God morgon, Habr!
Vi har inget att tillägga till artikelns titel i vår föranmälan - så alla är omedelbart inbjudna till katten. Läs och kommentera.
Proffs inom mobilutveckling kommer att dra nytta av de revolutionerande förändringar som idag har att erbjuda. . Poängen är hur mycket denna teknik förbättrar alla mobilapplikationer, nämligen att den ger en ny nivå av bekvämlighet för användarna och låter dig aktivt använda kraftfulla funktioner, till exempel för att ge de mest exakta rekommendationerna, , eller omedelbart upptäcka .
Denna snabba utveckling av mobil maskininlärning är ett svar på ett antal vanliga problem som vi har lidit av inom klassisk maskininlärning. Faktum är att allt är uppenbart. I framtiden kommer mobilapplikationer att kräva snabbare databehandling och ytterligare minskning av latens.
Du kanske redan undrat varför ,kan inte bara köra inferens i molnet. För det första är molntekniken beroende av centrala noder (föreställ dig ett enormt datacenter med både omfattande datalagring och stor datorkraft). Detta centraliserade tillvägagångssätt kan inte hantera bearbetningshastigheter som är tillräckliga för att skapa smidiga mobila upplevelser som drivs av maskininlärning. Data måste behandlas centralt och sedan skickas tillbaka till enheter. Detta tillvägagångssätt kräver tid, pengar och garanterar inte sekretessen för själva data.
Så, efter att ha beskrivit dessa nyckelfördelar med mobil maskininlärning, låt oss ta en närmare titt på varför maskininlärningsrevolutionen som utspelar sig framför våra ögon borde vara av intresse för dig personligen som mobilutvecklare.
Minska latensen
Mobilappsutvecklare vet att ökad latens kan vara ett svart märke för ett program, oavsett hur bra dess funktioner är eller hur välrenommerat varumärket är. Tidigare fanns det på Android-enheter , på grund av vilket video- och ljudvisning ofta visade sig vara osynkroniserad. Likaså kan en social media-klient med hög latens göra kommunikation till en verklig tortyr för användaren.
Att implementera maskininlärning på enheter blir allt viktigare just på grund av latensproblem som dessa. Föreställ dig hur bildfilter fungerar för sociala nätverk, eller restaurangrekommendationer baserade på geolokalisering. I sådana applikationer måste latensen vara minimal för att den ska fungera på högsta nivå.
Som nämnts ovan kan molnbearbetning ibland vara långsam, och utvecklaren vill att latensen ska vara nära noll för att maskininlärningsmöjligheterna i en mobilapp ska fungera korrekt. Maskininlärning på enheter öppnar för databehandlingsmöjligheter som verkligen kan minska latensen till nästan noll.
Smartphonetillverkare och jättar på teknikmarknaden börjar gradvis inse detta. Under lång tid förblev Apple ledande inom denna bransch och utvecklade för smartphones som använder sitt Bionic-system, som implementerar Neural Engine, som hjälper till att driva neurala nätverk direkt på enheten, samtidigt som man uppnår .
Apple fortsätter också att utveckla Core ML, dess maskininlärningsplattform för mobilappar, steg för steg; i biblioteket lagt till stöd för GPU:er; Google fortsätter att lägga till förinstallerade funktioner till sin maskininlärningsplattform ML Kit. Med hjälp av dessa tekniker kan du utveckla applikationer som låter dig bearbeta data blixtsnabbt, eliminera eventuella förseningar och minska antalet fel.
Denna kombination av noggrannhet och sömlösa användarupplevelser är ett nyckelmått som utvecklare av mobilappar måste beakta när de införlivar maskininlärningsfunktioner i sina appar. Och för att garantera sådan funktionalitet krävs det .
Förbättrad säkerhet och integritet
En annan stor fördel med edge computing som inte kan överskattas är hur mycket det förbättrar användarnas säkerhet och integritet. Att garantera säkerheten och integriteten för data i applikationen är en integrerad del av utvecklarens uppgifter, särskilt med hänsyn till behovet av att följa GDPR (General Data Protection Regulation), nya europeiska lagar, som utan tvekan kommer att påverka praktiken av mobil utveckling .
