การเรียนรู้ของเครื่องในการพัฒนามือถือ: มุมมองและการกระจายอำนาจ

สวัสดีตอนเช้าฮับ!

เราไม่มีอะไรจะเพิ่มเติมในชื่อบทความในการแจ้งเตือนล่วงหน้าของเรา - ดังนั้นทุกคนจึงได้รับเชิญให้ไปที่แมวทันที อ่านแล้วแสดงความคิดเห็น

ผู้เชี่ยวชาญด้านการพัฒนาอุปกรณ์เคลื่อนที่จะได้รับประโยชน์จากการเปลี่ยนแปลงที่ปฏิวัติวงการในปัจจุบัน การเรียนรู้ของเครื่องบนอุปกรณ์. ประเด็นก็คือเทคโนโลยีนี้ช่วยปรับปรุงแอปพลิเคชันมือถือใด ๆ ได้มากเพียงใด กล่าวคือ มอบความสะดวกสบายระดับใหม่ให้กับผู้ใช้และช่วยให้คุณสามารถใช้ฟีเจอร์ที่ทรงพลัง เช่น เพื่อให้คำแนะนำที่แม่นยำที่สุด ขึ้นอยู่กับตำแหน่งทางภูมิศาสตร์หรือตรวจจับได้ทันที โรคพืช.

การพัฒนาอย่างรวดเร็วของการเรียนรู้ของเครื่องบนอุปกรณ์เคลื่อนที่เป็นการตอบสนองต่อปัญหาทั่วไปหลายประการที่เราประสบในการเรียนรู้ของเครื่องแบบคลาสสิก ในความเป็นจริงทุกอย่างชัดเจน ในอนาคต แอปพลิเคชันบนมือถือจะต้องมีการประมวลผลข้อมูลที่เร็วขึ้นและลดความหน่วงลงอีก

คุณอาจสงสัยแล้วว่าทำไม แอพมือถือที่ขับเคลื่อนด้วย AI,ไม่สามารถเรียกใช้การอนุมานในระบบคลาวด์เพียงอย่างเดียวได้ ประการแรก เทคโนโลยีคลาวด์ขึ้นอยู่กับโหนดส่วนกลาง (ลองจินตนาการถึงศูนย์ข้อมูลขนาดใหญ่ที่มีทั้งพื้นที่จัดเก็บข้อมูลที่กว้างขวางและพลังการประมวลผลขนาดใหญ่) วิธีการแบบรวมศูนย์นี้ไม่สามารถรองรับความเร็วการประมวลผลที่เพียงพอเพื่อสร้างประสบการณ์มือถือที่ราบรื่นซึ่งขับเคลื่อนโดยการเรียนรู้ของเครื่อง ข้อมูลจะต้องได้รับการประมวลผลจากส่วนกลางแล้วส่งกลับไปยังอุปกรณ์ วิธีการนี้ต้องใช้เวลา เงิน และไม่รับประกันความเป็นส่วนตัวของข้อมูล

ดังนั้น เมื่อสรุปถึงประโยชน์หลักๆ ของการเรียนรู้ของเครื่องบนอุปกรณ์เคลื่อนที่แล้ว เรามาดูกันดีกว่าว่าเหตุใดการปฏิวัติการเรียนรู้ของเครื่องจึงปรากฏต่อหน้าต่อตาเรา จึงเป็นที่สนใจของคุณเป็นการส่วนตัวในฐานะนักพัฒนาอุปกรณ์เคลื่อนที่

ลดความหน่วง

นักพัฒนาแอพมือถือรู้ดีว่าเวลาแฝงที่เพิ่มขึ้นอาจเป็นจุดดำสำหรับโปรแกรม ไม่ว่าฟีเจอร์ของโปรแกรมจะดีแค่ไหนหรือแบรนด์จะมีชื่อเสียงแค่ไหนก็ตาม ก่อนหน้านี้บนอุปกรณ์ Android ก็มี ความล่าช้าอย่างมากในแอปพลิเคชั่นวิดีโอจำนวนมากเนื่องจากการดูวิดีโอและเสียงมักจะไม่ตรงกัน ในทำนองเดียวกัน ไคลเอนต์โซเชียลมีเดียที่มีค่าหน่วงเวลาสูงสามารถทำให้การสื่อสารกลายเป็นเรื่องทรมานสำหรับผู้ใช้ได้

