On-Device ML: навчання та інференс на пристрої без хмари

Ваш мобільний застосунок обробляє біометрію на сервері — кожен запит іде через мережу, дані накопичуються в хмарі, а затримка сягає секунди? Це класична проблема для медичних, фінансових та корпоративних рішень. On-Device ML кардинально змінює підхід: модель живе прямо на пристрої користувача, навчання та інференс відбуваються локально. Ми реалізуємо такі системи під ключ — від прототипу до продакшену. Жодної передачі даних, жодних витоків, затримка p99 — одиниці мілісекунд. За 4–8 тижнів ви отримуєте робоче рішення. Наші сертифіковані інженери мають 6+ років досвіду в On-Device ML та виконали 30+ проєктів для FinTech, MedTech і корпоративних клієнтів.

Чому варто обрати On-Device ML?

On-Device ML — єдиний спосіб дотримати вимоги HIPAA, GDPR та корпоративні політики безпеки. Сучасні мобільні чипи з NPU (Neural Engine, Google Tensor) забезпечують продуктивність, порівнянну з хмарною. On-Device інференс у 10 разів швидший за хмарний при p99 latencies, а on-device навчання дозволяє персоналізувати модель під кожного користувача без відправки даних. Зниження витрат на хмарну інфраструктуру сягає 70%.

Як ми реалізуємо on-device inference

Інференс — відносно просте завдання. Модель навчається на сервері, потім деплоїться на пристрій з оптимізацією під конкретне залізо.

Типовий кейс: face unlocking на смартфоні. Ми навчили MobileFaceNet на сервері, сконвертували в Core ML з INT8-квантизацією (розмір моделі 2.3 МБ) та інтегрували в застосунок. Інференс займає 15–20 мс на сучасних iPhone, що забезпечує миттєве розблокування.

Порівняння on-device inference та training

Як federated learning вирішує проблему приватності?

Тренінг на пристрої — складніший: зворотне поширення вимагає ~3x пам'яті порівняно з inference, плюс енергоспоживання. Ми використовуємо федеративне навчання: пристрої донавчають модель на локальних даних, відправляють лише градієнтні оновлення (не дані), сервер агрегує їх через FedAvg. Стек: TensorFlow Federated, PySyft, FATE.

Приклад: клавіатурний движок з персоналізацією стилю набору. Пристрій навчає small transformer поверх Federated EMNIST — тільки last layer, Adam з градієнтним кліпінгом. Процес запускається під час заряджання. Результат: точність +15% без витоку даних користувача, при цьому додаткове енергоспоживання не перевищує 5% від заряду за ніч.

Процес роботи (що входить)

1. Аналіз — визначаємо, чи потрібен on-device training або inference, обираємо архітектуру (MobileNet, TinyBERT тощо), оцінюємо бюджет пам'яті та FLOPS. На цьому етапі надаємо детальний technical report.
2. Проектування — розробляємо pipeline: навчання на сервері → квантизація/обрізка → деплой на пристрій; для training — конфігурація федеративного циклу. Використовуємо MLflow для версіонування моделей.
3. Реалізація — інтеграція з Core ML / TFLite, підтримка batching, асинхронний inference. Пишемо unit-тести та інтеграційні тести на target пристроях.
4. Тестування — вимірюємо latency p99, енергоспоживання, accuracy на реальних даних. Використовуємо профайлери Xcode та Android Studio для точного налаштування.
5. Деплой — випускаємо модель через CDN або у складі APK/IPA. Документуємо error handling та graceful degradation (fallback на хмарний inference при нестачі пам'яті).

Строки: 4–8 тижнів залежно від складності та кількості платформ. Вартість розраховується індивідуально — напишіть нам для оцінки вашого кейсу. Отримайте консультацію: наші інженери оцінять проєкт за 1 день. Зв'яжіться з нами, щоб обговорити ваш проєкт.

Типові помилки при впровадженні On-Device ML

• Ігнорування батареї: training без прив'язки до заряджання вбиває user experience. Ми завжди ставимо тригер BatteryState.charging.
• Занадто велика модель: context window > 512 токенів майже нереальний на мобільних GPU. Використовуємо LoRA та pruning.
• Відсутність fallback: при нестачі пам'яті перемикаємося на хмарний inference. Реалізуємо graceful degradation.

Ми гарантуємо продуктивність та безпеку вашого рішення. Зв'яжіться з нами, щоб обговорити ваш проєкт.

Edge AI та оптимізація: деплой моделей без хмари

Уявіть: ваша модель розпізнавання облич видає 4 секунди latency на Jetson Orin, батарея сідає за годину, модель вилітає по OOM. Ми — команда інженерів з Edge AI — оптимізували понад 150 моделей для граничних пристроїв. Без профілювання та правильного вибору квантизації або дистиляції проект приречений. Розрив між дослідницьким кодом та edge-деплоєм — окрема інженерна дисципліна, і ми допомагаємо її освоїти за 2–16 тижнів під ключ. Справа не в експорті, а в системній роботі із залізом: GPU utilization, latency p99, memory bandwidth.

Чому просто «експортувати модель» не працює?

PyTorch-модель з float32 та batch_size=32 не готова до edge. Типові проблеми:

• ResNet-50 в fp32 займає 98 MB, inference на Cortex-A78 — 380 мс. Після INT8-квантизації torch.ao.quantization — 24 MB, 95 мс. Експорт в ONNX + TensorRT на Jetson — 28 мс.
• YOLOv8m на Raspberry Pi 5 в fp32 — 2.8 fps. TFLite INT8 — 9.4 fps. З XNNPACK делегатом — 14 fps.
• Transformer-енкодер на мобільному CPU: MobileBERT в fp16 через CoreML на iPhone 15 — 18 мс/інференс. distilbert-base-uncased в ONNX — 42 мс.

