Praktisches Deep Learning für Cloud, Mobile und Edge

Kapitel 11. Objektklassifizierung in Echtzeit auf iOS mit Core ML

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Bisher haben wir unsere Deep Learning-Modelle auf dem Desktop, in der Cloud und im Browser laufen sehen. Das hat zwar durchaus seine Vorteile, ist aber nicht für alle Szenarien ideal. In diesem Kapitel befassen wir uns mit Vorhersagen, die mit Deep Learning-Modellen auf mobilen Geräten gemacht werden.

Es kann aus vielen Gründen von Vorteil sein, wenn die Berechnung näher an das Gerät des Nutzers/der Nutzerin heranbringt, statt an einen weit entfernten Server:

Latenz und Interaktivität

Ein Bild an zu senden, es in der Cloud zu verarbeiten und das Ergebnis zurückzusenden, kann je nach Netzwerkqualität und Datenmenge mehrere Sekunden dauern. Das kann zu einer schlechten UX führen. Jahrzehntelange UX-Forschung, darunter Jakob Nielsens Erkenntnisse aus dem Jahr 1993, die in seinem Buch Usability Engineering (Elsevier) veröffentlicht wurden, zeigen Folgendes:

• 0,1 Sekunde ist ungefähr die Grenze, bei der der Nutzer das Gefühl hat, dass das System sofort reagiert.

• 1 Sekunde ist ungefähr die Grenze, bis zu der der Gedankenfluss des Nutzers nicht mehr unterbrochen wird.

• 10 Sekunden sind das Maximum, um die Aufmerksamkeit des Nutzers aufrechtzuerhalten.

Etwa zwei Jahrzehnte später hat Google herausgefunden, dass die Hälfte aller Nutzer/innen von mobilen Browsern eine Webseite abbrechen, ...