การใช้แมชชีนเลิร์นนิงบนอุปกรณ์กำลังมีความสำคัญมากขึ้นเรื่อยๆ เนื่องจากปัญหาด้านเวลาแฝงเช่นนี้ ลองนึกภาพว่าตัวกรองรูปภาพทำงานอย่างไรสำหรับโซเชียลเน็ตเวิร์ก หรือคำแนะนำร้านอาหารตามตำแหน่งทางภูมิศาสตร์ ในแอปพลิเคชันดังกล่าว เวลาแฝงจะต้องน้อยที่สุดจึงจะทำงานในระดับสูงสุดได้

ตามที่กล่าวไว้ข้างต้น บางครั้งการประมวลผลบนคลาวด์อาจช้า และนักพัฒนาต้องการให้เวลาแฝงใกล้เคียงกับศูนย์เพื่อให้ความสามารถในการเรียนรู้ของเครื่องของแอปมือถือทำงานได้อย่างถูกต้อง การเรียนรู้ของเครื่องบนอุปกรณ์เปิดความสามารถในการประมวลผลข้อมูลที่สามารถลดเวลาแฝงจนเกือบเป็นศูนย์ได้อย่างแท้จริง

ผู้ผลิตสมาร์ทโฟนและยักษ์ใหญ่ในตลาดเทคโนโลยีต่างค่อยๆ เริ่มตระหนักถึงเรื่องนี้ เป็นเวลานานที่ Apple ยังคงเป็นผู้นำในอุตสาหกรรมนี้ที่กำลังพัฒนา ชิปขั้นสูงมากขึ้นเรื่อยๆ สำหรับสมาร์ทโฟนที่ใช้ระบบไบโอนิคซึ่งใช้ Neural Engine ที่ช่วยขับเคลื่อนโครงข่ายประสาทเทียมบนอุปกรณ์โดยตรงในขณะที่บรรลุผลสำเร็จ ความเร็วที่เหลือเชื่อ.

Apple ยังคงพัฒนา Core ML ซึ่งเป็นแพลตฟอร์มการเรียนรู้ของเครื่องสำหรับแอพมือถืออย่างต่อเนื่องทีละขั้นตอน ในห้องสมุด TensorFlow Lite เพิ่มการรองรับ GPU; Google ยังคงเพิ่มคุณสมบัติที่โหลดไว้ล่วงหน้าให้กับแพลตฟอร์มการเรียนรู้ของเครื่อง ML Kit ด้วยการใช้เทคโนโลยีเหล่านี้ คุณสามารถพัฒนาแอปพลิเคชันที่ช่วยให้คุณสามารถประมวลผลข้อมูลด้วยความเร็วสูง ขจัดความล่าช้า และลดจำนวนข้อผิดพลาด

การผสมผสานระหว่างความแม่นยำและประสบการณ์ผู้ใช้ที่ราบรื่นเป็นตัวชี้วัดสำคัญที่นักพัฒนาแอปมือถือต้องพิจารณาเมื่อแนะนำความสามารถด้านการเรียนรู้ของเครื่องในแอปของตน และเพื่อรับประกันการทำงานดังกล่าวจึงจำเป็นต้องมี นำการเรียนรู้ของเครื่องมาใช้กับอุปกรณ์ต่างๆ.

ปรับปรุงความปลอดภัยและความเป็นส่วนตัว

ข้อดีอีกประการหนึ่งของ Edge Computing ที่ไม่สามารถกล่าวเกินจริงได้ก็คือ ช่วยเพิ่มความปลอดภัยและความเป็นส่วนตัวของผู้ใช้ได้มากเพียงใด การรับประกันความปลอดภัยและความเป็นส่วนตัวของข้อมูลในแอปพลิเคชันเป็นส่วนสำคัญของงานของนักพัฒนา โดยเฉพาะอย่างยิ่งคำนึงถึงความจำเป็นในการปฏิบัติตาม GDPR (กฎระเบียบคุ้มครองข้อมูลทั่วไป) กฎหมายยุโรปฉบับใหม่ ซึ่งจะส่งผลต่อแนวทางปฏิบัติของการพัฒนามือถืออย่างไม่ต้องสงสัย .