Проблема не у виборі «квантизувати чи ні» — правильний шлях визначається пристроєм, завданням та допустимою деградацією метрики. Пропонуємо оцінку вашого проекту: за 24 години скажемо, наскільки реально прискорити модель.

Який метод квантизації вибрати для вашого завдання?

PTQ (Post-Training Quantization) — швидкий шлях. Берете навчену модель, проганяєте calibration dataset (200–1000 прикладів), отримуєте INT8 або INT4 ваги. Інструменти: torch.ao.quantization, ONNX Runtime quantization tool, bitsandbytes. Деградація точності: 0.5–2% на класифікації. Червона зона — детекція дрібних об'єктів та сегментація, де PTQ дає -4–8% mAP.

QAT (Quantization-Aware Training) — навчання з симульованими квантизаційними шумами. Дорожче (перенавчання), але деградація 0.1–0.5%. Виправдано, коли PTQ неприйнятний. В PyTorch — torch.ao.quantization.prepare_qat().

GPTQ / AWQ — для LLM. AWQ краще зберігає якість при 4-bit квантизації. llm-compressor від Neural Magic або autoawq — основні бібліотеки.

Зв'яжіться з нами для безкоштовного профілювання вашої моделі — ми оцінимо latency та запропонуємо план оптимізації.

Прунінг та дистиляція: коли квантизації недостатньо

Структурний прунінг видаляє канали або шари. Наприклад, видалення 40% каналів ResNet-50 з наступним fine-tuning дає -35% розміру, -28% latency при втраті top-1 accuracy лише на 1.2%. Інструменти: torch.nn.utils.prune, для transformer — прунінг attention heads (movement pruning, LTP). Глибша техніка — N:M sparsity, коли з кожних M ваг залишаються N ненульових (NVIDIA Ampere підтримує 2:4).

Knowledge distillation — навчаємо маленьку student імітувати велику teacher через KLDivLoss на soft labels. Feature distillation на проміжних шарах (hint-based) дає краще збереження якості. Hugging Face DistilBERT: 66M vs 110M параметрів, -40% latency, -3% на GLUE. Температура дистиляції — ключовий гіперпараметр (типово 4–8).

Комбінований підхід: дистиляція → прунінг → QAT. Дає максимальний ефект на обмеженому залізі. У кількох клієнтів ми фіксували економію на облачних обчисленнях до 70%.

Цільові платформи та інструменти

TensorRT — головний інструмент для NVIDIA edge. TRT будує граф з fusion операторів, вибирає оптимальні ядра. На Jetson AGX Orin YOLOv8m в TRT INT8 дає 78 fps проти 22 fps в fp16 PyTorch — прискорення в 3.5 рази.

Практичний кейс з нашої практики: детекція дефектів на виробничій лінії

Наш клієнт — виробниче підприємство. Завдання: виявлення подряпин на металі в реальному часі, 30 fps, камера до Jetson Xavier NX (16GB). Вихідна модель YOLOv8l mAP50 0.91, inference на сервері 28 мс, на Jetson в fp16 — 110 мс (9 fps). Не підходить.

Кроки оптимізації:

1. Перехід на YOLOv8m — mAP50 0.887 (-2.3%), 68 мс
2. Експорт в TensorRT FP16 через yolo export format=engine half=True — 31 мс (32 fps)
3. INT8 calibration на 500 кадрах — 22 мс (45 fps), mAP50 0.879

Підсумок: деградація 3.5% при 5× прискоренні. Клієнт отримав engine та документацію. Гарантуємо, що метрика не впаде нижче обумовленого порогу — прописано в договорі.

Приклад профілювання latency по шарах YOLOv8m на Jetson Xavier NX (fp16):

- Convolution (layer 1–5): 12 ms
- Bottleneck (layer 6–10): 8 ms
- Head (detection): 11 ms

Вузьке місце — останні шари head'а. Після квантування head'а окремо latency head знизилась до 4 ms.

Що входить в роботу

• Звіт по профілюванню моделі на цільовому пристрої (latency по шарах, вузькі місця)
• Вибір та обґрунтування методів оптимізації (quantization / pruning / distillation)
• Оптимізована модель (TensorRT engine / TFLite / CoreML / ONNX)
• Конфіги для відтворення (скрипти, Docker-образ, інструкція)
• Тестування на реальному пристрої (не менше 10 000 інференсів)
• Навчання вашої команди (2 години онлайн)
• Підтримка 1 місяць після передачі

Як замовити оптимізацію моделі?

1. Залиште заявку на сайті або зв'яжіться з нами будь-яким зручним способом.
2. Ми проводимо безкоштовне профілювання вашої моделі на цільовому пристрої протягом 24 годин.
3. Готуємо план оптимізації з оцінкою trade-off (швидкість vs якість).
4. Ви затверджуєте план — ми приступаємо до роботи.
5. Після завершення передаємо оптимізовану модель, конфіги та документацію.
6. Проводимо навчання вашої команди та надаємо місячну підтримку.

Терміни: оптимізація готової моделі — 2–4 тижні. Розробка з нуля під edge — 6–16 тижнів. Вартість розраховується індивідуально залежно від складності моделі та цільової платформи.

Отримайте консультацію — ми безкоштовно оцінимо вашу модель та запропонуємо план за 24 години. Замовте безкоштовне профілювання прямо зараз.