哪些方面影响APP发展？

一、较低的推迟

移动APP开发人员都知道，高推迟是应用程序的丧钟，无论应用程序的功用有多强大或其背后的公司品牌声誉怎么好。比如，Android设备曩昔曾遇到过许多视频应用的推迟问题，从而导致观看音频和视频不同步的体会。相同，具有高推迟的社交媒体应用程序或许会导致十分令人沮丧的用户体会。

正是由于这些推迟问题，在设备上执行机器学习变得越来越重要。由于社交媒体图像过滤器和根据方位的用餐建议等等这些应用程序功用需求低推迟才干供给最佳结果。

如前所述，云核算方法处理时刻或许很慢，终究，开发人员需求挨近零推迟才干使ML功用在其移动应用中正常运转。设备上的机器学习经过其数据处理能力为挨近零推迟铺平了路途。

智能手机制造商和大型科技公司正在逐渐接受这种认识。Apple一直在这方面处于领先地位，他们运用其Bionic系统开发更先进的智能手机芯片，该系统具有完整的神经引擎，可协助神经网络直接在设备上运转，并具有令人难以置信的速度。

Apple还将持续推出Core ML，这是面向移动开发者的机器学习渠道；TensorFlow Lite还添加了对GPU的支持，谷歌持续为其自己的ML渠道ML Kit添加预装功用。这些归于移动开发人员的技能可用于开发需求以闪电般速度处理数据，消除推迟和削减错误的应用程序。

这种精确性和无感知的用户体会结合是移动开发人员在创立ML驱动的应用程序时需求考虑的首要因素。为了保证这一点，开发人员需求接受设备上的机器学习。

二、添加安全性和隐私

边缘核算的另一个巨大优势是不可低估它怎么进步其用户的安全性和隐私性。确保应用程序数据的保护和隐私是移动开发人员工作中不可或缺的一部分，特别是考虑到需求满足通用数据保护法规（GDPR），这些新隐私法，这些新的法律肯定会影响移动开发实践。

由于数据不需求发送到服务器或云进行处理，因此网络犯罪分子运用此数据传输中的任何漏洞的机会较少，从而保留了数据的崇高性。这使移动开发人员能够更轻松地满足GDPR关于数据安全的规则。

移动设备上的机器学习解决方案也能够分布式供给，就像区块链相同。换句话说，跟针对中央服务器的同一进犯比较，黑客更难经过DDoS进犯取下躲藏设备的衔接一切网络节点。

此外，Apple智能手机芯片也有助于进步用户安全性和隐私。同时，它们是Face ID的支柱，iPhone功用依赖于设备上的神经网络，神经网络能够搜集用户脸部一切不同方法的数据，以此作为更精确，更安全的识别方法。

现在以及未来的支持AI的硬件将为用户供给更安全的智能手机体会，为移动APP开发人员供给额定的加密层以保护用户的数据。

三、无需Internet衔接

除了推迟问题之外，将数据发送到云以进行推理需求有效的Internet衔接。通常，这在世界上较发达的地区网络链接做的很好。可是那些没有网络信号的当地呢？经过设备上的机器学习，神经网络能够在手机上运转。这答应开发人员在任何给定时刻在任何设备上布置该技能，而不论衔接性怎么。此外，它能够使ML功用民主化，由于用户不需求Internet衔接到他们的应用程序。

医疗保健是一个能够从设备上的机器学习中受益匪浅的职业，由于应用程序开发人员能够创立医疗东西来查看生命体征，乃至能够进行长途机器人手术，而无需任何Internet衔接。该技能还能够协助那些或许需求在没有衔接的当地访问教室材料的学生，例如公共交通地道。

移动设备上的机器学习终究将为移动开发人员供给创立应用程序的东西，这些应用程序能够使世界各地的用户受益，无论他们的衔接情况怎么。即使没有互联网衔接，由于新的智能手机功用强大，用户在离线环境中运用应用程序时也不会遭到推迟问题的困扰。

四、下降你的业务本钱

移动设备上的机器学习也将为你节约一笔财富，由于你无需向外部供给商支付费用来施行或保护这些解决方案。如前所述，你不需求云或Internet来取得此类解决方案。

GPU和AI专用芯片是你能够购买的最贵重的“云服务”。在设备上运转模型意味着你不需求为这些集群付费，这要归功于当今日益复杂的神经处理单元（NPU）智能手机。

避免移动应用和云数据中心之间深重的数据处理对于运用设备内机器学习解决方案的企业来说是一个巨大的本钱节约。经过这种设备上的推断能够下降带宽需求，终究节约很多的本钱。

移动开发人员还能够大大节约开发过程，由于他们不用构建和保护其他云基础架构。相反，他们能够经过较小的工程团队完成更多目标，从而使他们能够更有效地扩展他们的开发团队。