什么是移动智能?和AI如何推动移动智能?

人工智能被认为是改变数字时代的创新的现代时代。智能手机已经是我们的移动设备如何变得更加智能以及AI如何为移动设备的未来智能提供技术的示例。

如今,企业和移动制造商正在合作以构建移动设备的硬件功能,以适应设备的机器学习应用程序。但是,许多企业和研究人员都希望为移动设备和应用程序开发智能架构,比以往任何时候都更加智能。

移动智能: 

移动智能是通过智能解决方案学习,分析,理解和解决用户查询的移动系统的力量。 对于这种智能功能,利用AI供电的机器学习和其他技术。 

移动架构分为三个主要架构:

  1. 云基础
  2. 本地基于
  3. 部分卸载

许多开发人员已经使用基于云或本地的应用程序开发,而部分卸载是相对更新的方法。虽然已经在组合中使用这些架构进行了方法,但如果所有三个用于形成架构,则它可以帮助应用程序变得更加智能,而且又使我们的移动设备更加智能。

AI时间期刊资源
你学习数据科学吗?

Check out what 图书 帮助20多个成功的数据科学家在他们的职业生涯中成长。

移动客户端:

移动客户端可以被视为本地侧,因为它接收输入信号并在本地预处理它们。然后这些手机将信号发送到云的机器学习模型或本地ML模型。 

在ML模型中处理后,结果与用户共享智能解决方案。 

云服务器:

云服务器具有许多计算和认知资源,如CPU,GPU和TPU,这些资源用于ML模型学习,并使ML学习更容易,应提供相关模型的学习数据和配置文件的云服务器。云本身可以继续携带学习模型,并为推理处理提供无缝Web API。

建筑操作:

图像来源: 移动智能:建筑

基于云: 

对于基于云的架构,如上所述,移动客户端和云服务器一起工作,以使预测包括学习和推理。在服务器上完成学习时,云服务器获取学习参数。

此外,我们可以将学习模型放在发布和服务器Web API上,该模型可以由智能设备使用。由于模型在服务器上,它变得非常容易将应用程序端口到任何其他平台。随着他们需要网络而无法在本地完成的推论,无法完成同样的推论。

基于本地:

PHONE B是本地基于设备,这意味着预测是通过移动移动制作的。我们可以将学习模型放在移动设备中,并在设备本地推断。在网络上没有服务器要求,但设备需要更高的CPU和RAM功能。

部分卸载:

这种架构比其他两个架构更加动态灵活。该模型由许多抽象层组成。在一侧,移动客户端根据网络条件,移动功能和服务器负载等变量对模型进行分区。在另一边,它将模型连接到特定层,并通过网络将中间数据传送到云。

然后,云服务器执行剩余的图层并将预测结果发送回移动客户端。这些架构是普遍的,可以应用于各种机器学习模型,如生成的对抗网络(GAN),深神经网络(DNN)和加强学习(RL)模型。

架构参数:

潜伏:

预测结果和用户请求之间发生的时间错误,从而简单地包括后处理,预处理,模型操作等等。考虑虚拟现实应用程序的简单示例,它们需要几乎60fps(移动显示刷新率)和14ms延迟。而何时谈到开发基于云的游戏等应用程序,则需要尽可能短地保持交互延迟。

准确性:

获得正确结果的样本数量的比率,以样本的总数。它用于测量模型的性能。需要高水平的安全性和自动驾驶和导航等功能的应用可能需要非常高的准确性。

没有错误的空间,这就是企业期待的原因 雇用Android开发人员 和来自各种平台的其他开发人员利用学习的DNN(深神经网络)。如果我们考虑在汽车自动化中应用这些模型,这些自学习DNN可以预测道路导航和安全的驾驶员的转向角。

活力:

移动设备具有有限的能量来源。但是,运行这些复杂的机器学习模型可以引入相当大的计算和通信开销。

移动智能应用程序在用户之间非常着名。但是,这可以使用大量能量随申请而改变。因此,能量效率是期望的属性。

移动智能的主要挑战:

  1. 网络条件通常是零星的,不稳定和不可预测的。
  2. 由于云计算和云协同操作导致的能源效率缺乏能源效率。
  3. 云计算可以导致数据风险和数据隐私问题。
  4. 模型复杂性和数据大小的增加正在增加。
  5. 推理过程的当前分区仍然是实验性的。
  6. 移动设备的硬件功能问题。
  7. 企业基础架构和组织结构未校准ML适应。
  8. 对数据来源​​和数据泄露缺乏控制和规定。
  9. 模型的校准以提供更高的结果和预测。
  10. 低延迟需求的延迟问题。

结论:

随着人工智能技术成熟到峰值阶段,我们将看到许多这样的移动智能应用,将探索机器学习技术。所需架构和当前架构的参数不是匹配,并且仍然存在最突出的挑战之一。

利用上述架构,推理和学习的过程变得迅速,无需担心数据风险。世界各地的企业知道移动智能和智能应用的重要性,并通过了今天的许多类型的研究和实验。 因此,使用云,局部和部分卸载架构的组合可以有助于满足机器学习参数的要求。

贡献者

Manoj rupareliya是营销顾问和博主。谁一直为各种博客写作。他以前在其帖子中涵盖了广泛的主题,包括业务,技术,金融,赚钱,加密货币和初创企业。

贡献者表达的意见是他们自己的意见。

关于Manoj Rupareliya.

Manoj rupareliya是营销顾问和博主。谁一直为各种博客写作。他以前在其帖子中涵盖了广泛的主题,包括业务,技术,金融,赚钱,加密货币和初创企业。

查看Manoj Rupareliya的所有帖子→