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
| 連結 heartbeat.fritz.ai/machine-lea…
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迴應。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。
你可能會疑問為什麼人工智慧優先的移動應用程式（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（設想一個擁有大量儲存空間和計算能力的大型資料中心）。而這種集中式的方式無法滿足建立流暢的、基於機器學習驅動的移動使用者體驗所需的處理速度。因為資料必須在這個集中式資料中心進行處理，然後將結果傳送回裝置。這需要花費時間和金錢，並且很難保證資料的隱私。
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探討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。
降低延遲
移動應用開發者都知道，高延遲將會是導致一個 App 失敗的重要原因，無論其功能有多強大或者品牌聲譽如何。Android 裝置的許多視訊類應用在過去曾存在延遲問題，導致觀看時音訊和視訊不同步的體驗。同樣，一個高延遲的社交應用也會導致非常令人沮喪的糟糕使用者體驗。
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。考慮到社交媒體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階別的結果。
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。
圖為實時低延遲的示例：Heartbeat 應用中實時視訊的樣式轉換結果。
智慧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）開發更先進的智慧手機晶片，該系統具有一個完整的神經引擎，可幫助神經網路直接在裝置上執行，並具有令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 增加了對 GPU 的支援；Google 繼續為其自己的機器學習平臺 —— ML Kit 增加預載入特性。這些技術是移動開發者用於開發能夠以閃電般的速度處理資料、消除延遲和減少錯誤的應用程式的技術之一。
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。
增強安全性和隱私
邊緣計算（edge computing）的另一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隱私性。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護法規（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。
上述 Apple 智慧手機晶片也有助於提高使用者安全性和隱私性，例如這些晶片是 Face ID 的支柱。iPhone 的這一功能依賴於裝置上的神經網路，它可以收集使用者臉部所有不同維度的資料，作為更準確，更安全的識別方法。
- Apple 介紹 iPhone X 上的 Face ID 視訊連結：www.youtube.com/watch?v=z-t…
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手機體驗鋪平道路，併為移動開發者提供額外的加密層，以保護使用者的資料。
無需網路連線
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。
醫療保健是一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器人手術，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，例如在公共交通隧道中。
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。
減少業務開銷成本
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供應商付費。如前所述，您不需要雲端計算或網際網路來提供此類解決方案。
GPU 和人工智慧專用晶片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叢集付費，這要歸功於如今智慧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一個巨大的成本節省。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，他們可以通過一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。
結語
毫無疑問，雲端計算在 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。
如果你有興趣瞭解移動機器學習的更多資訊，它的工作原理，以及為什麼它在整個移動開發領域中的如此重要，這裡有一些額外的資源可以幫助您入門：
- Matthijs Holleman 的部落格《Machine, Think!》在 Apple 的移動機器學習框架 Core ML 方面有很多很棒的教程和其他內容；
- 邊緣人工智慧（視訊）
- 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。
關注我們
歡迎關注我們的公眾號：iOS-Tips，也歡迎加入我們的群組討論問題。可以加微信 coldlight_hh/wsy9871 進入我們的 iOS/flutter 微信群。
