機器學習與移動應用開發的將來

原文連接

下一波移動應用將由機器學習提供動力的 4 個緣由。

| 做者 Karl Utermohlen

| 連接 heartbeat.fritz.ai/machine-lea…

移動開發者能夠從設備上的機器學習（on-device machine learning）所能提供的革命性變化中獲益匪淺。這是由於該技術可以支持移動應用程序，即容許經過利用強大的功能來實現更流暢的用戶體驗，例如提供準確的基於地理位置的建議或即時檢測植物疾病等。

移動機器學習（mobile machine learning）的這種快速發展已經成爲是對經典機器學習（classical machine learning）所面臨的許多常見問題的迴應。事實上，這些問題即將發生。將來的移動應用將須要更快的處理速度和更低的延遲。

你可能會疑問爲何人工智能優先的移動應用程序（AI-first mobile applications）不能簡單地在雲端中進行推理運算。首先，雲技術依賴於中央節點（設想一個擁有大量存儲空間和計算能力的大型數據中心）。而這種集中式的方式沒法知足建立流暢的、基於機器學習驅動的移動用戶體驗所需的處理速度。由於數據必須在這個集中式數據中心進行處理，而後將結果發送回設備。這須要花費時間和金錢，而且很難保證數據的隱私。

在概述了移動機器學習的這些核心優點以後，下面讓咱們更詳細地探討爲何做爲移動應用開發者，你會但願繼續關注即將到來的設備機器學習革命。

下降延遲

移動應用開發者都知道，高延遲將會是致使一個 App 失敗的重要緣由，不管其功能有多強大或者品牌聲譽如何。Android 設備的許多視頻類應用在過去曾存在延遲問題，致使觀看時音頻和視頻不一樣步的體驗。一樣，一個高延遲的社交應用也會致使很是使人沮喪的糟糕用戶體驗。

正是因爲這些延遲問題，在移動設備上運用機器學習變得愈來愈重要。考慮到社交媒體圖像過濾器和基於位置的用餐建議 —— 這些應用程序功能須要低延遲才能提供最高級別的結果。

如前所述，雲處理的時間可能會很慢，最終，開發者須要達到零延遲才能使機器學習功能在其移動應用中正常運行。設備上的機器學習經過其數據處理能力爲接近零延遲鋪平了道路。

圖爲實時低延遲的示例：Heartbeat 應用中實時視頻的樣式轉換結果。

智能手機制造商和大型科技公司正在追趕這一目標。Apple 在這方面一直處於領先地位，它正在使用其仿生系統（Bionic system）開發更先進的智能手機芯片，該系統具備一個完整的神經引擎，可幫助神經網絡直接在設備上運行，並具備使人難以置信的處理速度。

Apple 還在繼續迭代更新 Core ML，這是一個面向移動開發者的機器學習平臺；TensorFlow Lite 增長了對 GPU 的支持；Google 繼續爲其本身的機器學習平臺 —— ML Kit 增長預加載特性。這些技術是移動開發者用於開發可以以閃電般的速度處理數據、消除延遲和減小錯誤的應用程序的技術之一。

這種精確性和無縫銜接的用戶體驗的結合是移動開發者在建立由 ML 驅動的應用程序時須要考慮的首要因素。爲了保證這一點，開發者須要擁抱並接受設備上的機器學習。

加強安全性和隱私

邊緣計算（edge computing）的另外一個不可低估的巨大優點是它如何提升其用戶的安全性和隱私性。確保應用程序數據的受保護和隱私是移動開發者工做中不可或缺的一部分，特別是考慮到須要知足通用數據保護法規（General Data Protection Regulations，GDPR），這些新的隱私相關法律確定將會影響移動開發實踐。

因爲數據不須要發送到服務器或者雲端進行處理，所以網絡犯罪分子不多能有機會利用數據傳輸中的任何漏洞，從而保證了數據的不受侵犯。這使移動開發者能夠更輕鬆地知足 GDPR 中關於數據安全的規定。

