Машинско учење у мобилном развоју: изгледи и децентрализација

Добро јутро, Хабр!

Немамо шта да додамо наслову чланка у нашем претходном обавештењу - тако да се сви одмах позивају на мачку. Прочитајте и коментаришите.

Професионалци за мобилни развој ће имати користи од револуционарних промена које данас нуди. машинско учење на уређајима. Поента је колико ова технологија унапређује било коју мобилну апликацију, наиме, пружа нови ниво погодности за кориснике и омогућава вам да активно користите моћне функције, на пример, да бисте пружили најтачније препоруке, на основу геолокације, или одмах открити биљне болести.

Овај брзи развој мобилног машинског учења је одговор на бројне уобичајене проблеме од којих смо патили у класичном машинском учењу. У ствари, све је очигледно. У будућности ће мобилне апликације захтевати бржу обраду података и даље смањење кашњења.

Можда сте се већ запитали зашто Мобилне апликације које покреће вештачка интелигенција, не може једноставно извести закључак у облаку. Прво, технологије облака зависе од централних чворова (замислите огроман дата центар са великим складиштем података и великом рачунарском снагом). Овај централизовани приступ не може да се носи са брзинама обраде довољним да би се створила глатка мобилна искуства заснована на машинском учењу. Подаци се морају обрадити централно, а затим послати назад уређајима. Овај приступ захтева време, новац и не гарантује приватност самих података.

Дакле, након што смо изнели ове кључне предности мобилног машинског учења, хајде да детаљније погледамо зашто би револуција машинског учења која се одвија пред нашим очима требало да вас лично занима као мобилног програмера.

Смањите кашњење

Програмери мобилних апликација знају да повећано кашњење може бити црна мрља за програм, без обзира на то колико су његове карактеристике добре или колико је бренд угледан. Раније примећено на Андроид уређајима Озбиљно заостајање у многим видео апликацијама, због чега се видео и аудио гледање често испоставило да није синхронизовано. Исто тако, клијент друштвених медија са великим кашњењем може учинити комуникацију правом мучењем за корисника.

Имплементација машинског учења на уређају постаје све важнија управо због оваквих проблема са кашњењем. Замислите како филтери слика функционишу за друштвене мреже или препоруке ресторана на основу геолокације. У таквим апликацијама, кашњење мора бити минимално да би радило на највишем нивоу.

Као што је горе поменуто, обрада у облаку понекад може бити спора, а програмер жели да кашњење буде близу нуле да би могућности машинског учења мобилне апликације исправно функционисале. Машинско учење на уређајима отвара могућности обраде података које заиста могу смањити кашњење на скоро нулу.

Произвођачи паметних телефона и гиганти на тржишту технологије постепено почињу да схватају ово. Аппле је дуго времена остао лидер у овој индустрији, развијајући се све напреднији чипови за паметне телефоне који користе свој Биониц систем, који имплементира Неурал Енгине, који помаже у покретању неуронских мрежа директно на уређају, док се постиже невероватне брзине.

Аппле такође наставља да развија Цоре МЛ, своју платформу за машинско учење за мобилне апликације, корак по корак; у библиотеци ТенсорФлов Лите додата подршка за ГПУ; Гоогле наставља да додаје унапред учитане функције својој платформи за машинско учење МЛ Кит. Користећи ове технологије, можете развити апликације које вам омогућавају да обрађујете податке муњевитом брзином, елиминишете сва кашњења и смањите број грешака.

Ова комбинација тачности и беспрекорног корисничког искуства је кључна метрика коју програмери мобилних апликација морају узети у обзир када уводе могућности машинског учења у своје апликације. А да би се гарантовала таква функционалност, потребно је пренесите машинско учење на уређаје.

Побољшана безбедност и приватност

Још једна огромна предност рубног рачунарства која се не може преценити је колико побољшава безбедност и приватност корисника. Гарантовање сигурности и приватности података у апликацији је саставни део задатака програмера, посебно узимајући у обзир потребу да се поштује ГДПР (Генерал Дата Протецтион Регулатион), нови европски закони, што ће несумњиво утицати на праксу развоја мобилних уређаја. .

