Selamat pagi, Habr!
Kami tidak memiliki apa-apa untuk ditambahkan ke tajuk artikel dalam pemberitahuan kami - oleh karena itu, semua orang segera diundang ke kucing. Kami membaca dan berkomentar.
Pengembang untuk perangkat seluler akan mendapatkan keuntungan dari perubahan revolusioner yang dapat
dipelajari mesin pada perangkat saat ini. Intinya adalah seberapa besar teknologi ini meningkatkan aplikasi seluler apa pun, yaitu, ia memberikan tingkat kenyamanan baru bagi pengguna dan memungkinkan Anda untuk secara aktif menggunakan fitur-fitur canggih, misalnya, memberikan rekomendasi paling akurat
berdasarkan geolokasi , atau secara instan mendeteksi
penyakit pada tanaman .
Perkembangan yang cepat dari pembelajaran mesin seluler adalah jawaban atas sejumlah masalah umum yang kami punya waktu untuk pelajari dalam pembelajaran mesin klasik. Faktanya, semuanya jelas. Di masa mendatang, aplikasi seluler akan membutuhkan pemrosesan data yang lebih cepat dan pengurangan latensi lebih lanjut.
Anda mungkin sudah bertanya-tanya mengapa
aplikasi mobile berbasis AI tidak bisa menjalankan inferensi logis di cloud. Pertama, teknologi cloud bergantung pada node pusat (bayangkan sebuah pusat data besar di mana baik gudang data yang luas dan daya komputasi yang besar terkonsentrasi). Dengan pendekatan terpusat seperti itu, tidak mungkin untuk mengatasi kecepatan pemrosesan yang cukup untuk menciptakan interaksi seluler yang lancar berdasarkan pembelajaran mesin. Data harus diproses secara terpusat, dan kemudian dikirim kembali ke perangkat. Pendekatan ini membutuhkan waktu, uang, dan tidak menjamin privasi data itu sendiri.
Jadi, setelah menjabarkan keunggulan utama pembelajaran mesin seluler ini, mari kita periksa lebih detail mengapa revolusi pembelajaran mesin yang berlangsung di depan mata kita harus menarik bagi Anda secara pribadi sebagai pengembang seluler.
Pengurangan keterlambatan
Pengembang aplikasi seluler tahu bahwa peningkatan latensi dapat menjadi tanda hitam untuk suatu program, terlepas dari seberapa bagus fitur-fiturnya atau seberapa terhormat merek itu. Sebelumnya pada perangkat Android, ada banyak
keterlambatan serius dalam aplikasi video , karena itu melihat video dan audio sering berubah menjadi tidak sinkron. Demikian pula, klien media sosial latensi tinggi dapat mengubah komunikasi menjadi siksaan yang nyata bagi pengguna.
Menerapkan pembelajaran mesin pada perangkat menjadi semakin penting justru karena masalah keterlambatan tersebut. Bayangkan bagaimana filter gambar untuk jaringan sosial bekerja, atau rekomendasi restoran dengan referensi geolokasi. Dalam aplikasi seperti itu, penundaan harus minimal, hanya dalam hal ini dapat bekerja pada level tertinggi.
Seperti disebutkan di atas, pemrosesan cloud terkadang lambat, dan pengembang perlu penundaan untuk cenderung nol - hanya dalam hal ini kemampuan pembelajaran mesin dalam aplikasi seluler akan berfungsi sebagaimana mestinya. Pembelajaran mesin pada perangkat membuka kemampuan pemrosesan data sedemikian rupa yang benar-benar memungkinkan pengurangan penundaan hingga hampir nol.
Pembuat smartphone dan raksasa teknologi perlahan mulai menyadari hal ini. Untuk waktu yang lama, Apple tetap menjadi pemimpin dalam industri ini, mengembangkan
lebih banyak dan lebih maju chip untuk smartphone menggunakan sistem Bionic, yang mengimplementasikan mesin saraf Neural Engine, yang membantu untuk mengarahkan jaringan saraf langsung pada perangkat, sambil mencapai
kecepatan luar biasa .
Apple juga terus mengembangkan langkah demi langkah Core ML, platform pembelajaran mesinnya untuk aplikasi mobile;
Pustaka TensorFlow Lite menambahkan dukungan untuk GPU; Google terus menambahkan fitur yang dimuat sebelumnya ke platform pembelajaran mesin ML Kit. Dengan teknologi ini Anda dapat mengembangkan aplikasi yang memungkinkan Anda memproses data secara instan, menghilangkan penundaan, dan mengurangi jumlah kesalahan.
Kombinasi akurasi dan interaksi pengguna yang mulus ini merupakan indikator utama yang harus dipertimbangkan pengembang aplikasi seluler saat menggabungkan kemampuan pembelajaran mesin ke dalamnya. Dan untuk menjamin fungsionalitas tersebut, diperlukan
untuk mengadopsi pembelajaran mesin pada perangkat .
Keamanan dan Privasi yang Ditingkatkan
Manfaat besar lainnya dari komputasi tepi yang tidak dapat diremehkan adalah seberapa banyak mereka meningkatkan keamanan dan privasi pengguna. Jaminan keamanan data dan privasi dalam aplikasi adalah bagian integral dari tugas pengembang, terutama dengan mempertimbangkan kebutuhan untuk mematuhi GDPR (Peraturan Perlindungan Data Umum), undang-undang Eropa yang baru, yang niscaya akan mempengaruhi praktik pengembangan ponsel.
