早安，哈布爾！
我們在預先通知中的文章標題中沒有任何內容可添加 - 因此每個人都會立即被邀請去看貓。 閱讀並發表評論。
行動開發專業人士將受益於當今所提供的革命性變化。 。 關鍵是這項技術對任何行動應用程式的增強程度如何，即它為用戶提供了新的便利水平，並允許您積極使用強大的功能，例如，提供最準確的推薦， ，或立即檢測 .
行動機器學習的快速發展是對經典機器學習中遇到的一些常見問題的回應。 其實一切都是顯而易見的。 未來，行動應用程式將需要更快的數據處理和進一步減少延遲。
您可能已經想知道為什麼 ，不能簡單地在雲端運行推理。 首先，雲端技術依賴中心節點（想像一個擁有大量資料儲存和強大運算能力的龐大資料中心）。 這種集中式方法無法處理足以創建由機器學習支援的流暢移動體驗的處理速度。 資料必須集中處理，然後發送回設備。 這種方法需要時間、金錢，而且不能保證資料本身的隱私性。
因此，在概述了行動機器學習的這些主要優勢之後，讓我們仔細看看為什麼我們眼前展開的機器學習革命應該引起您作為行動開發人員個人的興趣。
減少延遲
行動應用程式開發人員知道，無論程式的功能有多好或品牌的聲譽有多好，延遲的增加都可能成為程式的污點。 以前，在 Android 裝置上有 ，因此視訊和音訊觀看經常不同步。 同樣，具有高延遲的社交媒體客戶端可能會使通訊對用戶來說成為真正的折磨。
正是由於此類延遲問題，在設備上實施機器學習變得越來越重要。 想像一下圖像濾鏡如何用於社交網路或基於地理位置的餐廳推薦。 在此類應用中，延遲必須最短才能以最高等級執行。
如上所述，雲端處理有時可能很慢，開發人員希望延遲接近零，以便行動應用程式的機器學習功能正常運作。 設備上的機器學習開啟了資料處理能力，可以真正將延遲減少到幾乎為零。
智慧型手機製造商和科技市場巨頭逐漸開始意識到這一點。 很長一段時間，蘋果公司一直是這個行業的領導者，開發 適用於使用其仿生系統的智慧型手機，該系統實現了神經引擎，有助於直接在設備上驅動神經網絡，同時實現 .
蘋果也持續逐步開發 Core ML，即用於行動應用程式的機器學習平台； 在圖書館裡 新增了對 GPU 的支援； 谷歌繼續為其機器學習平台 ML Kit 添加預先載入功能。 使用這些技術，您可以開發能夠以閃電般的速度處理資料、消除任何延遲並減少錯誤數量的應用程式。
準確性和無縫用戶體驗的結合是行動應用程式開發人員在將機器學習功能引入其應用程式時必須考慮的關鍵指標。 為了確保這樣的功能，需要 .
提高安全性和隱私性
邊緣運算的另一個不容小覷的巨大好處是它極大地提高了用戶的安全和隱私。 確保應用程式中資料的安全和隱私是開發者任務中不可或缺的一部分，特別是考慮到需要遵守GDPR（一般資料保護規範）、新的歐洲法律，這無疑會影響行動開發的實踐。
由於資料不需要發送到上游或雲端進行處理，因此網路犯罪分子不太可能利用傳輸階段產生的任何漏洞； 因此，可以保持資料的完整性。 這使得行動應用程式開發人員更容易遵守 GDPR 資料安全法規。
設備上的機器學習也可以實現去中心化，這與區塊鏈非常相似。 換句話說，駭客對隱藏設備的連接網路發動 DDoS 攻擊比對中央伺服器進行相同的攻擊更加困難。 該技術在使用無人機和監控立法合規性時也很有用。
上述蘋果的智慧型手機晶片也有助於提高用戶的安全性和隱私性——例如，它們可以作為Face ID的基礎。 iPhone 的這項功能由部署在設備上的神經網路提供支持，該網路從用戶臉部的所有不同表現形式收集數據。 因此，該技術是一種極其準確和可靠的識別方法。
這些以及更新的人工智慧硬體將為更安全的用戶與智慧型手機互動鋪平道路。 事實上，開發人員獲得了額外的加密層來保護用戶資料。
無需網路連線
拋開延遲問題不談，將資料傳送到雲端進行處理並得出結論需要良好的網路連線。 通常，尤其是在已開發國家，沒有必要抱怨網路。 但在連接較差的地區該怎麼辦呢？ 當機器學習在設備上實現時，神經網路就存在於手機本身。 因此，開發人員可以在任何設備和任何地方部署該技術，無論連接品質如何。 另外，這種方法導致 .
是可以特別受益於設備上機器學習的行業之一，因為開發人員將能夠創建檢查生命徵象的工具，甚至在沒有任何網路連線的情況下提供機器人手術。 這項技術對於想要在沒有網路連線的情況下存取講座材料的學生也很有用——例如，在運輸隧道中。
最終，設備上的機器學習將為開發人員提供創建工具的工具，使世界各地的用戶受益，無論他們的網路連線情況如何。 考慮到新型智慧型手機的功能將至少與當前智慧型手機一樣強大，用戶將忘記離線使用應用程式時的延遲問題。
降低您的企業成本
設備上的機器學習還可以為您節省一大筆錢，因為您無需支付外部承包商的費用來實施和維護許多解決方案。 如上所述，在許多情況下，您可以不需要雲端和網路。
GPU 和特定於 AI 的雲端服務是可購買的最昂貴的解決方案。 當您在設備上運行模型時，您無需為所有這些集群付費，這要歸功於當今越來越多的先進智慧型手機配備了 .
透過避免設備和雲端之間發生的大量數據處理的噩夢，您可以節省大量資金； 因此，在設備上實施機器學習解決方案是非常有利可圖的。 此外，您還可以節省資金，因為應用程式的頻寬要求顯著降低。
工程師本身也節省了大量的開發過程，因為他們不必組裝和維護額外的雲端基礎設施。 相反，較小的團隊可以取得更大的成就。 因此，開發團隊的人力資源規劃更為有效。
結論
毫無疑問，在 2010 年代，雲端成為了真正的福音，簡化了資料處理。 但高科技正在指數級發展，設備上的機器學習可能很快就會成為行動開發領域和物聯網領域的事實上的標準。
由於延遲減少、安全性提高、離線功能和整體成本降低，行動開發領域的最大參與者在該技術上投入巨資也就不足為奇了。 行動應用程式開發人員也應該仔細研究它，以跟上時代的步伐。
來源： www.habr.com