Verdienen Sie Geld mit Ihren Tech-Blogs, Gadgets und Tipps

Koneoppiminen muuttaa tapaa, jolla työskentelet älypuhelimen kanssa

Huomautus: Seuraava artikkeli auttaa sinua: Koneoppiminen muuttaa tapaa, jolla työskentelet älypuhelimen kanssa

Koneoppiminen: Älypuhelimen siru on kulkenut pitkän tien perustamisestaan ​​lähtien, ja se on käynyt läpi monia ongelmia. Suurimmalla osalla budjettipuhelimista ei ollut paljon tehoa vasta muutama vuosi sitten, mutta nykypäivän keskitason älypuhelimet tarjoavat aivan yhtä paljon tehoa kuin vuoden tai kahden takaiset lippulaivat.

Androidauthorityn mukaan Nyt kun keskimääräinen älypuhelin pystyy hoitamaan päivittäiset julkiset tehtävät, siruvalmistajat ja -kehittäjät ovat asettaneet katseensa korkeammalle.

Tätä silmällä pitäen on selvää, miksi avustavat tekniikat, kuten tekoäly ja koneoppiminen (ML), ovat valokeilassa; Mutta mitä tarkoittaa koneoppimisen oppiminen älylaitteilla, erityisesti sinun ja minun kaltaisille loppukäyttäjille?

Aikaisemmin koneoppimistehtäviin liittyvät tiedot piti lähettää pilveen käsittelyä varten.

Tällä lähestymistavalla on monia haittoja hitaista vasteajoista tietosuojaongelmiin ja kaistanleveyden rajoituksiin, jotka kaikki olivat osa ongelmaa. Silti nykyaikaiset älypuhelimet voivat jatkaa toimintaansa täysin offline-tilassa sirusuunnittelun ja koneoppimistutkimuksen edistymisen ansiosta.

Ymmärtääksemme tämän kehityksen vaikutuksia tutkimme, kuinka koneoppiminen on muuttanut tapaamme käyttää älypuhelimia päivittäin.

Koneoppimisen käyttöönotto älylaitteissa; Parannettu kuvien ja tekstin ennustaminen

2010-luvun puolivälissä käytiin alan laajuinen kilpailu kameran kuvanlaadun parantamisesta, joka kiihtyi joka vuosi. Tämä puolestaan ​​on koneoppimisen käyttöönoton päämotivaattori.

Valmistajat huomauttivat, että tämä tekniikka voisi auttaa kaventamaan älypuhelimien ja erikoiskameroiden välistä kuilua; Vaikka käynnistettävä laitteisto on pienempi.

Tätä varten lähes kaikki suuret teknologiayritykset ovat parantaneet sirujen suorituskykyä koneoppimistehtävissä. Vuoteen 2017 mennessä Qualcomm, Google, Apple ja Huawei esittelivät älypuhelimet omilla koneoppimiskiihdyttimillä.

Vuosien varrella älypuhelimien kamerat ovat parantuneet Huomattavasti, erityisesti mitä tulee dynaamiseen alueeseen, kohinanvaimennuksen ja hämärässä valokuvaamiseen.

Viime aikoina valmistajat, kuten Samsung ja Xiaomi, ovat löytäneet tälle tekniikalle uusia käyttötapoja.

Esimerkiksi edellinen Single Take -ominaisuus luo nyt koneoppimisen avulla automaattisesti laadukkaan albumin 15 sekunnin videoleikkeestä, ja Xiaomin teknologian käyttö on kehittynyt kuvassa olevien kohteiden havaitsemisesta koko taivaan korvaamiseen.

Monet Android-älypuhelinvalmistajat käyttävät nyt koneoppimista laitteissaan kasvojen ja esineiden automaattiseen merkitsemiseen puhelimen galleriaan. Tämä ominaisuus oli aiemmin saatavilla vain pilvipohjaisten palveluiden, kuten Google Kuvien, kautta.