Eftersom data inte behöver skickas uppströms eller till molnet för bearbetning är cyberbrottslingar mindre kapabla att utnyttja eventuella sårbarheter som skapas under överföringsfasen; därför upprätthålls integriteten för data. Detta gör det enklare för mobilappsutvecklare att följa GDPR datasäkerhetsbestämmelser.
Maskininlärning på enheter möjliggör också decentralisering, ungefär på samma sätt som blockchain. Det är med andra ord svårare för hackare att starta en DDoS-attack på ett uppkopplat nätverk av dolda enheter än att utföra samma attack mot en central server. Denna teknik kan också vara användbar när man arbetar med drönare och för att övervaka efterlevnad av lagstiftning.
Ovannämnda smartphone-chips från Apple hjälper också till att förbättra användarnas säkerhet och integritet – till exempel kan de fungera som grunden för Face ID. Denna iPhone-funktion drivs av ett neuralt nätverk på enheterna som samlar in data från alla olika representationer av en användares ansikte. Tekniken fungerar således som en extremt noggrann och pålitlig identifieringsmetod.
Dessa och nyare AI-aktiverad hårdvara kommer att bana väg för säkrare interaktioner mellan användare och smartphones. Faktum är att utvecklare får ett extra lager av kryptering för att skydda användardata.
Ingen internetanslutning krävs
Bortsett från latensproblem, för att skicka data till molnet för bearbetning och dra slutsatser krävs en bra internetuppkoppling. Ofta, särskilt i utvecklade länder, finns det ingen anledning att klaga på Internet. Men vad ska man göra i områden där kopplingen är sämre? När maskininlärning implementeras på enheter lever neurala nätverk på själva telefonerna. Således kan utvecklaren distribuera tekniken på vilken enhet som helst och var som helst, oavsett kvaliteten på anslutningen. Dessutom leder detta tillvägagångssätt till .
är en av de branscher som särskilt skulle kunna dra nytta av maskininlärning på enheten, eftersom utvecklare kommer att kunna skapa verktyg som kontrollerar vitala tecken eller till och med tillhandahåller robotkirurgi utan någon internetanslutning. Denna teknik kommer också att vara användbar för studenter som vill komma åt föreläsningsmaterial utan internetuppkoppling - till exempel när de befinner sig i en transporttunnel.
I slutändan kommer maskininlärning på enheter att ge utvecklare verktygen för att skapa verktyg som kommer att gynna användare över hela världen, oavsett deras situation med internetuppkoppling. Med tanke på att kraften hos nya smartphones kommer att vara minst lika kraftfull som de nuvarande, kommer användare att glömma problem med förseningar när de arbetar med applikationen offline.
Minska kostnader för ditt företag
Maskininlärning på enheter kan också spara en förmögenhet genom att inte behöva betala externa entreprenörer för att implementera och underhålla många av lösningarna. Som nämnts ovan kan du i många fall klara dig utan både molnet och internet.
GPU och AI-specifika molntjänster är de dyraste lösningarna som går att köpa. När du kör modeller på din enhet behöver du inte betala för alla dessa kluster, tack vare att det idag finns fler och fler avancerade smartphones utrustade med .
Genom att undvika mardrömmen med tung databehandling som sker mellan enheten och molnet sparar du enormt; Därför är det mycket lönsamt att implementera maskininlärningslösningar på enheter. Dessutom sparar du pengar eftersom din applikations bandbreddskrav minskar avsevärt.
Ingenjörerna själva sparar också mycket på utvecklingsprocessen, eftersom de inte behöver montera och underhålla ytterligare molninfrastruktur. Tvärtom går det att uppnå mer med ett mindre team. Således är personalplanering i utvecklingsteam mycket effektivare.
Slutsats
Utan tvekan blev molnet på 2010-talet en riktig välsignelse, vilket förenklade databehandlingen. Men högteknologin utvecklas exponentiellt, och maskininlärning på enheter kan snart bli de facto-standarden inte bara inom området för mobilutveckling, utan även inom Internet of Things.
Med minskad latens, förbättrad säkerhet, offlinefunktioner och totalt sett lägre kostnader är det ingen överraskning att de största aktörerna inom mobilutveckling satsar stort på tekniken. Mobilapplikationsutvecklare bör också titta närmare på det för att hänga med i tiden.
Källa: will.com