Maschinelles Lernen in der mobilen Entwicklung: Perspektiven und Dezentralisierung

Guten Morgen, Habr!

Wir haben der Überschrift des Artikels in unserer Mitteilung nichts hinzuzufügen - daher wird jeder sofort zur Katze eingeladen. Wir lesen und kommentieren.



Entwickler für mobile Geräte werden von den revolutionären Veränderungen profitieren, die maschinelles Lernen auf Geräten heute bieten kann. Der Punkt ist, um wie viel diese Technologie jede mobile Anwendung verbessert, nämlich ein neues Maß an Komfort für Benutzer bietet und es Ihnen ermöglicht, leistungsstarke Funktionen aktiv zu nutzen, beispielsweise die genauesten Empfehlungen basierend auf der Geolokalisierung bereitzustellen oder Krankheiten in Pflanzen sofort zu erkennen.

Eine solch schnelle Entwicklung des mobilen maschinellen Lernens ist die Antwort auf eine Reihe allgemeiner Probleme, die wir im klassischen maschinellen Lernen lernen konnten. In der Tat ist alles offensichtlich. In Zukunft erfordern mobile Anwendungen eine schnellere Datenverarbeitung und eine weitere Reduzierung der Latenz.

Sie haben sich vielleicht gefragt, warum AI-basierte mobile Apps in der Cloud einfach keine logischen Inferenzen ausführen können. Erstens hängen Cloud-Technologien von zentralen Knoten ab (stellen Sie sich ein riesiges Rechenzentrum vor, in dem sowohl umfangreiche Data Warehouses als auch große Rechenleistung konzentriert sind). Mit einem solchen zentralisierten Ansatz ist es unmöglich, die Verarbeitungsgeschwindigkeiten zu bewältigen, die ausreichen, um reibungslose mobile Interaktionen auf der Grundlage von maschinellem Lernen zu erstellen. Daten sollten zentral verarbeitet und dann an das Gerät zurückgesendet werden. Dieser Ansatz kostet Zeit, Geld und garantiert nicht den Schutz der Daten selbst.

Nachdem wir diese Hauptvorteile des mobilen maschinellen Lernens skizziert haben, wollen wir genauer untersuchen, warum die Revolution des maschinellen Lernens, die sich vor unseren Augen abspielt, für Sie persönlich als mobiler Entwickler interessant sein sollte.

Verzögerungsreduzierung

Entwickler mobiler Anwendungen wissen, dass eine erhöhte Latenz für ein Programm zu einer schwarzen Markierung werden kann, unabhängig davon, wie gut die Funktionen sind oder wie seriös die Marke ist. Früher gab es auf Android-Geräten bei vielen Videoanwendungen schwerwiegende Verzögerungen , weshalb sich das Anzeigen von Video und Audio häufig als nicht synchron herausstellte. In ähnlicher Weise kann ein Social-Media-Client mit hoher Latenz die Kommunikation für den Benutzer zu einer echten Qual machen.

Die Implementierung von maschinellem Lernen auf einem Gerät wird gerade wegen solcher Probleme mit Verzögerungen immer wichtiger. Stellen Sie sich vor, wie Bildfilter für soziale Netzwerke oder Restaurantempfehlungen in Bezug auf die Geolokalisierung funktionieren. In solchen Anwendungen sollte die Verzögerung minimal sein, nur in diesem Fall kann sie auf höchstem Niveau arbeiten.

Wie oben erwähnt, ist die Cloud-Verarbeitung manchmal langsam, und der Entwickler muss die Verzögerung auf Null setzen - nur in diesem Fall funktionieren die maschinellen Lernfunktionen in der mobilen Anwendung ordnungsgemäß. Durch maschinelles Lernen auf Geräten werden solche Datenverarbeitungsfunktionen eröffnet, die es wirklich ermöglichen, die Verzögerung auf nahezu Null zu reduzieren.

Smartphone-Hersteller und Technologiegiganten beginnen dies langsam zu erkennen. Apple war lange Zeit führend in dieser Branche und entwickelte mit seinem Bionic-System, das die neuronale Engine Neural Engine implementiert, die dabei hilft, neuronale Netze direkt auf dem Gerät zu betreiben und dabei unglaubliche Geschwindigkeiten zu erreichen, immer fortschrittlichere Chips für Smartphones.

Apple entwickelt Core ML, seine Plattform für maschinelles Lernen für mobile Anwendungen, Schritt für Schritt weiter. Die TensorFlow Lite- Bibliothek bietet Unterstützung für GPUs. Google fügt seiner ML Kit-Plattform für maschinelles Lernen weiterhin vorinstallierte Funktionen hinzu. Mit diesen Technologien können Sie Anwendungen entwickeln, mit denen Sie Daten sofort verarbeiten, Verzögerungen vermeiden und die Anzahl der Fehler reduzieren können.

Diese Kombination aus Genauigkeit und nahtlosen Benutzerinteraktionen ist ein Schlüsselindikator, den Entwickler mobiler Apps berücksichtigen sollten, wenn sie maschinelle Lernfunktionen in sie integrieren. Um diese Funktionalität zu gewährleisten, muss maschinelles Lernen auf Geräten angewendet werden .

Verbesserte Sicherheit und Datenschutz

Ein weiterer großer Vorteil von Edge Computing, der nicht überschätzt werden kann, ist die Verbesserung der Sicherheit und des Datenschutzes der Benutzer. Die Gewährleistung von Datensicherheit und Datenschutz in der Anwendung ist ein wesentlicher Bestandteil der Aufgaben des Entwicklers, insbesondere unter Berücksichtigung der Notwendigkeit, die DSGVO (Allgemeine Datenschutzverordnung), die neuen europäischen Gesetze, einzuhalten, die zweifellos die Praxis der mobilen Entwicklung beeinflussen werden.

