4 причины, по которым следующая волна мобильных приложений будет основана на машинном обучении.
| Карл Утермолен
|ссылкасердцебиение.Фриц.Любовь/машина- аааа…
Мобильные разработчики могут учиться на машинном обучении на устройстве (on-device machine learning) может значительно выиграть от революционных изменений, которые он может предложить. Это связано с тем, что технология может поддерживать мобильные приложения, которые обеспечивают более плавное взаимодействие с пользователем за счет использования мощных функций, таких как предоставление точных рекомендаций на основе местоположения или мгновенное обнаружение болезней растений.
Мобильное машинное обучение (mobile machine learning) это быстрое развитие стало свидетельством классического машинного обучения (classical machine learning), чтобы ответить на многие распространенные проблемы, с которыми приходится сталкиваться. На самом деле, эти проблемы вот-вот произойдут. Будущие мобильные приложения потребуют более быстрой обработки и меньшей задержки.
Вы можете задаться вопросом, почему мобильные приложения с искусственным интеллектом (AI-first mobile applications) не может просто выполнять операции логического вывода в облаке. Во-первых, облачная технология опирается на центральный узел (представьте себе большой центр обработки данных с большим объемом памяти и вычислительной мощностью). И этот централизованный подход не может обеспечить скорость обработки, необходимую для создания плавного мобильного взаимодействия с пользователем на основе машинного обучения. Потому что данные должны быть обработаны в этом централизованном центре обработки данных, а затем результаты отправлены обратно на устройство. Это требует времени и денег, и трудно гарантировать конфиденциальность данных.
Описав эти основные преимущества мобильного машинного обучения, давайте более подробно рассмотрим, почему вы, как разработчик мобильных приложений, должны следить за грядущей революцией машинного обучения на устройствах.
меньшая задержка
Разработчики мобильных приложений знают, что высокая задержка может быть серьезной причиной сбоя приложения, независимо от того, насколько оно мощное или репутация его бренда. Многие видеоприложения для устройств Android в прошлом имели проблемы с задержкой, что приводило к рассинхронизации звука и видео во время просмотра. Точно так же социальное приложение с высокой задержкой может привести к очень неприятному пользовательскому опыту.
Именно из-за этих проблем с задержкой применение машинного обучения на мобильных устройствах становится все более важным. Обратите внимание на фильтры изображений в социальных сетях и рекомендации по приему пищи на основе местоположения — эти функции приложений требуют малой задержки для получения наилучших результатов.
Как упоминалось ранее, время обработки в облаке может быть медленным, и, в конечном счете, разработчикам необходимо добиться нулевой задержки, чтобы машинное обучение правильно функционировало в их мобильных приложениях. Машинное обучение на устройстве проложило путь к почти нулевой задержке благодаря возможностям обработки данных.
На рисунке показан пример низкой задержки в реальном времени:HeartbeatРезультат передачи стиля живого видео в приложении.
Производители смартфонов и крупные технологические компании наверстывают упущенное. Apple лидирует в этом, она использует свою систему Bionic (Bionic system) для разработки более продвинутых чипов для смартфонов, которые имеют полноценный нейронный движок, который помогает нейронным сетям работать непосредственно на устройстве с невероятной скоростью обработки.
Apple продолжает итеративно обновлять Core ML, платформу машинного обучения для мобильных разработчиков;TensorFlow LiteДобавлена поддержка графического процессора;GoogleПродолжайте добавлять функции предварительной загрузки в собственную платформу машинного обучения ML Kit. Эти методы входят в число методов, используемых мобильными разработчиками для разработки приложений, которые могут обрабатывать данные с молниеносной скоростью, устранять задержки и уменьшать количество ошибок.
Такое сочетание точности и удобного взаимодействия с пользователем является фактором номер один, который мобильные разработчики должны учитывать при создании приложений на основе машинного обучения. Чтобы гарантировать это, разработчикам необходимо внедрить машинное обучение на устройстве.
Повышенная безопасность и конфиденциальность
граничные вычисления (edge computing), еще одним огромным преимуществом, которое нельзя недооценивать, является то, как он повышает безопасность и конфиденциальность своих пользователей. Обеспечение защиты и конфиденциальности данных приложения — неотъемлемая часть работы мобильного разработчика, особенно с учетом необходимостиОбщее положение о защите данных(Общие положения о защите данных, GDPR), эти новые законы, касающиеся конфиденциальности, безусловно, повлияют на методы разработки мобильных устройств.
Поскольку данные не нужно отправлять на сервер или в облако для обработки, киберпреступники редко имеют возможность использовать какие-либо лазейки в передаче данных, тем самым сохраняя данные неприкосновенными. Это облегчает мобильным разработчикам встречуGDPRположения о безопасности данных.