Tietenkin älypuhelimien koneoppimisen tehokkuus ulottuu paljon valokuvauksen ulkopuolelle, ja tekstinkäsittelysovellukset ovat käyttäneet tätä tekniikkaa jo vuosia.

Vuonna 2015 Swiftkey oli ehkä ensimmäinen sovellus, joka käytti hermoverkkoa avainsanojen ennustamiseen paremmin.

Yritys kertoo kouluttaneensa malliaan miljoonilla lauseilla ymmärtääkseen paremmin eri sanojen välistä suhdetta.

Muutamaa vuotta myöhemmin Android Wear 2.0, joka tunnetaan nyt nimellä Wear OS, ennusti reaktiot saapuviin viesteihin, ja toinen erinomainen koneoppimisen ominaisuus ilmestyi.

Google nimesi myöhemmin tämän ominaisuuden uudelleen “Smart Reply” ja esitteli sen Android 10:ssä. Olet luultavasti käyttänyt tätä ominaisuutta monta kertaa työskennellessäsi laitteesi kanssa.

ääni ja lisätty todellisuus; Vaikeampi tie jatkaa

Älypuhelimen koneoppiminen on kypsynyt tekstin ennustamisen ja valokuvauksen saralla. Tietokonenäkö ja tietokonenäkö ovat kuitenkin kaksi aluetta, jotka edistyvät edelleen merkittävästi muutaman kuukauden välein.

Esimerkiksi Google Kameran Instant Translate -ominaisuus kääntää välittömästi ulkoisen tekstin ja näyttää sen käyttäjälle.

Vaikka tulokset eivät ole yhtä tarkkoja kuin online-vastineet, tämä ominaisuus voi olla hyödyllinen matkailijoille, jotka eivät osaa määränpäänsä kieltä.

Laadukas kehon liikkeen seuranta on toinen lisätyn todellisuuden uraauurtava ominaisuus, joka voidaan saavuttaa koneoppimisen avulla.

Kuvittele, jos LG G8:n Air Motion -ominaisuus olisi äärettömän älykkäämpi suurempiin sovelluksiin, kuten urheiluseurantaan tai jopa viittomakielen tulkkaukseen.

Puhealalla puheentunnistusta ja sanelua on kehitetty yli vuosikymmenen ajan; Mutta vuonna 2019 älypuhelimet voisivat tehdä juuri sen offline-tilassa.

Tutkiaksesi asiaa, käytä Google Recorder -sovellusta, joka käyttää laitteen koneoppimistekniikkaa puheen litteroimiseen välittömästi ja automaattisesti.

Keskustelu tallennetaan muokattavana tekstinä ja sitä voidaan hakea; Ominaisuus, joka on erittäin hyödyllinen ja tehokas toimittajille ja opiskelijoille.

Sama tekniikka tarjoaa myös mahdollisuuden live-tekstitykseen.

Tämä ominaisuus Android 10:ssä ja uudemmissa versioissa luo automaattisesti tekstityksen jokaiselle puhelimellasi toistetulle tiedostolle. Tämä ominaisuus auttaa sinua, jos haluat purkaa äänileikkeen sisällön meluisassa ympäristössä.

Nämä ominaisuudet ovat houkuttelevia ja käteviä sinänsä, mutta niitä voidaan parantaa useilla tavoilla tulevaisuudessa.

Esimerkiksi parannetut puheentunnistusominaisuudet voivat mahdollistaa nopeamman vuorovaikutuksen virtuaalisten avustajien kanssa, jopa epätavallisilla aksenteilla.

Google Assistantilla on kyky käsitellä äänikomentoja. Tämä toiminto on kuitenkin valitettavasti rajoitettu Pixel-valikoimaan. Tietysti voit silti saada yleiskuvan tulevaisuuden teknologiasta tällaisen esimerkin avulla.

Personointi; Koneoppimisen seuraava raja

Suurin osa nykypäivän koneoppimisohjelmista perustuu valmiiksi koulutettuihin malleihin, jotka on rakennettu etukäteen tehokkaalle laitteistolle. Ratkaisun johtaminen tällaisesta esikoulutetusta mallista kestää vain muutaman millisekunnin (esim. älykäs tekstivastaus Androidissa).

