هوش مصنوعی روی خود دستگاه
اجرای مدل روی خود گوشی، چند سال پیش کنجکاوی بود و امروز برای دستهای از کاربردها انتخاب درست است.
اما نه برای همه — و تشخیص اینکه کدام، تفاوت بین اپی است که سریع و خصوصی کار میکند و اپی که باتری را تمام میکند و حجمش کاربر را میپراند.
چهار دلیل برای اجرا روی دستگاه
۱. حریم خصوصی. تصویر، صدا یا متن از گوشی خارج نمیشود. برای دادهٔ حساس، گاهی تنها گزینهٔ قابل دفاع.
۲. کار بدون شبکه. اپ میدانی، اپ راننده، هر جایی که اینترنت پایدار نیست. در بازار ما این دلیل وزن بیشتری دارد.
۳. تأخیر. پردازش لحظهای — کادربندی دوربین، تشخیص در حین حرکت — با رفتوبرگشت شبکه ممکن نیست.
۴. هزینه. پردازش روی دستگاه کاربر، هزینهٔ جاری شما نیست. برای حجم بالا، تفاوت جدی است.
چه چیزی امروز روی موبایل شدنی است
بهراحتی:
- تشخیص چهره برای کادربندی (نه شناسایی هویت)
- بارکد و QR
- تشخیص لبه و کادر سند
- بررسی کیفیت تصویر — تاری، نور
- طبقهبندی ساده روی تصویر
- تشخیص کلمهٔ کلیدی در صدا
با ملاحظه:
- تشخیص شیء با مدل سبک
- OCR ساده روی متن چاپی تمیز
- ترجمه و خلاصهسازی کوتاه با مدلهای کوچک
معمولاً نه:
- OCR دقیق فارسی، به دلایلی که در OCR فارسی گفتیم
- مدلهای زبانی بزرگ
- هر چیزی که به دانش گسترده نیاز دارد
قاعدهٔ عملی: کارهای ادراکی و محدود روی دستگاه، کارهای دانشمحور روی سرور.
سه هزینهای که در برآورد جا میمانند
۱. حجم اپ
مدل، به فایل نصبی اضافه میشود. چند ده مگابایت اضافه، در بازاری که کاربر با اینترنت همراه دانلود میکند، مستقیماً روی نرخ نصب اثر میگذارد — همان نکتهای که در کارایی اپلیکیشن گفتیم.
راهحل: مدل را جدا از اپ و پس از نصب دانلود کنید — با نمایش پیشرفت، و ترجیحاً روی وایفای. اپ بدون مدل نصب میشود و در اولین اجرا آماده میشود.
۲. باتری و گرما
پردازش پیوستهٔ تصویر، پرمصرفترین کاری است که یک اپ میکند — گاهی بیشتر از GPS.
آنچه کمک میکند:
- فقط وقتی لازم است اجرا کنید، نه روی هر فریم. تحلیل هر چند فریم یک بار، اغلب کافی است.
- از شتابدهندهٔ سختافزاری استفاده کنید، نه پردازندهٔ عمومی. تفاوت مصرف، چند برابر است.
- مدل کوچکتر با دقت کمی کمتر، معمولاً معاملهٔ درستی است.
- در پسزمینه متوقف کنید.
۳. تنوع سختافزار
مدلی که روی گوشی جدید در چند صد میلیثانیه اجرا میشود، ممکن است روی دستگاه چندساله چند ثانیه طول بکشد — یا اصلاً از حافظه بیفتد.
و در بازار ایران، میانگین دستگاه چند سال از پرچمداران عقب است.
آنچه لازم است:
- روی دستگاه مرجع ضعیف تست کنید، همان که در تست اپلیکیشن گفتیم باید روی میز تیم باشد.
- مسیر جایگزین داشته باشید: اگر دستگاه ضعیف است، پردازش به سرور برود یا قابلیت خاموش شود.
- زمان اجرا را در تولید بسنجید، به تفکیک مدل دستگاه.
معماری ترکیبی
بیشتر سامانههای موفق هر دو را دارند:
روی دستگاه: غربال و کیفیت. تشخیص اینکه کادر درست است، تصویر تار نیست، سند در قاب هست.
روی سرور: پردازش دقیق.
مثال ملموس: اپ احراز هویت. تشخیص کارت و بررسی کیفیت روی گوشی — جلوگیری از آپلود عکس بد، مؤثرترین بهینهسازی این حالت است — و خواندن و تطبیق روی سرور.
مقایسهٔ کامل معیارها در پردازش روی دستگاه یا سرور.
بهروزرسانی مدل
مسئلهای که دیر کشف میشود: مدلی که در اپ منتشر شده، روی دستگاه کاربران میماند.
اگر مدل بهتری آموزش دادید، باید به همه برسانید — و کاربرانی که بهروزرسانی نمیکنند، سالها با مدل قدیمی میمانند.
راهحل: مدل را از اپ جدا کنید و از سرور بگیرید، با نسخهبندی. آنوقت بهروزرسانی مدل بدون انتشار نسخهٔ جدید ممکن است — که با توجه به تأخیر بازبینی بازارها که در انتشار اپلیکیشن گفتیم، مزیت جدی است.
و مثل هر بهروزرسانی از راه دور: نسخهبندی، انتشار تدریجی، و بازگشت خودکار.
نکات محصول فارسی
مدلهای آمادهٔ رویدستگاه، معمولاً برای فارسی ضعیفاند. تشخیص متن، تشخیص گفتار و پردازش زبان — همه روی دادهٔ عمدتاً انگلیسی آموزش دیدهاند.
پیش از تعهد به این مسیر، با دادهٔ واقعی فارسی خودتان تست کنید، نه با نمونههای ارائهشده. این نیمروز کار، از تعهد به معماریای که جواب نمیدهد جلوگیری میکند.
و اگر مدل را خودتان تنظیم میکنید، برچسبزدن دادهٔ فارسی قلم مستقلی در برآورد است — نسبتهایش در طبقهبندی، تشخیص یا قطعهبندی.
چکلیست پیش از تصمیم
- آیا واقعاً به کار بدون شبکه یا حریم خصوصی نیاز داریم؟
- مدل روی دستگاه مرجع ضعیف چقدر طول میکشد؟
- چقدر به حجم اپ اضافه میکند؟ آیا جدا دانلود میشود؟
- مصرف باتری در یک ساعت استفادهٔ پیوسته چقدر است؟
- مسیر جایگزین برای دستگاه ضعیف چیست؟
- مدل چطور بهروز میشود؟
- با دادهٔ واقعی فارسی تست شده؟
اگر پاسخ سؤال اول «نه واقعاً» است، سرور را انتخاب کنید. سادهتر است، بهروزرسانیاش راحتتر است، و بیشتر پروژهها به این پیچیدگی نیاز ندارند.