เนื่องจากข้อมูลไม่จำเป็นต้องส่งต้นทางหรือไปยังคลาวด์เพื่อการประมวลผล อาชญากรไซเบอร์จึงสามารถใช้ประโยชน์จากช่องโหว่ใดๆ ที่สร้างขึ้นระหว่างขั้นตอนการถ่ายโอนได้น้อยกว่า ดังนั้นจึงรักษาความสมบูรณ์ของข้อมูลไว้ ช่วยให้นักพัฒนาแอปมือถือปฏิบัติตามกฎระเบียบด้านความปลอดภัยของข้อมูล GDPR ได้ง่ายขึ้น

การเรียนรู้ของเครื่องบนอุปกรณ์ยังทำให้เกิดการกระจายอำนาจในลักษณะเดียวกับบล็อกเชน กล่าวอีกนัยหนึ่ง แฮกเกอร์ที่จะเริ่มการโจมตี DDoS บนเครือข่ายที่เชื่อมต่อของอุปกรณ์ที่ซ่อนอยู่นั้นยากกว่าการโจมตีแบบเดียวกันบนเซิร์ฟเวอร์กลาง เทคโนโลยีนี้ยังมีประโยชน์เมื่อทำงานกับโดรนและสำหรับติดตามการปฏิบัติตามกฎหมายอีกด้วย

ชิปสมาร์ทโฟนจาก Apple ที่กล่าวมาข้างต้นยังช่วยปรับปรุงความปลอดภัยและความเป็นส่วนตัวของผู้ใช้อีกด้วย เช่น ชิปเหล่านี้สามารถใช้เป็นพื้นฐานสำหรับ Face ID ได้ คุณสมบัติของ iPhone นี้ขับเคลื่อนโดยโครงข่ายประสาทเทียมที่ติดตั้งบนอุปกรณ์ที่รวบรวมข้อมูลจากการแสดงใบหน้าของผู้ใช้ที่แตกต่างกันทั้งหมด ดังนั้นเทคโนโลยีนี้จึงเป็นวิธีการระบุตัวตนที่แม่นยำและเชื่อถือได้อย่างยิ่ง

ฮาร์ดแวร์ที่เปิดใช้งาน AI เหล่านี้และรุ่นใหม่กว่าจะปูทางไปสู่การโต้ตอบระหว่างผู้ใช้กับสมาร์ทโฟนที่ปลอดภัยยิ่งขึ้น ในความเป็นจริง นักพัฒนาจะได้รับการเข้ารหัสเพิ่มเติมอีกชั้นเพื่อปกป้องข้อมูลผู้ใช้

ไม่จำเป็นต้องเชื่อมต่ออินเทอร์เน็ต

นอกเหนือจากปัญหาเรื่องความหน่วงแล้ว การส่งข้อมูลไปยังคลาวด์เพื่อการประมวลผลและสรุปผลต้องใช้การเชื่อมต่ออินเทอร์เน็ตที่ดี บ่อยครั้ง โดยเฉพาะอย่างยิ่งในประเทศที่พัฒนาแล้ว ไม่จำเป็นต้องบ่นเกี่ยวกับอินเทอร์เน็ต แต่จะทำอย่างไรในพื้นที่ที่การเชื่อมต่อแย่ลง? เมื่อนำการเรียนรู้ของเครื่องไปใช้กับอุปกรณ์ต่างๆ โครงข่ายประสาทเทียมก็จะทำงานบนโทรศัพท์ด้วย ดังนั้นนักพัฒนาจึงสามารถปรับใช้เทคโนโลยีบนอุปกรณ์ใดก็ได้และทุกที่ โดยไม่คำนึงถึงคุณภาพของการเชื่อมต่อ นอกจากนี้แนวทางนี้ยังนำไปสู่ การทำให้ความสามารถ ML เป็นประชาธิปไตย.

สุขภาพ เป็นหนึ่งในอุตสาหกรรมที่อาจได้รับประโยชน์เป็นพิเศษจากการเรียนรู้ของเครื่องบนอุปกรณ์ เนื่องจากนักพัฒนาจะสามารถสร้างเครื่องมือที่ตรวจสอบสัญญาณชีพหรือแม้แต่การผ่าตัดด้วยหุ่นยนต์โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ต เทคโนโลยีนี้จะเป็นประโยชน์สำหรับนักเรียนที่ต้องการเข้าถึงสื่อการสอนโดยไม่ต้องเชื่อมต่ออินเทอร์เน็ต เช่น ขณะอยู่ในอุโมงค์ขนส่ง