Решения для машинного обучения на устройстве также обеспечивают децентрализацию, как это делает блокчейн. Иными словами, разрушить сетевое подключение скрытого устройства с помощью DDOS-атаки хакерам сложнее, чем той же атакой на централизованный сервер. Эта технология также может оказаться полезной для дронов и будущих усилий правоохранительных органов.
Вышеупомянутые чипы Apple для смартфонов, которые, например, являются основой Face ID, также помогают повысить безопасность и конфиденциальность пользователей. Эта функция iPhone основана на встроенной в устройство нейронной сети, которая собирает данные обо всех различных размерах лица пользователя в качестве более точного и безопасного метода идентификации.
- Apple представляет Face ID на iPhone X, ссылка на видео:woohoo.YouTube.com/watch?V=in-he…
Это и будущие аппаратные средства искусственного интеллекта проложат путь к более безопасному использованию смартфонов для пользователей и предоставят разработчикам мобильных устройств дополнительный уровень шифрования для защиты пользовательских данных.
Не требуется подключение к Интернету
Помимо проблем с задержкой, для отправки данных в облако для вывода требуется активное подключение к Интернету. Обычно в более развитых регионах мира такой подход можно легко реализовать. Но как быть в районах со слаборазвитым подключением к интернету? Благодаря машинному обучению на устройстве нейронные сети могут работать непосредственно на мобильных телефонах. Это позволяет разработчикам использовать технологию в любое время и на любом устройстве, независимо от подключения к сети. Кроме того, он может демократизировать функции машинного обучения, поскольку пользователям не требуется подключение к Интернету для их приложений.
Здравоохранение — это отрасль, которая может извлечь большую выгоду из машинного обучения на устройстве, поскольку разработчики приложений могут создавать медицинские инструменты для проверки показателей жизнедеятельности и даже выполнять удаленные роботизированные операции без подключения к Интернету. Эта технология также может помочь учащимся, которым необходим доступ к учебным материалам в местах без подключения к Интернету, например, в туннелях общественного транспорта.
Машинное обучение на устройстве в конечном итоге предоставит мобильным разработчикам инструменты для создания приложений, которые могут приносить пользу пользователям по всему миру, независимо от их подключения к Интернету. Даже без подключения к Интернету новые смартфоны будущего будут очень мощными, и пользователи не будут страдать от проблем с задержкой при использовании приложений в автономном режиме.
Сократить накладные расходы бизнеса
Машинное обучение на устройстве также может сэкономить вам деньги, поскольку вам не нужно платить сторонним поставщикам за внедрение или поддержку этих решений. Как упоминалось ранее, вам не нужны облачные вычисления или Интернет для предоставления таких решений.
Графические процессоры и чипы для искусственного интеллекта будут самыми дорогими облачными сервисами, которые вы можете купить. Запуск моделей на устройстве означает, что вам не нужно платить за эти кластеры благодаря все более сложным модулям нейронной обработки (NPU), которые можно найти в современных смартфонах.
Предотвращение кошмара обработки тяжелых данных между мобильными устройствами и облаком — это огромная экономия средств для компаний, выбирающих решения для машинного обучения на устройствах. Требования к полосе пропускания также могут быть снижены за счет такого логического вывода на устройстве, что в конечном итоге приводит к значительной экономии средств.
Разработчики мобильных приложений также могут значительно сэкономить на процессе разработки, поскольку им не нужно создавать и поддерживать дополнительную облачную инфраструктуру. Вместо этого они могут добиться большего с помощью небольшой группы инженеров, что позволяет им более эффективно масштабировать свою команду разработчиков.
Эпилог
Нет никаких сомнений в том, что облачные вычисления были благом для данных и вычислений в 2010-х годах, но технологическая отрасль растет экспоненциальными темпами, и машинное обучение на устройствах вскоре может стать частью мобильных приложений и разработанного Интернета вещей. стандарты.
Благодаря более низкой задержке, повышенной безопасности, автономным возможностям и сниженным затратам нет сомнений, что все основные игроки отрасли уделяют большое внимание этой технологии, которая будет определять, как мобильные разработчики будут продвигать создание приложений.
Если вам интересно узнать больше о мобильном машинном обучении, о том, как оно работает и почему оно так важно в сфере мобильной разработки, вот несколько дополнительных ресурсов, которые помогут вам начать работу:
- Блог Маттейса Холлемана"Машина, думай!"Множество отличных руководств и другого контента по платформе Apple для мобильного машинного обучения Core ML;
- ИИ на грани (видео)
- Конечно,HeartbeatСуществует растущая библиотека ресурсов на стыке мобильной разработки и машинного обучения.
Подписывайтесь на нас
Добро пожаловать в нашу публичную учетную запись: iOS-Tips и добро пожаловать в нашу группу для обсуждения вопросов. WeChat можно добавитьcoldlight_hh/wsy9871в нашiOS/flutterГруппа ВиЧат.