Magandang umaga, Habr!
Wala kaming maidaragdag sa pamagat ng artikulo sa aming pre-notification - kaya ang lahat ay agad na iniimbitahan sa pusa. Magbasa at magkomento.
Makikinabang ang mga propesyonal sa mobile development mula sa mga rebolusyonaryong pagbabago na maiaalok ngayon. . Ang punto ay kung gaano pinahuhusay ng teknolohiyang ito ang anumang mobile application, ibig sabihin, nagbibigay ito ng bagong antas ng kaginhawahan para sa mga user at nagbibigay-daan sa iyong aktibong gumamit ng mga makapangyarihang feature, halimbawa, upang magbigay ng pinakatumpak na mga rekomendasyon, , o agad na matukoy .
Ang mabilis na pag-unlad ng mobile machine learning ay isang tugon sa ilang karaniwang problema na dinanas namin sa classical machine learning. Sa katunayan, ang lahat ay halata. Sa hinaharap, ang mga mobile application ay mangangailangan ng mas mabilis na pagproseso ng data at karagdagang pagbabawas ng latency.
Maaaring naisip mo na kung bakit , hindi basta-basta makapagpapatakbo ng inference sa cloud. Una, ang mga teknolohiya ng ulap ay nakasalalay sa mga sentral na node (isipin ang isang malaking data center na may parehong malawak na imbakan ng data at malaking kapangyarihan sa pag-compute). Hindi kayang pangasiwaan ng sentralisadong diskarte na ito ang bilis ng pagpoproseso na sapat upang lumikha ng maayos na mga karanasan sa mobile na pinapagana ng machine learning. Ang data ay dapat na iproseso sa gitna at pagkatapos ay ibalik sa mga device. Ang diskarte na ito ay nangangailangan ng oras, pera at hindi ginagarantiyahan ang privacy ng data mismo.
Kaya, nang nabalangkas ang mga pangunahing benepisyong ito ng pag-aaral ng mobile machine, tingnan natin kung bakit ang rebolusyon ng machine learning na lumalabas sa harap ng aming mga mata ay dapat na maging interesado sa iyo nang personal bilang isang mobile developer.
Bawasan ang Latency
Alam ng mga developer ng mobile app na ang tumaas na latency ay maaaring maging isang itim na marka para sa isang programa, gaano man kahusay ang mga feature nito o gaano kagalang ang brand. Dati, sa mga Android device mayroong , dahil sa kung saan ang panonood ng video at audio ay madalas lumabas na hindi naka-sync. Gayundin, ang isang kliyente ng social media na may mataas na latency ay maaaring gumawa ng komunikasyon na isang tunay na pagpapahirap para sa gumagamit.
Ang pagpapatupad ng machine learning sa device ay nagiging mas mahalaga dahil sa mga isyu sa latency na tulad nito. Isipin kung paano gumagana ang mga filter ng larawan para sa mga social network, o mga rekomendasyon sa restaurant batay sa geolocation. Sa ganitong mga application, dapat na minimal ang latency para gumanap ito sa pinakamataas na antas.
Gaya ng nabanggit sa itaas, maaaring mabagal minsan ang pagpoproseso ng cloud, at gusto ng developer na malapit sa zero ang latency para gumana nang maayos ang mga kakayahan sa machine learning ng isang mobile app. Ang machine learning sa mga device ay nagbubukas ng mga kakayahan sa pagpoproseso ng data na talagang makakabawas sa latency sa halos zero.
Ang mga tagagawa ng smartphone at mga higanteng tech market ay unti-unting nagsisimulang mapagtanto ito. Sa loob ng mahabang panahon, nanatiling nangunguna ang Apple sa industriyang ito, umuunlad para sa mga smartphone na gumagamit ng Bionic system nito, na nagpapatupad ng Neural Engine, na tumutulong na direktang magmaneho ng mga neural network sa device, habang nakakamit .
Ang Apple ay nagpapatuloy din sa pagbuo ng Core ML, ang machine learning platform nito para sa mga mobile app, hakbang-hakbang; sa library nagdagdag ng suporta para sa mga GPU; Patuloy na nagdaragdag ang Google ng mga na-preload na feature sa machine learning platform nito na ML Kit. Gamit ang mga teknolohiyang ito, maaari kang bumuo ng mga application na nagbibigay-daan sa iyong iproseso ang data sa bilis ng kidlat, alisin ang anumang mga pagkaantala at bawasan ang bilang ng mga error.
Ang kumbinasyong ito ng katumpakan at tuluy-tuloy na mga karanasan ng user ay isang pangunahing sukatan na dapat isaalang-alang ng mga developer ng mobile app kapag nagpapakilala ng mga kakayahan sa machine learning sa kanilang mga app. At upang magarantiya ang gayong pag-andar, kinakailangan ito .
Pinahusay na seguridad at privacy
Ang isa pang malaking pakinabang ng edge computing na hindi malalampasan ay kung gaano nito pinapabuti ang seguridad at privacy ng user. Ang paggarantiya sa seguridad at privacy ng data sa application ay isang mahalagang bahagi ng mga gawain ng developer, lalo na isinasaalang-alang ang pangangailangan na sumunod sa GDPR (General Data Protection Regulation), mga bagong batas sa Europa, na walang alinlangan na makakaapekto sa pagsasagawa ng mobile development .
Dahil ang data ay hindi kailangang ipadala sa itaas ng agos o sa cloud para sa pagproseso, ang mga cybercriminal ay hindi gaanong nasasamantalahan ang anumang mga kahinaan na nilikha sa panahon ng yugto ng paglipat; samakatuwid, ang integridad ng data ay pinananatili. Ginagawa nitong mas madali para sa mga developer ng mobile app na sumunod sa mga regulasyon sa seguridad ng data ng GDPR.
