Uygulama geliştirme çıkmaz mı?
Aşağıdaki çeviridir:
Mobil geliştiriciler, makine öğreniminin sağlayabileceği devrim niteliğindeki değişikliklerden çokça yararlanabilir. Bunun nedeni, teknolojinin daha sorunsuz bir kullanıcı deneyimi sağlamak ve mobil uygulamaları daha güçlü hale getirmek gibi mobil uygulamaları destekleyebilmesidir. : Örneğin, doğru konuma dayalı öneriler veya bitki hastalıklarının gerçek zamanlı tespiti sağlama.
Mobil uygulama makine öğreniminin hızlı gelişimi, klasik makine öğreniminin karşılaştığı birçok sorunun açıklaması haline geldi. Aslında bilinmeyen bir şey olmak üzere. Gelecekteki mobil uygulamalar, daha yüksek işlem hızları ve daha düşük gecikme süresi gerektirir.
AI öncelikli mobil uygulamaların neden bulutta çevrimiçi çıkarım yapamayacağını merak ediyor olabilirsiniz. İlk olarak, bulut bilişim teknolojisi merkezi bir düğüme dayanır (çok fazla depolama alanı ve bilgi işlem gücüne sahip devasa bir veri merkezi hayal edin). Ve bu merkezi işlem yöntemi, makine öğrenimi odaklı sorunsuz bir mobil deneyim oluşturmak için gereken işleme hızını kaldıramaz. Çünkü tüm süreç verileri bu merkezi veri merkezinde işlemeli ve ardından verileri cihaza geri göndermelidir. Bu işlem zaman ve para gerektirir ve veri gizliliğini garanti etmek zordur.
Mobil Uygulama geliştiricileri, uygulama ne kadar güçlü olursa olsun veya arkasındaki şirketin itibarı ne olursa olsun, yüksek gecikmenin bir uygulamanın ölüm çanı olduğunu bilirler. Örneğin, Android cihazlar geçmişte birçok video uygulamasında gecikme sorunlarıyla karşılaştı ve bu da ses ve videoyu senkronize olmayan bir şekilde izleme deneyimine neden oldu. Aynı şekilde, yüksek gecikmeli sosyal medya uygulamaları, çok sinir bozucu bir kullanıcı deneyimine yol açabilir.
Tam da bu gecikme sorunları nedeniyle, cihazda makine öğrenimi gerçekleştirmek giderek daha önemli hale geliyor. Sosyal medya görsel filtreleri ve konuma dayalı yemek önerileri vb. Nedeniyle, bu uygulama özellikleri en iyi sonuçları sağlamak için düşük gecikme süresi gerektirir.
Akıllı telefon üreticileri ve büyük teknoloji şirketleri bu anlayışı yavaş yavaş kabul ediyor. Apple bu alanda her zaman bir lider olmuştur ve Bionic sistemlerini daha gelişmiş akıllı telefon çipleri geliştirmek için kullanırlar; bu, sinir ağlarının doğrudan cihaz üzerinde çalışmasına yardımcı olan ve inanılmaz hıza sahip eksiksiz bir sinir motoruna sahiptir.
Apple, mobil geliştiriciler için bir makine öğrenimi platformu olan Core ML'yi başlatmaya devam edecek; TensorFlow Lite ayrıca GPU'lar için destek ekledi ve Google, kendi ML platformu ML Kitine önceden yüklenmiş özellikler eklemeye devam edecek. Mobil geliştiricilere ait bu teknolojiler, verileri yıldırım hızında işlemesi, gecikmeyi ortadan kaldırması ve hataları azaltması gereken uygulamalar geliştirmek için kullanılabilir.
Edge bilişimin bir diğer büyük avantajı, kullanıcılarının güvenliğini ve gizliliğini nasıl geliştirebileceğidir. Uygulama verilerinin korunması ve gizliliğinin sağlanması, mobil geliştiricilerin çalışmalarının vazgeçilmez bir parçası olup, özellikle Genel Veri Koruma Yönetmeliğine (GDPR) uyma ihtiyacı göz önüne alındığında, bu yeni gizlilik yasaları, bu yeni yasalar kesinlikle mobil geliştirme uygulamalarını etkileyecektir.
Verilerin işlenmek üzere bir sunucuya veya buluta gönderilmesi gerekmediğinden, siber suçlular bu veri aktarımındaki herhangi bir boşluktan yararlanmak için daha az fırsata sahip olur ve böylece verilerin kutsallığını korur. Bu, mobil geliştiricilerin veri güvenliğiyle ilgili GDPR düzenlemelerini karşılamasını kolaylaştırır.
Mobil cihazlardaki makine öğrenimi çözümleri de blok zinciri gibi dağıtılmış olarak sağlanabilir. Diğer bir deyişle, bilgisayar korsanlarının gizli cihazları DDoS saldırıları ile bağlayan tüm ağ düğümlerini kaldırması, merkezi bir sunucuya yapılan aynı saldırıdan daha zordur.