Da die Daten nicht zur Verarbeitung in den Norden oder in die Cloud gesendet werden müssen, haben Cyberkriminelle weniger Möglichkeiten, Schwachstellen auszunutzen, die während einer solchen Übertragung aufgetreten sind. Daher bleibt die Datenintegrität erhalten. Dies erleichtert Entwicklern mobiler Anwendungen die Einhaltung der Datenschutzbestimmungen der DSGVO.

Maschinelles Lernen auf Geräten bietet auch eine Dezentralisierung, weitgehend nach dem gleichen Prinzip wie Blockchain. Mit anderen Worten, es ist für Hacker schwieriger, ein verbundenes Netzwerk versteckter Geräte mit einem DDoS-Angriff zu versehen, als denselben Angriff auf einen zentralen Server auszuführen. Diese Technologie kann auch bei der Arbeit mit Drohnen und zur Überwachung der Einhaltung von Gesetzen hilfreich sein.

Die oben genannten Smartphone-Chips von Apple tragen auch zur Verbesserung der Sicherheit und des Datenschutzes des Benutzers bei, sodass sie als Grundlage für die Gesichtserkennung dienen können. Diese iPhone-Funktion basiert auf einem neuronalen Netzwerk, das auf Geräten bereitgestellt wird und Daten zu allen verschiedenen Darstellungen des Gesichts des Benutzers sammelt. Somit dient die Technologie als äußerst genaue und zuverlässige Methode zur Identifizierung.

Solche und neuere AI-fähige Geräte werden den Weg für sicherere Benutzerinteraktionen mit dem Smartphone ebnen. Tatsächlich erhalten Entwickler eine zusätzliche Verschlüsselungsebene, um Benutzerdaten zu schützen.

Keine Internetverbindung erforderlich

Abgesehen von den Latenzproblemen erfordert das Senden von Daten an die Cloud zum Verarbeiten und Extrahieren von Leads eine gute Internetverbindung. Insbesondere in Industrieländern besteht häufig kein Grund, sich über das Internet zu beschweren. Aber was tun in Bereichen, in denen die Kommunikation schlechter ist? Wenn maschinelles Lernen auf Geräten implementiert wird, leben neuronale Netze auf eigenen Telefonen. Somit kann der Entwickler die Technologie unabhängig von der Qualität der Verbindung auf jedem Gerät und an jedem Ort bereitstellen. Außerdem führt dieser Ansatz zur Demokratisierung der ML-Fähigkeiten .

Das Gesundheitswesen ist eine der Branchen, die besonders vom maschinellen Lernen auf Geräten profitieren können, da Entwickler Tools erstellen können, mit denen wichtige Indikatoren überprüft werden, oder sogar eine Robochirurgie ohne Internetverbindung anbieten können. Diese Technologie ist auch nützlich für Studenten, die ohne Internetverbindung auf Vorlesungsmaterialien zugreifen möchten - beispielsweise in einem Transporttunnel.

Letztendlich bietet das maschinelle Lernen auf Geräten Entwicklern Tools zum Erstellen von Tools, die für Benutzer aus aller Welt unabhängig von der Situation mit der Internetverbindung nützlich sind. Da die Leistung neuer Smartphones mindestens nicht geringer sein wird als die der aktuellen, werden Benutzer Probleme mit Verzögerungen vergessen, wenn sie offline mit der Anwendung arbeiten.

Reduzieren Sie die Kosten für Ihr Unternehmen

Maschinelles Lernen auf Geräten soll Ihnen auch ein Vermögen sparen - denn damit müssen Sie keine externen Auftragnehmer bezahlen, die viele Lösungen implementieren und unterstützen würden. Wie oben erwähnt, können Sie in vielen Fällen auf die Cloud und das Internet verzichten.

GPUs und AI-spezifische Cloud-Dienste sind die teuersten Lösungen, die Sie erwerben können. Wenn Sie Modelle auf dem Gerät starten, müssen Sie nicht für alle diese Cluster bezahlen, da heute immer fortschrittlichere Smartphones mit neuromorphen Prozessoren (NPU) erscheinen.

Indem Sie den Albtraum einer starken Datenverarbeitung zwischen dem Gerät und der Cloud vermeiden, sparen Sie enorm. Daher ist die Implementierung von Lösungen für maschinelles Lernen auf Geräten sehr vorteilhaft. Darüber hinaus sparen Sie, da die Anforderungen an die Datenbandbreite in Ihrer Anwendung erheblich reduziert werden.

Die Ingenieure selbst sparen außerdem erheblich am Entwicklungsprozess, da sie keine zusätzliche Cloud-Infrastruktur sammeln und warten müssen. Im Gegenteil, mit den Kräften eines kleineren Teams kann man mehr erreichen. Somit ist die Personalplanung in Entwicklungsteams viel effizienter.

Fazit

Zweifellos wurden Wolken in den 2010er Jahren zu einem echten Segen, der die Datenverarbeitung vereinfachte. Die Hochtechnologie entwickelt sich jedoch exponentiell, und maschinelles Lernen auf Geräten könnte bald zum De-facto-Standard werden, nicht nur im Bereich der mobilen Entwicklung, sondern auch im Bereich des Internet der Dinge.

Aufgrund der verringerten Latenz, der verbesserten Sicherheit, der Offline-Funktionen und der insgesamt günstigeren Kosten ist es nicht verwunderlich, dass die größten Akteure der mobilen Entwicklung auf diese Technologie setzen. Entwickler mobiler Anwendungen sollten sich das auch genauer ansehen, um mit der Zeit Schritt zu halten.