Karena data tidak perlu dikirim untuk diproses ke utara atau ke cloud, penjahat cyber memiliki lebih sedikit peluang untuk mengeksploitasi kerentanan apa pun yang terjadi selama transfer semacam itu; oleh karena itu integritas data dipertahankan. Ini memudahkan pengembang aplikasi seluler untuk mematuhi peraturan keamanan data GDPR.
Pembelajaran mesin pada perangkat juga menyediakan desentralisasi, sebagian besar berdasarkan prinsip yang sama dengan blockchain. Dengan kata lain, peretas lebih sulit untuk menempatkan jaringan perangkat tersembunyi yang terhubung dengan serangan DDoS daripada melakukan serangan yang sama pada server pusat. Teknologi ini juga dapat bermanfaat saat bekerja dengan drone dan untuk memantau kepatuhan terhadap hukum.
Chip ponsel cerdas dari Apple yang disebutkan di atas juga berkontribusi untuk meningkatkan keamanan dan privasi pengguna - sehingga dapat berfungsi sebagai dasar untuk Face ID. Fitur iPhone ini didasarkan pada jaringan saraf yang digunakan pada perangkat dan mengumpulkan data tentang semua berbagai representasi wajah pengguna. Dengan demikian, teknologi berfungsi sebagai metode identifikasi yang sangat akurat dan dapat diandalkan.
Peralatan berkemampuan AI seperti itu dan yang lebih baru akan membuka jalan bagi interaksi pengguna yang lebih aman dengan smartphone. Bahkan, pengembang mendapatkan lapisan enkripsi tambahan untuk melindungi data pengguna.
Tidak diperlukan koneksi internet
Terlepas dari masalah latensi, mengirim data ke cloud untuk memproses dan mengekstraksi lead memerlukan koneksi internet yang baik. Seringkali, terutama di negara maju, tidak perlu mengeluh tentang Internet. Tetapi apa yang harus dilakukan di daerah di mana komunikasi lebih buruk? Ketika pembelajaran mesin diimplementasikan pada perangkat, jaringan saraf hidup di ponsel sendiri. Dengan demikian, pengembang dapat menyebarkan teknologi pada perangkat apa pun dan di mana saja, terlepas dari kualitas koneksi. Plus, pendekatan ini mengarah pada
demokratisasi kemampuan ML .
Healthcare adalah salah satu industri yang khususnya dapat mengambil manfaat dari pembelajaran mesin pada perangkat, karena pengembang dapat membuat alat yang memeriksa indikator penting, atau bahkan menyediakan bedah robos tanpa koneksi internet. Teknologi ini juga berguna bagi siswa yang ingin mengakses materi kuliah tanpa memiliki koneksi internet - misalnya, berada di terowongan transportasi.
Pada akhirnya, pembelajaran mesin pada perangkat akan memberikan pengembang dengan alat untuk membuat alat yang akan berguna bagi pengguna dari seluruh dunia, terlepas dari situasi dengan koneksi Internet. Mengingat bahwa kekuatan smartphone baru akan setidaknya tidak lebih rendah dari yang ada sekarang, pengguna akan melupakan masalah dengan keterlambatan ketika mereka bekerja dengan aplikasi offline.
Kurangi biaya untuk bisnis Anda
Pembelajaran mesin pada perangkat juga dirancang untuk menghemat banyak uang - karena dengan itu Anda tidak perlu membayar kontraktor eksternal yang akan mengimplementasikan dan mendukung banyak solusi. Seperti disebutkan di atas, dalam banyak kasus Anda dapat melakukannya tanpa cloud, dan tanpa internet.
GPU dan layanan cloud khusus AI adalah solusi termahal yang dapat Anda beli. Saat meluncurkan model pada perangkat, Anda tidak perlu membayar untuk semua kluster ini, karena kenyataan bahwa saat ini semakin banyak smartphone canggih yang dilengkapi dengan
prosesor neuromorfik (NPU) muncul.
Dengan menghindari mimpi buruk pemrosesan data yang berat antara perangkat dan cloud, Anda menghemat banyak; oleh karena itu, menerapkan solusi pembelajaran mesin pada perangkat sangat bermanfaat. Selain itu, Anda menghemat karena persyaratan bandwidth data berkurang secara signifikan di aplikasi Anda.
Para insinyur sendiri juga sangat menghemat proses pengembangan, karena mereka tidak harus mengumpulkan dan memelihara infrastruktur cloud tambahan. Sebaliknya, dimungkinkan untuk mencapai lebih banyak dengan kekuatan tim yang lebih kecil. Dengan demikian, perencanaan sumber daya manusia dalam tim pengembangan jauh lebih efisien.
Kesimpulan
Tidak diragukan lagi, pada 2010-an, cloud menjadi berkah nyata yang menyederhanakan pemrosesan data. Tetapi teknologi tinggi berkembang secara eksponensial, dan pembelajaran mesin pada perangkat dapat segera menjadi standar de facto tidak hanya di bidang pengembangan ponsel, tetapi juga di bidang Internet of Things.
Karena latensi yang berkurang, keamanan yang ditingkatkan, kemampuan offline, dan biaya keseluruhan yang lebih murah, tidak mengherankan bahwa para pemain pengembangan seluler terbesar bertaruh pada teknologi ini. Pengembang aplikasi seluler juga harus melihat lebih dekat untuk mengikuti perkembangan zaman.