Ek olarak, Apple'ın akıllı telefon çipleri de kullanıcı güvenliğini ve gizliliğini artırmaya yardımcı oluyor. Aynı zamanda Face ID'nin bel kemiğidir. İPhone işlevleri cihaz üzerindeki sinir ağına dayanır.Nöral ağ, daha doğru ve daha güvenli bir tanımlama yöntemi olarak kullanıcının yüzünde tüm farklı şekillerde veri toplayabilir.
Gecikme sorunlarına ek olarak, akıl yürütmek için buluta veri göndermek, etkin bir İnternet bağlantısı gerektirir. Genel olarak bu, dünyanın daha gelişmiş bölgelerindeki ağ bağlantıları için işe yarar. Peki ya ağ sinyalinin olmadığı yerler? Cihazdaki makine öğrenimi sayesinde, sinir ağları cep telefonlarında çalışabilir. Bu, geliştiricilerin bağlantıya bakılmaksızın herhangi bir zamanda herhangi bir cihazda teknolojiyi dağıtmalarına olanak tanır. Ek olarak, ML işlevlerini demokratikleştirebilir, çünkü kullanıcıların uygulamaları için İnternet bağlantısına ihtiyacı yoktur.
Sağlık hizmetleri, cihazdaki makine öğreniminden büyük ölçüde faydalanabilecek bir sektördür, çünkü uygulama geliştiricileri hayati belirtileri kontrol etmek için tıbbi araçlar oluşturabilir ve hatta herhangi bir İnternet bağlantısı olmadan uzaktan robotik ameliyat gerçekleştirebilir. Teknoloji ayrıca toplu taşıma tünelleri gibi bağlantılı olmayan yerlerde sınıf materyallerine erişmesi gerekebilecek öğrencilere yardımcı olabilir.
Mobil cihazlarda makine öğrenimi, bu çözümleri uygulamak veya sürdürmek için harici sağlayıcılara ödeme yapmanız gerekmediğinden size bir servet kazandıracaktır. Daha önce de belirtildiği gibi, bu tür bir çözümü elde etmek için buluta veya İnternete ihtiyacınız yoktur.
GPU ve AI'ya özel çipler, satın alabileceğiniz en pahalı "bulut hizmetleridir". Modeli cihazda çalıştırmak, günümüzün giderek karmaşıklaşan nöral işlem birimi (NPU) akıllı telefonları sayesinde bu kümeler için ödeme yapmanız gerekmediği anlamına gelir.
Mobil uygulamalar ile bulut veri merkezleri arasında yoğun veri işlemeyi önlemek, cihaz içi makine öğrenimi çözümlerini kullanan şirketler için büyük bir maliyet tasarrufu sağlar. Bu tür bir ekipmanın çıkarılması, bant genişliği gereksinimlerini azaltabilir ve sonuçta çok fazla maliyet tasarrufu sağlayabilir.
Mobil geliştiriciler ayrıca, diğer bulut altyapılarını inşa etmek ve sürdürmek zorunda kalmadıkları için geliştirme sürecini büyük ölçüde kaydedebilirler. Aksine, daha küçük mühendislik ekipleriyle daha fazla hedefe ulaşabilirler ve bu da geliştirme ekiplerini daha etkin bir şekilde genişletmelerine olanak tanır.
Hiç şüphe yok ki, 2010'larda bulut bilişim veri ve bilgi işlem için bir nimettir, ancak teknoloji endüstrisi katlanarak gelişiyor ve cihazlarda makine öğrenimi yakında mobil uygulamalar ve IoT geliştirme için standart haline gelebilir.
Azaltılmış gecikme süresi, artırılmış güvenlik, artırılmış çevrimdışı işlevsellik ve azaltılmış maliyetler nedeniyle. Hiç şüphe yok ki, sektördeki tüm büyük oyuncular, mobil geliştiricilerin uygulama oluşturmayı nasıl yönlendireceğini yeniden tanımlayacak olan teknolojiye büyük yatırım yaptı.
Mobil makine öğrenimi, nasıl çalıştığı ve genel mobil geliştirme alanında neden önemli olduğu hakkında daha fazla bilgi edinmekle ilgileniyorsanız, başlamanıza yardımcı olacak bazı ek kaynakları burada bulabilirsiniz:
- Matthijs Holleman'ın blogu Machine, Think! (Https://machinethink.net/blog/) Bu, Apple ML'nin mobil ML çerçevesi Core ML'deki bir grup harika öğretici ve diğer içeriktir;
- Uç yapay zeka (video) (bilimsel İnternet erişimi gerektirir): https://youtu.be/6R5pjcqBq6Y;
- Elbette, Heartbeat ( mobil geliştirme ve makine öğreniminin kesişme noktasında büyüyen bir kaynak kitaplığına sahiptir.
Yazar | Karl Utermohlen, yapay zeka, makine öğrenimi ve siber güvenlik konularına odaklanan teknik yazar
Çevirmen | Kaplan Konuşan Editör | Tu Min Üretildi | CSDN (ID: CSDNNews)
(Bu makale bir ağ alıntı veya yeniden basımdır, telif hakkı orijinal yazara veya yayın medyasına aittir. Çalışmanın telif hakkına dahilseniz, lütfen bizimle iletişime geçin.)