Пошто подаци не морају да се шаљу узводно или у облак ради обраде, сајбер криминалци су мање способни да искористе све рањивости настале током фазе преноса; стога се одржава интегритет података. Ово олакшава програмерима мобилних апликација да се придржавају ГДПР прописа о безбедности података.

Машинско учење на уређајима такође омогућава децентрализацију, на исти начин као и блокчејн. Другим речима, хакерима је теже да покрену ДДоС напад на повезану мрежу скривених уређаја него да изврше исти напад на централни сервер. Ова технологија такође може бити корисна када радите са дроновима и за праћење усклађености са законима.

Горе наведени чипови за паметне телефоне компаније Аппле такође помажу у побољшању безбедности и приватности корисника – на пример, могу послужити као основа за Фаце ИД. Ову функцију иПхоне-а покреће неуронска мрежа распоређена на уређајима која прикупља податке са свих различитих приказа лица корисника. Дакле, технологија служи као изузетно прецизан и поуздан метод идентификације.

Овај и новији хардвер који подржава вештачку интелигенцију отвориће пут безбеднијој интеракцији између корисника и паметног телефона. У ствари, програмери добијају додатни слој енкрипције за заштиту корисничких података.

Интернет веза није потребна

Осим проблема са кашњењем, слање података у облак ради обраде и доношења закључака захтева добру интернет везу. Често, посебно у развијеним земљама, нема потребе да се жалите на Интернет. Али шта учинити у областима где је веза лошија? Када се машинско учење имплементира на уређајима, неуронске мреже живе на самим телефонима. Дакле, програмер може да примени технологију на било ком уређају и било где, без обзира на квалитет везе. Осим тога, овај приступ води до демократизација МЛ способности.

Здравство је једна од индустрија која би посебно могла имати користи од машинског учења на уређају, јер ће програмери моћи да креирају алате који проверавају виталне знакове или чак пружају роботску хирургију без икакве интернет везе. Ова технологија ће такође бити корисна за студенте који желе да приступе материјалима за предавања без интернет везе – на пример, док су у транспортном тунелу.

На крају, машинско учење на уређајима ће програмерима пружити алате за креирање алата који ће користити корисницима широм света, без обзира на њихову ситуацију са интернет конекцијом. С обзиром да ће снага нових паметних телефона бити барем једнако моћна као и садашњих, корисници ће заборавити на проблеме са кашњењем када раде са апликацијом ван мреже.

Смањење трошкова за ваше пословање

Машинско учење на уређајима такође може да вам уштеди богатство тако што не морате да плаћате спољним извођачима за имплементацију и одржавање многих решења. Као што је горе поменуто, у многим случајевима можете и без облака и интернета.

Услуге у облаку специфичне за ГПУ и АИ су најскупља решења која се могу купити. Када покрећете моделе на свом уређају, не морате да плаћате за све ове кластере, захваљујући чињеници да данас има све више напредних паметних телефона опремљених неуроморфни процесори (НПУ).

Избегавајући ноћну мору тешке обраде података која се дешава између уређаја и облака, уштедите енормно; Због тога је веома исплативо имплементирати решења за машинско учење на уређајима. Поред тога, штедите новац јер су захтеви за пропусни опсег ваше апликације значајно смањени.

Сами инжењери такође много штеде на процесу развоја, јер не морају да склапају и одржавају додатну инфраструктуру у облаку. Напротив, са мањим тимом могуће је постићи више. Стога је планирање људских ресурса у развојним тимовима много ефикасније.

Закључак

Без сумње, 2010-их, облак је постао права благодат, поједностављујући обраду података. Али висока технологија се експоненцијално развија, а машинско учење на уређајима би ускоро могло постати де фацто стандард не само у области мобилног развоја, већ и на Интернету ствари.

Са смањеним кашњењем, побољшаном безбедношћу, могућностима ван мреже и свеукупно нижим трошковима, није изненађење да се највећи играчи у развоју мобилних уређаја у великој мери кладе на технологију. Програмери мобилних апликација такође би требало да је боље погледају како би били у корак са временом.

Извор: ввв.хабр.цом