早上好，哈伯！
我们在通知中的文章标题上没有添加任何内容-因此，立即邀请所有人加入。 我们阅读并发表评论。
移动设备的开发人员将从当今
设备上的
机器学习可以提供的革命性变化中受益。 关键是该技术可增强任何移动应用程序的功能，即为用户提供了新的便利级别，并允许您主动使用强大的功能，例如
根据地理位置提供最准确的建议，或立即检测
植物中的疾病 。
移动机器学习的如此迅速发展是对我们在经典机器学习中有时间学习的许多常见问题的解答。 实际上，一切都是显而易见的。 将来，移动应用程序将需要更快的数据处理并进一步减少延迟。
您可能想知道为什么
基于AI的移动应用程序根本无法在云中运行逻辑推理。 首先，云技术依赖于中央节点（想象一个庞大的数据中心，集中了庞大的数据仓库和强大的计算能力）。 使用这种集中式方法，不可能应付足以基于机器学习创建平滑的移动交互的处理速度。 数据应集中处理，然后发送回设备。 这种方法花费时间，金钱并且不能保证数据本身的私密性。
因此，在概述了移动机器学习的这些主要优点之后，让我们更详细地研究一下为什么作为移动开发人员来说，在我们眼前展开的机器学习革命应该引起您的兴趣。
延迟减少
移动应用程序开发人员知道，增加的延迟可能会成为程序的污点，无论其功能多么出色或品牌多么受人尊敬。 在早期的Android设备上，
许多视频应用程序都存在
严重的延迟 ，这是因为观看视频和音频经常被发现不同步。 类似地，高延迟社交媒体客户端可以将通信变成对用户的真实折磨。
正是由于此类延迟问题，在设备上实施机器学习正变得越来越重要。 想象一下社交网络的图像过滤器如何工作，或者参考地理位置如何推荐餐馆。 在此类应用中，延迟应最小，只有在这种情况下，延迟才能发挥最大作用。
如上所述，云处理有时很慢，开发人员需要将延迟趋向于零-仅在这种情况下，移动应用程序中的机器学习功能才能正常工作。 设备上的机器学习打开了此类数据处理功能，实际上可以将延迟减少到几乎为零。
智能手机制造商和科技巨头正在慢慢意识到这一点。 长期以来，苹果一直是该行业的领导者，使用其Bionic系统为智能手机开发
越来越多的高级芯片 ，该系统实现了神经引擎Neural Engine，该引擎有助于直接在设备上驱动神经网络，同时达到
惊人的速度 。
苹果还继续逐步开发Core ML，它是面向移动应用程序的机器学习平台。
TensorFlow Lite库增加了对GPU的支持； Google继续在其ML Kit机器学习平台中添加预加载的功能。 借助这些技术，您可以开发应用程序，使您可以立即处理数据，消除任何延迟并减少错误数量。
准确性和无缝用户交互的结合是移动应用程序开发人员将机器学习功能整合到其中时应考虑的关键指标。 并且为了保证这种功能，需要
在设备上采用机器学习 。
增强的安全性和隐私性
边缘计算的另一个不可估量的巨大好处是，它们在很大程度上提高了用户的安全性和隐私性。 保证应用程序中数据安全性和隐私性是开发人员任务的组成部分，尤其是考虑到必须遵守GDPR（通用数据保护法规）和新的欧洲法律，这无疑会影响移动开发的实践。
由于不需要将数据发送到北方或云进行处理，因此网络罪犯利用这些传输期间发生的任何漏洞的机会较少； 因此可以保持数据完整性。 这使移动应用程序开发人员更容易遵守GDPR数据安全法规。
设备上的机器学习还提供去中心化功能，主要是基于与区块链相同的原理。 换句话说，与在中央服务器上进行相同的攻击相比，黑客更容易将隐藏设备的连接网络置于DDoS攻击之下。 在使用无人机并监视法律合规性时，该技术也很有用。
苹果公司的上述智能手机芯片还有助于提高用户的安全性和隐私性-因此它们可以用作Face ID的基础。 iPhone的这项功能基于部署在设备上的神经网络，并收集有关用户面部所有各种表示的数据。 因此，该技术是一种极其准确和可靠的识别方法。
此类更新的支持AI的设备将为用户与智能手机进行更安全的交互铺平道路。 实际上，开发人员可以获得额外的加密层来保护用户数据。
无需互联网连接
除了延迟问题之外，将数据发送到云进行处理和提取线索还需要良好的Internet连接。 通常，尤其是在发达国家中，无需抱怨互联网。 但是在沟通较差的地区该怎么办？ 当在设备上实施机器学习时，神经网络会自己生活在手机上。 因此，开发人员可以将技术部署在任何设备上的任何位置，无论连接的质量如何。 另外，这种方法导致
ML功能的
民主化 。
医疗保健是可以从设备上的机器学习中特别受益的行业之一，因为开发人员可以创建检查重要指标的工具，甚至可以在没有任何Internet连接的情况下提供抢劫手术。 对于想在没有Internet连接的情况下访问讲座资料的学生（例如，在运输隧道中），该技术也很有用。
最终，设备上的机器学习将为开发人员提供工具，以创建对全世界用户有用的工具，无论Internet连接处于何种情况。 鉴于新智能手机的功能至少不低于当前智能手机，用户在脱机使用应用程序时会忘记延迟带来的问题。
降低业务成本
设备上的机器学习还旨在节省您的财富-因为有了它，您将不必付给实施和支持许多解决方案的外部承包商。 如上所述，在许多情况下，您都可以在没有云且没有Internet的情况下进行操作。
GPU和特定于AI的云服务是您可以购买的最昂贵的解决方案。 在设备上启动模型时，由于当今越来越多的配备了
神经形态处理器（NPU）的高级智能手机的出现，您不必为所有这些集群付费。
通过避免设备与云之间繁重的数据处理的噩梦，您可以节省大量资金； 因此，在设备上实施机器学习解决方案非常有益。 此外，您可以节省成本，因为您的应用程序中的数据带宽需求已大大降低。
工程师自己也不必节省和维护其他云基础架构，因此可以大大节省开发过程。 相反，以较小的团队的力量可以实现更多目标。 因此，开发团队中的人力资源计划效率更高。
结论
毫无疑问，在2010年代，云成为简化数据处理的真正福音。 但是，高科技正以指数级的速度发展，并且设备上的机器学习很快将成为不仅在移动开发领域而且在物联网领域的事实上的标准。
由于减少了等待时间，提高了安全性，脱机功能以及总体上降低了成本，因此最大的移动开发公司将这种技术押注在市场上也就不足为奇了。 移动应用程序开发人员还应该仔细研究它，以与时俱进。