通知の記事の見出しに追加するものはありません。したがって、誰もがすぐに猫に招待されます。 読んでコメントします。
モバイル開発の専門家は、デバイス上の機械学習が今日提供できる革新的な変更の恩恵を受けるでしょう。 ポイントは、このテクノロジーがモバイルアプリケーションをどれだけ強化するか、つまり、ユーザーに新しいレベルの利便性を提供し、強力な機能を積極的に使用できるようにすることです。たとえば、 ジオロケーションに基づいて最も正確な推奨事項を提供したり、植物の病気を即座に検出したりできます。
モバイル機械学習のこのような急速な発展は、古典的な機械学習で学ぶ時間を持っていた多くの一般的な問題への答えです。 実際、すべてが明らかです。 将来的には、モバイルアプリケーションには、より高速なデータ処理と遅延のさらなる削減が必要になります。
AIベースのモバイルアプリケーションがクラウドで論理的な推論を実行できないのはなぜかと既に疑問に思っているかもしれません。 まず、クラウドテクノロジーは中央ノードに依存しています（大規模なデータウェアハウスと大規模なコンピューティングパワーの両方が集中している巨大なデータセンターを想像してください）。 このような一元化されたアプローチでは、機械学習に基づいてスムーズなモバイルインタラクションを作成するのに十分な処理速度に対処することは不可能です。 データは中央で処理された後、デバイスに送り返される必要があります。 このアプローチは、時間とお金がかかり、データ自体のプライバシーを保証するものではありません。
したがって、モバイル機械学習のこれらの主な利点を概説したので、私たちの目の前で展開されている機械学習の革命が、モバイル開発者として個人的に興味深いはずである理由をより詳しく調べてみましょう。
遅延削減
モバイルアプリケーションの開発者は、その能力がどれだけ優れているか、ブランドがどれほど尊敬されているかに関係なく、遅延の増加がプログラムのブラックマークになる可能性があることを知っています。 以前のAndroidデバイスでは、多くのビデオアプリケーションで深刻な遅延が発生しました 。これは、ビデオとオーディオの表示がしばしば同期しないことが原因でした。 同様に、待ち時間の長いソーシャルメディアクライアントは、コミュニケーションをユーザーにとって本当の拷問に変えることができます。
デバイスに機械学習を実装することは、このようなレイテンシの問題のために、ますます重要になっています。 ソーシャルネットワーク用の画像フィルターがどのように機能するか、または位置情報に関連するレストランの推奨を想像してください。 そのようなアプリケーションでは、遅延は最小限に抑える必要があります。この場合のみ、最高レベルで動作できます。
上記のように、クラウド処理は時々遅くなり、開発者は遅延をゼロにする傾向が必要です。この場合のみ、モバイルアプリケーションの機械学習機能が正常に機能します。 デバイスの機械学習により、このようなデータ処理機能が開かれ、遅延をほぼゼロに減らすことができます。
スマートフォンメーカーと技術の巨人はこれを実現し始めています。 長い間、Appleはこの業界のリーダーであり続け、Bionicシステムを使用してスマートフォン向けにますます高度なチップを開発しました。BionicシステムはニューラルエンジンNeural Engineを実装し、デバイス上でニューラルネットワークを直接駆動し、 驚異的な速度を実現します 。
Appleはまた、モバイルアプリケーション向けの機械学習プラットフォームであるCore MLを段階的に開発し続けています。 TensorFlow LiteライブラリはGPUのサポートを追加します。 Googleは、MLキットの機械学習プラットフォームにプリロードされた機能を追加し続けています。 これらのテクノロジーを使用して、データを超高速で処理し、遅延をなくし、エラーの数を減らすことができるアプリケーションを開発できます。
精度とシームレスなユーザーインタラクションのこの組み合わせは、モバイルアプリ開発者が機械学習機能を組み込むときに考慮する必要がある重要な指標です。 また、このような機能を保証するには、デバイスで機械学習を採用する必要があります 。
セキュリティとプライバシーの強化
過大評価できないエッジコンピューティングのもう1つの大きな利点は、ユーザーのセキュリティとプライバシーがどれだけ向上するかです。 アプリケーションでのデータのセキュリティとプライバシーの保証は、特にモバイル開発の実践に間違いなく影響を与える新しい欧州法であるGDPR（一般データ保護規則）を順守する必要性を考慮すると、開発者のタスクの不可欠な部分です。
