Chào buổi sáng, Habr!
Chúng tôi không có gì để thêm vào tiêu đề của bài viết trong thông báo trước của chúng tôi - vì vậy mọi người ngay lập tức được mời đến xem mèo. Đọc và bình luận.
Các chuyên gia phát triển thiết bị di động sẽ được hưởng lợi từ những thay đổi mang tính cách mạng mà ngày nay mang lại. . Vấn đề là công nghệ này cải tiến bất kỳ ứng dụng di động nào đến mức nào, cụ thể là nó cung cấp mức độ tiện lợi mới cho người dùng và cho phép bạn tích cực sử dụng các tính năng mạnh mẽ, chẳng hạn như để đưa ra các đề xuất chính xác nhất, hoặc phát hiện ngay .
Sự phát triển nhanh chóng của học máy di động này là câu trả lời cho một số vấn đề phổ biến mà chúng ta gặp phải trong học máy cổ điển. Trên thực tế, mọi thứ đều rõ ràng. Trong tương lai, các ứng dụng di động sẽ yêu cầu xử lý dữ liệu nhanh hơn và giảm độ trễ hơn nữa.
Bạn có thể đã tự hỏi tại sao ,không thể đơn giản chạy suy luận trên đám mây. Đầu tiên, công nghệ đám mây phụ thuộc vào các nút trung tâm (hãy tưởng tượng một trung tâm dữ liệu khổng lồ có cả kho lưu trữ dữ liệu rộng rãi và sức mạnh tính toán lớn). Cách tiếp cận tập trung này không thể xử lý tốc độ xử lý đủ để tạo ra trải nghiệm di động mượt mà được hỗ trợ bởi máy học. Dữ liệu phải được xử lý tập trung và sau đó được gửi trở lại thiết bị. Cách tiếp cận này đòi hỏi thời gian, tiền bạc và không đảm bảo quyền riêng tư của dữ liệu.
Vì vậy, sau khi phác thảo những lợi ích chính của machine learning trên thiết bị di động, chúng ta hãy xem xét kỹ hơn lý do tại sao cuộc cách mạng machine learning đang diễn ra trước mắt chúng ta lại khiến cá nhân bạn với tư cách là nhà phát triển thiết bị di động quan tâm.
Giảm độ trễ
Các nhà phát triển ứng dụng di động biết rằng độ trễ tăng lên có thể là một điểm đen đối với một chương trình, bất kể tính năng của nó tốt đến đâu hay thương hiệu có uy tín đến đâu. Trước đây, trên các thiết bị Android đã có , do đó việc xem video và âm thanh thường không đồng bộ. Tương tự như vậy, một ứng dụng khách truyền thông xã hội có độ trễ cao có thể khiến việc giao tiếp trở thành một cực hình thực sự đối với người dùng.
Việc triển khai machine learning trên thiết bị ngày càng trở nên quan trọng chính xác là do các vấn đề về độ trễ như thế này. Hãy tưởng tượng cách các bộ lọc hình ảnh hoạt động cho mạng xã hội hoặc đề xuất nhà hàng dựa trên vị trí địa lý. Trong các ứng dụng như vậy, độ trễ phải ở mức tối thiểu để nó hoạt động ở mức cao nhất.
Như đã đề cập ở trên, quá trình xử lý trên đám mây đôi khi có thể bị chậm và nhà phát triển muốn độ trễ gần bằng 0 để khả năng học máy của ứng dụng di động hoạt động bình thường. Học máy trên thiết bị mở ra khả năng xử lý dữ liệu có thể thực sự giảm độ trễ xuống gần như bằng không.
Các nhà sản xuất điện thoại thông minh và những gã khổng lồ trên thị trường công nghệ đang dần nhận ra điều này. Trong một thời gian dài, Apple vẫn là người dẫn đầu trong ngành này, phát triển dành cho điện thoại thông minh sử dụng hệ thống Bionic, hệ thống này triển khai Công cụ thần kinh, giúp điều khiển các mạng thần kinh trực tiếp trên thiết bị, đồng thời đạt được .
Apple cũng đang tiếp tục phát triển Core ML, nền tảng máy học cho các ứng dụng di động, từng bước một; trong thư viện thêm hỗ trợ cho GPU; Google tiếp tục bổ sung các tính năng được tải sẵn vào nền tảng máy học ML Kit của mình. Bằng cách sử dụng những công nghệ này, bạn có thể phát triển các ứng dụng cho phép bạn xử lý dữ liệu với tốc độ cực nhanh, loại bỏ mọi độ trễ và giảm số lượng lỗi.
Sự kết hợp giữa độ chính xác và trải nghiệm người dùng liền mạch này là thước đo quan trọng mà các nhà phát triển ứng dụng di động phải xem xét khi kết hợp khả năng học máy vào ứng dụng của họ. Và để đảm bảo chức năng đó, cần phải có .
Cải thiện bảo mật và quyền riêng tư
Một lợi ích to lớn khác của điện toán ranh giới không thể nói quá là nó cải thiện được mức độ bảo mật và quyền riêng tư của người dùng. Đảm bảo tính bảo mật và quyền riêng tư của dữ liệu trong ứng dụng là một phần không thể thiếu trong nhiệm vụ của nhà phát triển, đặc biệt có tính đến nhu cầu tuân thủ GDPR (Quy định bảo vệ dữ liệu chung), luật mới của Châu Âu, chắc chắn sẽ ảnh hưởng đến thực tiễn phát triển di động .
Vì dữ liệu không cần phải được gửi ngược dòng hoặc lên đám mây để xử lý nên tội phạm mạng ít có khả năng khai thác bất kỳ lỗ hổng nào được tạo ra trong giai đoạn chuyển giao; do đó, tính toàn vẹn của dữ liệu được duy trì. Điều này giúp các nhà phát triển ứng dụng di động tuân thủ các quy định bảo mật dữ liệu GDPR dễ dàng hơn.
