Mobiele engineering is een lucratieve carrière voor degenen die de tijd nemen om de vaardigheden en certificeringen te verwerven die nodig zijn om te slagen. Het wordt een heel ander spel als je machine learning aan de mix toevoegt, die zijn eigen verticale op zich is, met zijn eigen reeks unieke vaardigheden.
Wat krijg je als je de twee combineert? Melody Yang – Een rijzende ster in de mobiele ontwikkelingsruimte vanwege haar brede scala aan prestaties die voortkomen uit haar vaardigheden.
De vruchten van een wijze zijn
Yang ontving onlangs pers voor zijn overstap van een F1-visumhouder naar een software-engineer bij Apple vorig jaar. Daarnaast heeft hij zes applicaties opgericht en ontwikkeld, waarvan er twee op onconventionele manieren gebruik maken van machine learning:
Nukon is een app voor het leren van Japanse talen. Deze app maakte machine learning op iOS toegankelijk. De onderliggende machine learning-modellen in Nukon waren open source, zodat reguliere iOS-ontwikkelaars binnen enkele minuten Japanse scriptherkenners in hun apps konden integreren. Ontwikkelaars kunnen de datasets ook uitwisselen en de trainingstechnieken van Yang gebruiken om machine learning-modellen voor andere talen te bouwen. Reogmize is een toepassing voor beeldidentificatie die verschillende modellen/technieken voor machine learning voor beeldherkenning demonstreert. Alle machine learning-modellen behalen een nauwkeurigheid van 95% of beter.
Yang is een expert geworden in het jongleren met meerdere componenten bij elk van haar bedrijven door prioriteiten op één lijn te houden tijdens het gebruik van OKR’s. Het is vermeldenswaard dat hij zijn apps helemaal opnieuw heeft gebouwd om chaos tot een minimum te beperken, zowel op de backend als voor de gebruiker.
Niet alleen “mobile first”, maar ook “customer first”
Hoewel GPT3 en andere recente ontwikkelingen op het gebied van machine learning cloudgebaseerd zijn, besloot Yang zijn oplossingen on-premises te implementeren. Hun redenering was simpel: zorg voor de best mogelijke gebruikerservaring. Hoewel cloudgebaseerde technologie de flexibiliteit heeft om machine learning-modellen op elk moment bij te werken, is de noodzaak van netwerktoegang het nadeel.
Het hebben van lokale implementaties van machine learning, d.w.z. machine learning op het apparaat, heeft betere prestaties omdat het niet afhankelijk is van netwerkverzoeken. “Als ik mijn Nukon-app neem, die mensen helpt om de Japanse taal te leren met machine learning, dan ontwikkelen de meeste gebruikers hun gewoontes om de app te bezoeken”, zegt Yang.
“Het is frustrerend als de app je geen feedback kan geven over je leerproces, simpelweg omdat je netwerk niet werkt en de machine learning-functie niet goed werkt. Daarom wordt de leerervaring van de gebruikers onderbroken. Gebruikers vinden het moeilijk om hun leergewoonten vast te houden. Ik geef prioriteit aan de gebruikerservaring in de eerste plaats.”
De nieuwste trend in app-ontwikkeling: online leren
Toen hem werd gevraagd waar de toekomst van app-ontwikkeling naartoe gaat (met machine learning in gedachten), maakte Yang duidelijk dat online leer-apps oppermachtig zullen zijn. Uiteraard staat de gebruikerservaring voorop. “Online leren is een nieuwe norm geworden”, zegt Yang. “Meer ontwikkelaars richten zich op apps die studenten leren wiskunde, talen en meer te leren met interactieve inhoud.”
Natuurlijk zijn er meer componenten aan de online leerervaring, vooral als rekening wordt gehouden met de instructeurs. Terwijl sommige docenten live lessen geven via videoconferenties, kiezen anderen ervoor om video’s op te nemen, zodat studenten thuis in hun eigen tempo kunnen leren.
Hoewel dit laatste in eerste instantie misschien in overweging lijkt te worden genomen, is een van de frustrerende punten van zelfstudie het niet kunnen stellen van vragen of het krijgen van feedback op verzoek. “Daarom heb ik bij het ontwikkelen van Nukon aangepaste machine learning-modellen geïmplementeerd om gebruikers realtime feedback te geven over hun prestaties bij het spreken/schrijven van Japans”, zegt Yang.
Yang zegt ook dat bedrijven chatbots hebben ontwikkeld om realtime vragen te beantwoorden op mobiele apparaten, met de toegevoegde boost van machine learning.
“Deze bots leren de leerstijl van de leerlingen kennen en passen zich daarop aan. Ze werken met machine learning-modellen op mobiele apparaten. Er is zeker een groeiende vraag naar de noodzaak om technieken eenvoudig toe te passen in applicaties zonder diepgaande kennis van machine learning.”
Grote bedrijven zoals Google maken hun geavanceerde en goed opgeleide machine learning-modellen ook toegankelijk voor hun ontwikkelaarsgemeenschap, en Yang doet graag hetzelfde. Als iOS-ontwikkelaar met een achtergrond in machine learning, opende Yang haar modellen voor machine learning in de hoop dingen gemakkelijker te maken voor andere ontwikkelaars die erop willen voortbouwen en hun eigen mobiele oplossingen willen creëren met de extra kracht en het potentieel van machine learning. .
Heb je hier enig idee van? Laat het ons hieronder weten in de comments of neem de discussie mee naar onze Twitter of Facebook.
