Машинное обучение на смартфонах в 2017 году

Машинное обучение трансформирует интернет-приложения. Наши почтовые ящики, сайты социальных сетей, торговые сайты в настоящее время используют возможности машинного обучения для улучшения нашего опыта, и этот сдвиг был очень прогрессивным. Это позволяет приложениям предоставлять очень интуитивно понятный и персонализированный опыт, который поднимает пользовательский опыт на совершенно новый уровень. Вскоре машинное обучение изменит мобильные приложения, которые мы используем, и эта статья дает представление о его потенциале.

Традиционный способ использования компьютера для выполнения задачи классификации изображений предполагает, что разработчик изучает свойства изображения и явно определяет особенности изображения для его маркировки. Естественно, традиционный способ был чрезвычайно сложен, так как особенности изображения были очень специфичными, а используемые алгоритмы не обеспечивали высокой точности, поскольку количество идентифицируемых элементов увеличивалось.Вместо этого машинное обучение использует более естественный способ. В подходе машинного обучения мы предоставляем алгоритмам данные и их метки, а алгоритмы получают функции, которые можно использовать для классификации. В этом и заключается сила машинного обучения. Эти передовые алгоритмы теперь зависят от данных, а не от конкретных функций, и с нынешним распространением Интернета сбор данных стал более удобным.

Машинное обучение находит применение практически во всех приложениях благодаря универсальному характеру алгоритмов. От целевой рекламы, основанной на истории пользователей в Интернете, до кибербезопасности путем тщательного изучения журналов сервера — это постоянно растущая платформа. Эти алгоритмы требуют больших объемов данных и требуют огромных вычислительных ресурсов на этапах обучения. Таким образом, эти два фактора ограничивают обучение и использование моделей машинного обучения на серверном оборудовании. Наиболее распространенная архитектура заключается в использовании серверного оборудования для сложных задач, таких как создание моделей и создание интерфейса API для клиентских приложений для взаимодействия с моделью.

Благодаря недавнему прогрессу в области платформ машинного обучения некоторые задачи теперь можно выполнять на клиентских устройствах, что имеет множество преимуществ. В частности, эти платформы теперь позволяют переносить обученные модели на мобильное устройство и предоставляют интерфейс мобильным приложениям для запроса модели. Поскольку приложения теперь могут взаимодействовать с моделями прямо на устройстве, они не зависят от сети, а производительность приложений значительно возрастает. Кроме того, некоторые платформы машинного обучения позволяют обучать модели, используя только аппаратное обеспечение устройства, что может устранить необходимость в модели сервер-клиент.

При переходе от платформы к конкретным приложениям существует множество вариантов использования, в которых машинное обучение может улучшить мобильные приложения. В качестве раннего внедрения этих алгоритмов в клавиатуры смартфонов были добавлены расширенные функции, такие как интеллектуальный ввод текста и автокоррекция правописания. Вскоре эти функции были расширены с помощью методов машинного обучения, чтобы адаптироваться к моделям использования отдельных пользователей и обеспечивать более интуитивно понятные результаты. Среди других приложений, которые стали первыми пользователями, — помощники для интеллектуальных устройств, такие как Siri в iPhone и Google Now. Вскоре компании начали использовать алгоритмы машинного обучения для организации фотографий в альбомы на основе различных изученных данных, таких как дата и время, местоположение, люди и объекты на фотографиях. Затем фотографии можно легко преобразовать в фотоистории или сделать фотографии доступными для поиска по содержанию. Эти ранние внедрения загружали пользовательские данные на свои серверы и выполняли тяжелые задачи по обучению моделей на серверном оборудовании и использовали мобильные устройства в качестве клиентов.

В широком смысле машинное обучение можно использовать в различных областях на мобильных устройствах, таких как обработка естественного языка (NLP), обработка изображений и видео, обнаружение и обработка голоса, аутентификация, оптимизация батареи и многое другое.

Одним из наиболее важных компонентов приложения для смартфона является аутентификация. Благодаря мощности алгоритмов машинного обучения данные, собранные датчиками движения, датчиками местоположения, сенсорным вводом, а также данными об использовании приложений, можно использовать для создания профиля пользователя на устройстве. Затем этот профиль можно использовать для аутентификации пользователей на устройстве, что обеспечит беспрепятственный доступ для авторизованных пользователей, а также надежную защиту от имитаторов. Такая реализация по своей конструкции будет хранить личные пользовательские данные на устройстве и сделает систему устойчивой к утечкам данных на стороне сервера и атакам безопасности.

Переход к текущим инструментам и платформам для реализации машинного обучения в мобильных приложениях включает TensorFlow, разработанный Google, который работает как на iOS, так и на Android, и Core ML, разработанный Apple, который работает только на устройствах iOS.

Вот несколько интересных ссылок, с которых можно начать внедрение машинного обучения на мобильных устройствах:

1. Тензорный поток

Учебник 1:

Учебник 2:

2. Машинное обучение на iOS

Я считаю, что это начало новой эры в развитии машинного обучения. Прогресс в машинном обучении на смартфонах позволит разработчикам создавать гораздо более качественные приложения и обогатит наш опыт, когда мы шагнем в будущее.

Несколько ссылок для дальнейшего чтения:

1. Машинное обучение становится мобильным

2. Глубокое обучение на смартфонах

3. Погрузитесь глубже в то, что поддерживается в CoreML

4. Руководство по CoreML на iOS (построение детектора спама)

5. Core ML и Vision: машинное обучение в учебном пособии по iOS 11

6. Поддерживаемые основные модели машинного обучения, которые можно портировать на смартфон.