniško močjo). Ta centraliziran pristop ne more obvladati dovolj hitrosti obdelave za ustvarjanje nemotenih mobilnih izkušenj, ki jih poganja strojno učenje. Podatke je treba centralno obdelati in nato poslati nazaj v naprave. Ta pristop zahteva čas, denar in ne zagotavlja zasebnosti samih podatkov.
Torej, ko smo orisali te ključne prednosti mobilnega strojnega učenja, si poglejmo podrobneje, zakaj bi morala biti revolucija strojnega učenja, ki se odvija pred našimi očmi, zanimiva za vas kot mobilnega razvijalca.
Zmanjšajte zakasnitev
Razvijalci mobilnih aplikacij vedo, da je povečana zakasnitev lahko črna pika za program, ne glede na to, kako dobre so njegove funkcije ali kako ugledna je blagovna znamka. Prej so bili na napravah Android , zaradi česar se je pogosto izkazalo, da ogled videa in zvoka nista usklajena. Prav tako lahko odjemalec družbenih omrežij z visoko latenco komunikacijo za uporabnika naredi pravo mučenje.
Izvajanje strojnega učenja na napravi postaja vse bolj pomembno prav zaradi težav z zakasnitvami, kot so te. Predstavljajte si, kako delujejo slikovni filtri za družbena omrežja ali priporočila restavracij na podlagi geolokacije. V takih aplikacijah mora biti zakasnitev minimalna, da deluje na najvišji ravni.
Kot je navedeno zgoraj, je lahko obdelava v oblaku včasih počasna in razvijalec želi, da je zakasnitev blizu nič, da zmožnosti strojnega učenja mobilne aplikacije delujejo pravilno. Strojno učenje na napravah odpira zmogljivosti obdelave podatkov, ki lahko resnično zmanjšajo zakasnitev skoraj na nič.
Proizvajalci pametnih telefonov in tehnološki velikani se tega postopoma začenjajo zavedati. Apple je dolgo časa ostal vodilni v tej panogi in se razvijal za pametne telefone, ki uporabljajo svoj sistem Bionic, ki izvaja nevronski motor, ki pomaga poganjati nevronske mreže neposredno na napravi, hkrati pa dosegati .
Apple prav tako korak za korakom nadaljuje z razvojem Core ML, svoje platforme za strojno učenje za mobilne aplikacije; v knjižnici dodana podpora za GPU; Google še naprej dodaja vnaprej naložene funkcije svoji platformi za strojno učenje ML Kit. Z uporabo teh tehnologij lahko razvijete aplikacije, ki vam omogočajo bliskovito hitro obdelavo podatkov, odpravo morebitnih zamud in zmanjšanje števila napak.
Ta kombinacija natančnosti in brezhibne uporabniške izkušnje je ključna metrika, ki jo morajo razvijalci mobilnih aplikacij upoštevati, ko v svoje aplikacije uvajajo zmogljivosti strojnega učenja. In za zagotovitev takšne funkcionalnosti je potrebno .
Izboljšana varnost in zasebnost
Druga velika prednost robnega računalništva, ki je ni mogoče preceniti, je, koliko izboljša varnost in zasebnost uporabnikov. Zagotavljanje varnosti in zasebnosti podatkov v aplikaciji je sestavni del nalog razvijalca, še posebej ob upoštevanju potrebe po uskladitvi z GDPR (Splošno uredbo o varstvu podatkov), novo evropsko zakonodajo, ki bo nedvomno vplivala na prakso mobilnega razvoja. .
Ker podatkov ni treba poslati navzgor ali v oblak za obdelavo, kibernetski kriminalci manj zmorejo izkoristiti morebitne ranljivosti, ustvarjene med fazo prenosa; zato je ohranjena celovitost podatkov. To razvijalcem mobilnih aplikacij olajša izpolnjevanje predpisov GDPR o varnosti podatkov.
Strojno učenje na napravah omogoča tudi decentralizacijo, podobno kot veriga blokov. Z drugimi besedami, hekerjem je težje izvesti napad DDoS na povezano omrežje skritih naprav kot izvesti isti napad na osrednji strežnik. Ta tehnologija je lahko uporabna tudi pri delu z droni in za spremljanje skladnosti z zakonodajo.