設備上的機器學習解決方案也提供了去中心化，這與區塊鏈的作法很是類似。換句話說，與針對集中式服務器的相同攻擊相比，黑客更難經過 DDOS 攻擊摧毀隱藏設備的網絡鏈接。這項技術也可被證實對無人機和將來的執法工做有用。

上述 Apple 智能手機芯片也有助於提升用戶安全性和隱私性，例如這些芯片是 Face ID 的支柱。iPhone 的這一功能依賴於設備上的神經網絡，它能夠收集用戶臉部全部不一樣維度的數據，做爲更準確，更安全的識別方法。

• Apple 介紹 iPhone X 上的 Face ID 視頻連接：www.youtube.com/watch?v=z-t…

這類以及將來的人工智能硬件將爲用戶提供更安全的智能手機體驗鋪平道路，併爲移動開發者提供額外的加密層，以保護用戶的數據。

無需網絡鏈接

除了延遲問題以外，將數據發送到雲端以進行推理計算還須要有效的 Internet 鏈接。一般，在世界上比較發達的地區，這種方式能夠很容易實現。可是，在網絡鏈接不發達的地區呢？經過設備上的機器學習，神經網絡能夠直接在手機上運行。這容許開發者在任何給定時間和在任何設備上使用該技術，而不用管網絡鏈接性如何。此外，它可使機器學習特性大衆化，由於用戶不須要 Internet 鏈接到他們的應用程序。

醫療保健是一個能夠從設備上的機器學習中受益不淺的行業，由於應用開發者可以建立醫療工具來檢查生命體徵，甚至能夠進行遠程機器人手術，而無需任何 Internet 鏈接。該技術還能夠幫助那些須要在沒有網絡鏈接的地方訪問課堂材料的學生，例如在公共交通隧道中。

設備上的機器學習最終將爲移動開發者提供建立應用程序的工具，這些應用可使世界各地的用戶受益，不管他們的網絡鏈接狀況如何。即便沒有互聯網鏈接，但將來新的智能手機功能將很是強大，用戶在離線環境中使用應用程序時也不會受到延遲問題的困擾。

減小業務開銷成本

設備上的機器學習還能夠爲您節省一筆支出，由於您沒必要爲實現或維護這些解決方案而向外部供應商付費。如前所述，您不須要雲計算或互聯網來提供此類解決方案。

GPU 和人工智能專用芯片將是您能夠購買的最昂貴的雲服務。在設備上運行模型意味着您不須要爲這些集羣付費，這要歸功於現在智能手機中日益複雜的神經處理單元（Neural Processing Units，NPU）。

避免移動端和雲端之間繁重的數據處理噩夢，對於選擇設備上的機器學習解決方案的企業來講是一個巨大的成本節省。經過這種設備上的推斷計算（on-device inference）也能夠下降帶寬需求，最終節省大量的成本。

移動開發者還能夠大大節省開發過程的開支，由於他們沒必要構建和維護額外的雲基礎設施。相反，他們能夠經過一個較小的工程團隊實現更多目標，從而使他們可以更有效地擴展他們的開發團隊。

結語

毫無疑問，雲計算在 2010 年代一直是數據和計算的福音，但科技行業正以指數級的速度發展，設備上的機器學習（on-device machine learning）可能很快將成爲移動應用和物聯網開發的標準。

因爲其更低的延遲，加強的安全性，離線功能和下降成本，毫無疑問，該行業的全部主要參與者都在大力關注這項技術，它將定義移動開發者如何推動應用程序的建立。

若是你有興趣瞭解移動機器學習的更多信息，它的工做原理，以及爲何它在整個移動開發領域中的如此重要，這裏有一些額外的資源能夠幫助您入門：

• Matthijs Holleman 的博客《Machine, Think!》在 Apple 的移動機器學習框架 Core ML 方面有不少很棒的教程和其餘內容；
• 邊緣人工智能（視頻）
• 固然，Heartbeat 在移動開發和機器學習的交叉領域擁有愈來愈多的資源庫。

關注咱們

歡迎關注咱們的公衆號：iOS-Tips，也歡迎加入咱們的羣組討論問題。能夠加微信 coldlight_hh/wsy9871 進入咱們的 iOS/flutter 微信羣。