Học máy trên các thiết bị cũng cho phép phân cấp, tương tự như blockchain. Nói cách khác, tin tặc sẽ khó thực hiện một cuộc tấn công DDoS trên mạng được kết nối gồm các thiết bị ẩn hơn là thực hiện cuộc tấn công tương tự vào máy chủ trung tâm. Công nghệ này cũng có thể hữu ích khi làm việc với máy bay không người lái và giám sát việc tuân thủ pháp luật.
Các chip điện thoại thông minh nói trên của Apple cũng giúp cải thiện tính bảo mật và quyền riêng tư của người dùng - chẳng hạn, chúng có thể dùng làm nền tảng cho Face ID. Tính năng này của iPhone được hỗ trợ bởi mạng thần kinh được triển khai trên các thiết bị thu thập dữ liệu từ tất cả các hình ảnh thể hiện khác nhau của khuôn mặt người dùng. Do đó, công nghệ này đóng vai trò là phương pháp nhận dạng cực kỳ chính xác và đáng tin cậy.
Những phần cứng hỗ trợ AI mới hơn này sẽ mở đường cho sự tương tác giữa người dùng và điện thoại thông minh an toàn hơn. Trên thực tế, các nhà phát triển có thêm một lớp mã hóa để bảo vệ dữ liệu người dùng.
Không cần kết nối internet
Bỏ vấn đề về độ trễ sang một bên, việc gửi dữ liệu lên đám mây để xử lý và đưa ra kết luận đòi hỏi phải có kết nối Internet tốt. Thông thường, đặc biệt là ở các nước phát triển, không cần phải phàn nàn về Internet. Nhưng phải làm gì ở những khu vực có kết nối kém hơn? Khi học máy được triển khai trên các thiết bị, mạng lưới thần kinh sẽ hoạt động trên chính điện thoại. Nhờ đó, nhà phát triển có thể triển khai công nghệ trên mọi thiết bị và ở mọi nơi mà không phụ thuộc vào chất lượng kết nối. Hơn nữa, cách tiếp cận này dẫn đến .
là một trong những ngành có thể được hưởng lợi đặc biệt từ việc học máy trên thiết bị, vì các nhà phát triển sẽ có thể tạo ra các công cụ kiểm tra các dấu hiệu quan trọng hoặc thậm chí cung cấp phẫu thuật bằng robot mà không cần kết nối internet. Công nghệ này cũng sẽ hữu ích cho những sinh viên muốn truy cập tài liệu bài giảng mà không cần kết nối Internet - ví dụ như khi đang ở trong đường hầm giao thông.
Cuối cùng, học máy trên thiết bị sẽ cung cấp cho các nhà phát triển những công cụ để tạo ra những công cụ mang lại lợi ích cho người dùng trên toàn thế giới, bất kể tình trạng kết nối Internet của họ như thế nào. Xét rằng sức mạnh của điện thoại thông minh mới ít nhất sẽ mạnh mẽ như điện thoại thông minh hiện tại, người dùng sẽ quên đi vấn đề về độ trễ khi làm việc với ứng dụng ngoại tuyến.
Giảm chi phí cho doanh nghiệp của bạn
Học máy trên thiết bị cũng có thể giúp bạn tiết kiệm rất nhiều tiền nhờ không phải trả tiền cho các nhà thầu bên ngoài để triển khai và duy trì nhiều giải pháp. Như đã đề cập ở trên, trong nhiều trường hợp, bạn có thể thực hiện mà không cần cả đám mây và Internet.
Các dịch vụ đám mây dành riêng cho GPU và AI là những giải pháp đắt nhất có thể mua được. Khi chạy các mẫu máy trên thiết bị của mình, bạn không phải trả tiền cho tất cả các cụm này, do ngày nay ngày càng có nhiều điện thoại thông minh cao cấp được trang bị .
Bằng cách tránh cơn ác mộng về việc xử lý dữ liệu nặng nề xảy ra giữa thiết bị và đám mây, bạn sẽ tiết kiệm được rất nhiều; Do đó, việc triển khai các giải pháp học máy trên thiết bị sẽ mang lại lợi nhuận rất cao. Ngoài ra, bạn còn tiết kiệm được tiền vì yêu cầu về băng thông của ứng dụng của bạn giảm đáng kể.
Bản thân các kỹ sư cũng tiết kiệm rất nhiều cho quá trình phát triển vì họ không phải lắp ráp và bảo trì cơ sở hạ tầng đám mây bổ sung. Ngược lại, có thể đạt được nhiều thành tựu hơn với một đội ngũ nhỏ hơn. Như vậy, việc hoạch định nguồn nhân lực trong các nhóm phát triển sẽ hiệu quả hơn rất nhiều.
Kết luận
Không còn nghi ngờ gì nữa, vào những năm 2010, đám mây đã trở thành một lợi ích thực sự, giúp đơn giản hóa việc xử lý dữ liệu. Nhưng công nghệ cao đang phát triển theo cấp số nhân và máy học trên các thiết bị có thể sớm trở thành tiêu chuẩn thực tế không chỉ trong lĩnh vực phát triển di động mà còn trong Internet of Things.
Với độ trễ giảm, bảo mật được cải thiện, khả năng ngoại tuyến và chi phí tổng thể thấp hơn, không có gì ngạc nhiên khi những người chơi lớn nhất trong lĩnh vực phát triển thiết bị di động đang đặt cược lớn vào công nghệ. Các nhà phát triển ứng dụng di động cũng nên xem xét kỹ hơn để theo kịp thời đại.
Nguồn: www.habr.com