Tällä hetkellä kehittäjä opettaa vain yhden yksikön, joka jaetaan kaikkiin tarvittaviin puhelimiin. Tämä yksikokoinen lähestymistapa ei kuitenkaan ota huomioon jokaisen käyttäjän yksilöllisiä mieltymyksiä.

Sitä ei myöskään voida päivittää yksittäin ajan mittaan kerätyillä uusilla tiedoilla.

Tämä tarkoittaa, että useimmat mallit ovat suhteellisen vakaita ja niitä päivitetään vain satunnaisesti.

Näiden ongelmien ratkaisemiseksi mallien koulutusprosessi on siirrettävä pilvestä henkilökohtaisiin älypuhelimiin. Näiden kahden alustan erilaisesta suorituskyvystä johtuen koemme jännittäviä tapahtumia koulutusympäristön muutoksen jälkeen.

Näin näppäimistösovellus voi esimerkiksi mukauttaa ennusteitaan kirjoitustyyliisi sopivaksi.

Voit odottaa tältä enemmän; Oletetaan, että oppimiskoneen näppäimistö voi antaa sinulle sanaehdotuksia keskustelun aikana perustuen suhteisiisi muihin ihmisiin.

Google Gboard käyttää tällä hetkellä sovelluksen sisäistä pilvipohjaista koulutusta yhdessä parantaakseen kaikkien käyttäjien ennusteiden laatua. Tällä yhdistelmämenetelmällä on kuitenkin rajoituksensa.

Gboard esimerkiksi ennustaa seuraavan mahdollisen sanasi henkilökohtaisten tapojen ja aiempien keskustelujen perusteella, eikä se voi tehdä tätä koko lauseelle.

Tämän tyyppinen henkilökohtainen koulutus tulisi tehdä kokonaan koneella; Koska seuraukset käyttäjäarkaluontoisten tietojen siirtämisestä pilveen ovat katastrofaalisia.

Kun CoreML 3 julkaistiin vuonna 2019, Apple vahvisti, että sen avulla kehittäjät voivat kouluttaa olemassa olevia malleja uudella datalla ensimmäistä kertaa. Tietysti näissäkin olosuhteissa mallit piti ensin kouluttaa vahvalla laitteistolla ja jättää sitten kehittäjille.

Androidissa tällaisen oppimismenetelmän tunnistaa parhaiten “Adaptive Brightness” -toiminto.

Google on käyttänyt koneoppimista Android Piesta lähtien “tarkastellakseen käyttäjien vuorovaikutusta näytön kirkkauden liukusäätimellä” ja kouluttaakseen laitetta uudelleen luomaan mallin, joka vastaa jokaisen henkilön mieltymyksiä.

Ottamalla tämän ominaisuuden käyttöön Google väittää saavuttaneensa merkittävän parannuksen Androidin kykyyn ennustaa näytön kirkkautta vain viikossa normaalissa vuorovaikutuksessa älypuhelimen kanssa. Tämä ominaisuus voi olla hyödyllinen ihmisille, jotka haluavat laitteensa näytön olevan yhteensopiva ympäristön kanssa.

Saatat ihmetellä, miksi koneoppiminen rajoittuu vain muutamaan osioon?

Vastaus on ilmeinen, ja älypuhelimissa käytettäväksi suunniteltuja koulutustekniikoita tai algoritmeja ei ole paljon.

Tämä epämiellyttävä tosiasia ei muutu yhdessä yössä, mutta on useita syitä, miksi voimme olla optimistisia mobiilioppimisen suhteen seuraavan vuosikymmenen aikana.

Koska sekä teknologiajätit että kehittäjät keskittyvät käyttökokemuksen ja Yksityisyyden parantamiseen, tämä prosessi jatkuu uusilla jännittävillä tavoilla. Ehkä sitten voimme vihdoin pitää puhelimiamme täysin “älykkäinä”.