下一波移動應用將由機器學習提供動力的 4 個原因。| 作者 karl utermohlen
移動開發者可以從裝置上的機器學習（on-device machine learning）所能提供的革命性變化中獲益匪淺。這是因為該技術能夠支援移動應用程式，即允許通過利用強大的功能來實現更流暢的使用者體驗，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為是對經典機器學習（classical machine learning）所面臨的許多常見問題的回應。事實上，這些問題即將發生。未來的移動應用將需要更快的處理速度和更低的延遲。
在概述了移動機器學習的這些核心優勢之後，下面讓我們更詳細地**為什麼作為移動應用開發者，你會希望繼續關注即將到來的裝置機器學習革命。
正是由於這些延遲問題，在移動裝置上運用機器學習變得越來越重要。考慮到社交**影象過濾器和基於位置的用餐建議 —— 這些應用程式功能需要低延遲才能提供最高端別的結果。
如前所述，雲處理的時間可能會很慢，最終，開發者需要達到零延遲才能使機器學習功能在其移動應用中正常執行。裝置上的機器學習通過其資料處理能力為接近零延遲鋪平了道路。
這種精確性和無縫銜接的使用者體驗的結合是移動開發者在建立由 ml 驅動的應用程式時需要考慮的首要因素。為了保證這一點，開發者需要擁抱並接受裝置上的機器學習。
邊緣計算（edge computing）的另乙個不可低估的巨大優勢是它如何提高其使用者的安全性和私隱性。確保應用程式資料的受保護和隱私是移動開發者工作中不可或缺的一部分，特別是考慮到需要滿足通用資料保**規（general data protection regulations，gdpr），這些新的隱私相關法律肯定將會影響移動開發實踐。
由於資料不需要傳送到伺服器或者雲端進行處理，因此網路犯罪分子很少能有機會利用資料傳輸中的任何漏洞，從而保證了資料的不受侵犯。這使移動開發者可以更輕鬆地滿足gdpr中關於資料安全的規定。
裝置上的機器學習解決方案也提供了去中心化，這與區塊鏈的做法非常相似。換句話說，與針對集中式伺服器的相同攻擊相比，黑客更難通過 ddos 攻擊摧毀隱藏裝置的網路連線。這項技術也可被證明對無人機和未來的執法工作有用。
這類以及未來的人工智慧硬體將為使用者提供更安全的智慧型手機體驗鋪平道路，並為移動開發者提供額外的加密層，以保護使用者的資料。
除了延遲問題之外，將資料傳送到雲端以進行推理計算還需要有效的 internet 連線。通常，在世界上比較發達的地區，這種方式可以很容易實現。但是，在網路連線不發達的地區呢？通過裝置上的機器學習，神經網路可以直接在手機上執行。這允許開發者在任何給定時間和在任何裝置上使用該技術，而不用管網路連線性如何。此外，它可以使機器學習特性大眾化，因為使用者不需要 internet 連線到他們的應用程式。
醫療保健是乙個可以從裝置上的機器學習中受益匪淺的行業，因為應用開發者能夠建立醫療工具來檢查生命體徵，甚至可以進行遠端機械人手術，而無需任何 internet 連線。該技術還可以幫助那些需要在沒有網路連線的地方訪問課堂材料的學生，例如在公共運輸隧道中。
裝置上的機器學習最終將為移動開發者提供建立應用程式的工具，這些應用可以使世界各地的使用者受益，無論他們的網路連線情況如何。即使沒有網際網路連線，但未來新的智慧型手機功能將非常強大，使用者在離線環境中使用應用程式時也不會受到延遲問題的困擾。
裝置上的機器學習還可以為您節省一筆支出，因為您不必為實現或維護這些解決方案而向外部**商付費。如前所述，您不需要雲計算或網際網路來提供此類解決方案。
gpu 和人工智慧專用晶元將是您可以購買的最昂貴的雲服務。在裝置上執行模型意味著您不需要為這些集群付費，這要歸功於如今智慧型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資料處理噩夢，對於選擇裝置上的機器學習解決方案的企業來說是乙個巨大的成本節省。通過這種裝置上的推斷計算（on-device inference）也可以降低頻寬需求，最終節省大量的成本。
移動開發者還可以大大節省開發過程的開支，因為他們不必構建和維護額外的雲基礎設施。相反，他們可以通過乙個較小的工程團隊實現更多目標，從而使他們能夠更有效地擴充套件他們的開發團隊。
毫無疑問，雲計算在 2010 年代一直是資料和計算的福音，但科技行業正以指數級的速度發展，裝置上的機器學習（on-device machine learning）可能很快將成為移動應用和物聯網開發的標準。
由於其更低的延遲，增強的安全性，離線功能和降低成本，毫無疑問，該行業的所有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進應用程式的建立。
當然，heartbeat 在移動開發和機器學習的交叉領域擁有越來越多的資源庫。
Web和移動開發的未來
web和移動開發的未來 當我們與來自整個it行業的專家交談時，他們告訴我們技術，pwa和優化的持續整合是關鍵。為了收集有關網路和移動開發當前和未來狀況的見解，我們與19位it主管進行了交流，我們問道 網路和移動應用程式開發的未來是什麼 最大的機會在 這是他們告訴我們的。合併將繼續推動devops工具...
機器學習應用開發典型步驟
一 資料清洗 統一同類資料的單位，去掉重複資料及雜訊資料。使得資料具備結構化特徵，方便作為機器學習演算法的輸入。二 特徵選擇 從所有的特徵值中，逐個分析選擇合適的特徵集合作為輸入。方法 1 人工選擇 2 pca演算法 三 模型選擇 根據問題領域 資料量大小 訓練時長 模型準確度等多方面因素決定模型的...
機器學習筆記（1）機器學習的動機與應用
定義 arthur samuel 1959 在不直接針對問題進行程式設計的情況下，賦予計算機學習能力的研究領域。例 arthur的下棋程式，計算走每一步獲勝的概率，最終打敗程式作者本人。感覺使用決策樹思想 定義2 tom mitchell 1998 乙個合理的學習問題應該這樣定義 對乙個電腦程式來說...