処理のためにデータを北またはクラウドに送信する必要がないため、サイバー犯罪者はそのような転送中に発生した脆弱性を悪用する機会が少なくなります。 したがって、データの整合性が維持されます。 これにより、モバイルアプリケーション開発者はGDPRデータセキュリティ規制に準拠しやすくなります。
デバイスでの機械学習も、主にブロックチェーンと同じ原理で分散化を提供します。 言い換えれば、ハッカーが中央のサーバーで同じ攻撃を実行するよりも、DDoS攻撃で隠れたデバイスの接続されたネットワークを配置することは困難です。 この技術は、ドローンを使用する場合や法律の遵守を監視する場合にも役立ちます。
前述のAppleのスマートフォンチップは、ユーザーのセキュリティとプライバシーの向上にも貢献しているため、Face IDの基盤として使用できます。 このiPhone機能は、デバイスに展開されたニューラルネットワークに基づいており、ユーザーの顔のさまざまな表現に関するデータを収集します。 したがって、この技術は極めて正確で信頼できる識別方法として機能します。
こうした最新のAI対応機器は、スマートフォンとのより安全なユーザーインタラクションへの道を開くでしょう。 実際、開発者はユーザーデータを保護するために追加の暗号化レイヤーを取得します。
インターネット接続は必要ありません
レイテンシーの問題は別として、リードを処理および抽出するためにクラウドにデータを送信するには、良好なインターネット接続が必要です。 多くの場合、特に先進国では、インターネットについて苦情を言う必要はありません。 しかし、コミュニケーションが悪い地域ではどうすればよいでしょうか？ 機械学習がデバイスに実装されると、ニューラルネットワークはそれ自体で電話で生きます。 したがって、開発者は、接続の品質に関係なく、任意のデバイスおよび場所にテクノロジを展開できます。 さらに、このアプローチはML機能の民主化につながります 。
開発者は、バイタルインジケータをチェックするツールを作成したり、インターネットに接続せずにロボット手術を提供したりできるため、 ヘルスケアは、デバイスでの機械学習から特に恩恵を受けることができる業界の1つです。 この技術は、インターネットに接続せずに講義資料にアクセスしたい学生にも役立ちます-たとえば、輸送トンネルにいる場合。
最終的に、デバイス上の機械学習は、インターネット接続の状況に関係なく、世界中のユーザーに役立つツールを作成するツールを開発者に提供します。 新しいスマートフォンのパワーは少なくとも現在のものより低くないことを考えると、ユーザーがアプリケーションをオフラインで操作するときの遅延の問題を忘れます。
ビジネスのコストを削減
デバイスでの機械学習は、多くのソリューションを実装およびサポートする外部の請負業者に支払う必要がないため、財産を節約するようにも設計されています。 前述のように、多くの場合、クラウドやインターネットがなくても実行できます。
GPUとAI固有のクラウドサービスは、購入できる最も高価なソリューションです。 デバイスでモデルを実行する場合、 ニューロモーフィックプロセッサ（NPU）を搭載したより高度なスマートフォンが登場しているため、これらすべてのクラスターに料金を支払う必要はありません。
デバイスとクラウド間の大量のデータ処理の悪夢を回避することで、大幅に節約できます。 したがって、デバイスに機械学習ソリューションを実装することは非常に有益です。 さらに、アプリケーションのデータ帯域幅要件が大幅に削減されるため、コストを節約できます。
エンジニア自身も、追加のクラウドインフラストラクチャを収集して維持する必要がないため、開発プロセスを大幅に節約できます。 それどころか、小規模なチームの力でより多くを達成することが可能です。 したがって、開発チームの人事計画ははるかに効率的です。
おわりに
間違いなく、2010年代に、クラウドはデータ処理を簡素化する本当の祝福になりました。 しかし、高度な技術は飛躍的に発展しており、デバイスでの機械学習はモバイル開発の分野だけでなく、モノのインターネットの分野でも事実上の標準になります。
待ち時間の短縮、セキュリティの向上、オフライン機能、全体的な低価格により、最大のモバイル開発プレーヤーがこのテクノロジーに賭けていることは驚くことではありません。 モバイルアプリケーションの開発者は、時代に遅れずについていくために、それをよく見てください。