Ang pag-aaral ng makina sa mga device ay nagbibigay-daan din sa desentralisasyon, halos kapareho ng blockchain. Sa madaling salita, mas mahirap para sa mga hacker na maglunsad ng pag-atake ng DDoS sa isang konektadong network ng mga nakatagong device kaysa magsagawa ng parehong pag-atake sa isang sentral na server. Ang teknolohiyang ito ay maaari ding maging kapaki-pakinabang kapag nagtatrabaho sa mga drone at para sa pagsubaybay sa pagsunod sa batas.
Nakakatulong din ang mga nabanggit na smartphone chips mula sa Apple na pahusayin ang seguridad at privacy ng user - halimbawa, maaari silang magsilbing batayan para sa Face ID. Ang iPhone feature na ito ay pinapagana ng isang neural network na naka-deploy sa mga device na nangongolekta ng data mula sa lahat ng iba't ibang representasyon ng mukha ng isang user. Kaya, ang teknolohiya ay nagsisilbing isang lubos na tumpak at maaasahang paraan ng pagkakakilanlan.
Ang mga ito at ang mas bagong AI-enabled na hardware ay magbibigay daan para sa mas ligtas na pakikipag-ugnayan ng user-smartphone. Sa katunayan, nakakakuha ang mga developer ng karagdagang layer ng encryption para protektahan ang data ng user.
Walang kinakailangang koneksyon sa internet
Bukod sa mga isyu sa latency, ang pagpapadala ng data sa cloud para sa pagproseso at paggawa ng mga konklusyon ay nangangailangan ng magandang koneksyon sa internet. Kadalasan, lalo na sa mga mauunlad na bansa, hindi na kailangang magreklamo tungkol sa Internet. Ngunit ano ang gagawin sa mga lugar kung saan mas malala ang koneksyon? Kapag ipinatupad ang machine learning sa mga device, nabubuhay ang mga neural network sa mga telepono mismo. Kaya, maaaring i-deploy ng developer ang teknolohiya sa anumang device at kahit saan, anuman ang kalidad ng koneksyon. Dagdag pa, ang diskarte na ito ay humahantong sa .
ay isa sa mga industriya na partikular na maaaring makinabang mula sa on-device na machine learning, dahil ang mga developer ay makakagawa ng mga tool na nagsusuri ng mga vital sign o kahit na nagbibigay ng robotic surgery nang walang anumang koneksyon sa internet. Magiging kapaki-pakinabang din ang teknolohiyang ito para sa mga mag-aaral na gustong mag-access ng mga materyales sa panayam nang walang koneksyon sa Internet - halimbawa, habang nasa transport tunnel.
Sa huli, ang machine learning sa mga device ay magbibigay sa mga developer ng mga tool upang lumikha ng mga tool na makikinabang sa mga user sa buong mundo, anuman ang kanilang sitwasyon sa koneksyon sa Internet. Isinasaalang-alang na ang kapangyarihan ng mga bagong smartphone ay hindi bababa sa kasing lakas ng mga kasalukuyang, makakalimutan ng mga user ang tungkol sa mga problema sa mga pagkaantala kapag nagtatrabaho sa application nang offline.
Pagbabawas ng mga gastos para sa iyong negosyo
Makakatipid din sa iyo ang machine learning sa mga device sa pamamagitan ng hindi pagbabayad sa mga contractor sa labas para ipatupad at mapanatili ang marami sa mga solusyon. Tulad ng nabanggit sa itaas, sa maraming pagkakataon ay magagawa mo nang wala ang cloud at ang Internet.
Ang GPU at AI-specific na mga serbisyo sa cloud ay ang pinakamahal na solusyon na mabibili. Kapag nagpatakbo ka ng mga modelo sa iyong device, hindi mo kailangang magbayad para sa lahat ng mga cluster na ito, salamat sa katotohanan na ngayon ay may higit at mas advanced na mga smartphone na nilagyan ng .
Sa pamamagitan ng pag-iwas sa bangungot ng mabigat na pagpoproseso ng data na nangyayari sa pagitan ng device at ng cloud, nakakatipid ka nang husto; Samakatuwid, lubos na kumikita ang pagpapatupad ng mga solusyon sa machine learning sa mga device. Bilang karagdagan, nakakatipid ka ng pera dahil ang mga kinakailangan sa bandwidth ng iyong application ay makabuluhang nabawasan.
Ang mga inhinyero mismo ay nakakatipid din ng malaki sa proseso ng pag-unlad, dahil hindi nila kailangang mag-assemble at magpanatili ng karagdagang imprastraktura ng ulap. Sa kabaligtaran, posible na makamit ang higit pa sa isang mas maliit na koponan. Kaya, ang pagpaplano ng human resource sa mga development team ay mas epektibo.
Konklusyon
Walang alinlangan, noong 2010s, ang cloud ay naging isang tunay na biyaya, na pinasimple ang pagproseso ng data. Ngunit mabilis na umuunlad ang mataas na teknolohiya, at ang machine learning sa mga device ay maaaring maging de facto na pamantayan hindi lamang sa larangan ng mobile development, kundi pati na rin sa Internet of Things.
Sa pinababang latency, pinahusay na seguridad, mga offline na kakayahan, at pangkalahatang mas mababang gastos, hindi nakakagulat na ang pinakamalaking manlalaro sa mobile development ay tumataya nang malaki sa teknolohiya. Dapat din itong tingnan ng mga developer ng mobile application upang makasabay sa mga panahon.
Pinagmulan: www.habr.com