Zgoraj omenjeni čipi za pametne telefone podjetja Apple prav tako pomagajo izboljšati varnost in zasebnost uporabnikov – na primer lahko služijo kot osnova za Face ID. To funkcijo iPhone poganja nevronska mreža, nameščena v napravah, ki zbira podatke iz vseh različnih predstavitev uporabnikovega obraza. Tako tehnologija služi kot izjemno natančna in zanesljiva metoda identifikacije.
Ta in novejša strojna oprema, ki podpira AI, bo utrla pot varnejšim interakcijam med uporabnikom in pametnim telefonom. Pravzaprav razvijalci dobijo dodatno plast šifriranja za zaščito uporabniških podatkov.
Internetna povezava ni potrebna
Ne glede na težave z zakasnitvijo, pošiljanje podatkov v oblak za obdelavo in sklepanje zahteva dobro internetno povezavo. Pogosto, zlasti v razvitih državah, se nad internetom ni treba pritoževati. Kaj pa narediti na območjih, kjer je povezava slabša? Ko je strojno učenje implementirano v naprave, nevronske mreže živijo na samih telefonih. Tako lahko razvijalec tehnologijo uvede na kateri koli napravi in kjer koli, ne glede na kakovost povezave. Poleg tega ta pristop vodi do .
je ena od industrij, ki bi ji lahko še posebej koristilo strojno učenje na napravi, saj bodo razvijalci lahko ustvarili orodja, ki preverjajo vitalne znake ali celo zagotavljajo robotsko kirurgijo brez internetne povezave. Ta tehnologija bo uporabna tudi za študente, ki želijo dostopati do gradiva predavanj brez internetne povezave – na primer v transportnem tunelu.
Končno bo strojno učenje na napravah razvijalcem zagotovilo orodja za ustvarjanje orodij, ki bodo koristila uporabnikom po vsem svetu, ne glede na njihovo internetno povezavo. Glede na to, da bo moč novih pametnih telefonov vsaj tako močna kot sedanji, bodo uporabniki pozabili na težave z zamudami pri delu z aplikacijo brez povezave.
Zmanjšanje stroškov za vaše podjetje
Strojno učenje na napravah vam lahko prihrani tudi bogastvo, saj vam ni treba plačevati zunanjim izvajalcem za implementacijo in vzdrževanje številnih rešitev. Kot že omenjeno, v mnogih primerih lahko storite brez oblaka in interneta.
Storitve v oblaku, specifične za GPU in AI, so najdražje rešitve, ki jih je mogoče kupiti. Ko v svoji napravi izvajate modele, vam ni treba plačati za vse te grozde, zahvaljujoč dejstvu, da je danes vedno več naprednih pametnih telefonov, opremljenih z .
Z izogibanjem nočni mori težke obdelave podatkov, ki se pojavi med napravo in oblakom, prihranite ogromno; Zato je zelo donosno implementirati rešitve strojnega učenja na naprave. Poleg tega prihranite denar, ker so zahteve vaše aplikacije glede pasovne širine znatno zmanjšane.
Tudi inženirji sami veliko prihranijo pri procesu razvoja, saj jim ni treba sestavljati in vzdrževati dodatne oblačne infrastrukture. Nasprotno, z manjšo ekipo je mogoče doseči več. Tako je načrtovanje človeških virov v razvojnih ekipah veliko bolj učinkovito.
Zaključek
Nedvomno je v letu 2010 oblak postal prava dobrina, saj je poenostavil obdelavo podatkov. Toda visoka tehnologija se eksponentno razvija in strojno učenje na napravah lahko kmalu postane de facto standard ne le na področju mobilnega razvoja, temveč tudi v internetu stvari.
Z zmanjšano zakasnitvijo, izboljšano varnostjo, zmogljivostmi brez povezave in splošnimi nižjimi stroški ne preseneča, da največji igralci v mobilnem razvoju veliko stavijo na tehnologijo. Tudi razvijalci mobilnih aplikacij bi ji morali vzeti pod drobnogled, da bodo v koraku s časom.
Vir: www.habr.com