ท้ายที่สุดแล้ว การเรียนรู้ของเครื่องบนอุปกรณ์จะช่วยให้นักพัฒนามีเครื่องมือในการสร้างเครื่องมือที่จะเป็นประโยชน์ต่อผู้ใช้ทั่วโลก ไม่ว่าพวกเขาจะเชื่อมต่ออินเทอร์เน็ตในสถานการณ์ใดก็ตาม เมื่อพิจารณาว่าพลังของสมาร์ทโฟนรุ่นใหม่อย่างน้อยจะทรงพลังเท่ากับรุ่นปัจจุบัน ผู้ใช้จะลืมปัญหาความล่าช้าเมื่อทำงานกับแอปพลิเคชันออฟไลน์

การลดต้นทุนสำหรับธุรกิจของคุณ

การเรียนรู้ของเครื่องบนอุปกรณ์ยังช่วยให้คุณประหยัดเงินได้มากโดยไม่ต้องจ่ายเงินให้ผู้รับเหมาภายนอกเพื่อใช้งานและบำรุงรักษาโซลูชันต่างๆ มากมาย ตามที่กล่าวไว้ข้างต้น ในหลายกรณี คุณสามารถทำได้โดยไม่ต้องใช้ทั้งระบบคลาวด์และอินเทอร์เน็ต

บริการคลาวด์เฉพาะของ GPU และ AI เป็นโซลูชันที่แพงที่สุดที่สามารถซื้อได้ เมื่อคุณรันโมเดลบนอุปกรณ์ของคุณ คุณไม่จำเป็นต้องจ่ายเงินสำหรับคลัสเตอร์เหล่านี้ทั้งหมด เนื่องจากในปัจจุบันมีสมาร์ทโฟนขั้นสูงมากขึ้นเรื่อยๆ ที่มาพร้อมกับ ตัวประมวลผลนิวโรมอร์ฟิก (NPU).

ด้วยการหลีกเลี่ยงฝันร้ายของการประมวลผลข้อมูลจำนวนมากที่เกิดขึ้นระหว่างอุปกรณ์และคลาวด์ คุณจะประหยัดได้มหาศาล ดังนั้นจึงเป็นประโยชน์อย่างมากในการใช้โซลูชันการเรียนรู้ของเครื่องบนอุปกรณ์ นอกจากนี้คุณยังประหยัดเงินเนื่องจากความต้องการแบนด์วิธของแอปพลิเคชันของคุณลดลงอย่างมาก

วิศวกรเองก็ประหยัดค่าใช้จ่ายในกระบวนการพัฒนาได้มาก เนื่องจากพวกเขาไม่จำเป็นต้องประกอบและบำรุงรักษาโครงสร้างพื้นฐานระบบคลาวด์เพิ่มเติม ในทางตรงกันข้าม เป็นไปได้ที่จะประสบความสำเร็จมากขึ้นด้วยทีมเล็กๆ ดังนั้นการวางแผนทรัพยากรบุคคลในทีมพัฒนาจึงมีประสิทธิภาพมากกว่ามาก

ข้อสรุป

ไม่ต้องสงสัยเลยว่าในช่วงปี 2010 ระบบคลาวด์กลายเป็นประโยชน์อย่างแท้จริง ทำให้การประมวลผลข้อมูลง่ายขึ้น แต่เทคโนโลยีชั้นสูงกำลังพัฒนาอย่างทวีคูณ และการเรียนรู้ของเครื่องบนอุปกรณ์อาจกลายเป็นมาตรฐานโดยพฤตินัยในไม่ช้า ไม่เพียงแต่ในด้านการพัฒนาอุปกรณ์เคลื่อนที่เท่านั้น แต่ยังรวมถึงอินเทอร์เน็ตของสรรพสิ่งด้วย

ด้วยเวลาแฝงที่ลดลง การรักษาความปลอดภัยที่ดีขึ้น ความสามารถแบบออฟไลน์ และต้นทุนโดยรวมที่ลดลง จึงไม่น่าแปลกใจที่ผู้เล่นรายใหญ่ที่สุดในการพัฒนาอุปกรณ์เคลื่อนที่จะเดิมพันครั้งใหญ่กับเทคโนโลยี นักพัฒนาแอปพลิเคชันบนมือถือควรพิจารณาอย่างใกล้ชิดเพื่อให้ทันกับเวลา

ที่มา: will.com