On-Device ML: обучение и инференс на устройстве без облака

Ваше мобильное приложение обрабатывает биометрию на сервере — каждый запрос идёт через сеть, данные копятся в облаке, а задержка достигает секунды? Это классическая проблема для медицинских, финансовых и корпоративных решений. On-Device ML кардинально меняет подход: модель живёт прямо на устройстве пользователя, обучение и inference происходят локально. Мы реализуем такие системы под ключ — от прототипа до продакшена. Никакой передачи данных, никаких утечек, задержка p99 — единицы миллисекунд. За 4–8 недель вы получаете рабочее решение. Наши сертифицированные инженеры имеют 6+ лет опыта в On-Device ML и выполнили 30+ проектов для FinTech, MedTech и корпоративных клиентов.

Почему стоит выбрать On-Device ML?

On-Device ML — единственный способ соблюсти требования HIPAA, GDPR и корпоративные политики безопасности. Современные мобильные чипы с NPU (Neural Engine, Google Tensor) обеспечивают производительность, сопоставимую с облачной. On-Device inference в 10 раз быстрее облачного при p99 latencies, а on-device training позволяет персонализировать модель под каждого пользователя без отправки данных. Снижение затрат на облачную инфраструктуру достигает 70%.

Как мы реализуем on-device inference

Инференс — сравнительно простая задача. Модель обучается на сервере, затем деплоится на устройство с оптимизацией под конкретное железо.

Типичный кейс: face unlocking на смартфоне. Мы обучили MobileFaceNet на сервере, сконвертировали в Core ML с INT8-квантизацией (размер модели 2.3 МБ) и интегрировали в приложение. Inference занимает 15–20 мс на современных iPhone, что обеспечивает мгновенную разблокировку.

Сравнение on-device inference и training

Как federated learning решает проблему приватности?

Тренинг на устройстве — сложнее: обратное распространение требует ~3x памяти по сравнению с inference, плюс энергопотребление. Мы используем федеративное обучение: устройства дообучают модель на локальных данных, отправляют только градиентные обновления (не данные), сервер агрегирует их через FedAvg. Стек: TensorFlow Federated, PySyft, FATE.

Пример: клавиатурный движок с персонализацией стиля набора. Устройство обучает small transformer поверх Federated EMNIST — только last layer, Adam с градиентной клиппировкой. Процесс запускается во время зарядки. Результат: точность +15% без утечки данных пользователя, при этом дополнительное энергопотребление не превышает 5% от заряда за ночь.

Процесс работы (что входит)

1. Анализ — определяем, нужен ли on-device training или inference, выбираем архитектуру (MobileNet, TinyBERT и т.д.), оцениваем бюджет памяти и FLOPS. На этом этапе предоставляем детальный technical report.
2. Проектирование — разрабатываем pipeline: обучение на сервере → квантизация/обрезка → деплой на устройство; для training — конфигурация федеративного цикла. Используем MLflow для версионирования моделей.
3. Реализация — интеграция с Core ML / TFLite, поддержка batching, асинхронный inference. Пишем unit-тесты и интеграционные тесты на target устройствах.
4. Тестирование — измеряем latency p99, энергопотребление, accuracy на реальных данных. Используем профайлеры Xcode и Android Studio для точной настройки.
5. Деплой — выпускаем модель через CDN или в составе APK/IPA. Документируем error handling и graceful degradation (fallback на облачный inference при нехватке памяти).

Сроки: 4–8 недель в зависимости от сложности и количества платформ. Стоимость рассчитывается индивидуально — напишите нам для оценки вашего кейса. Получите консультацию: наши инженеры оценят проект за 1 день. Свяжитесь с нами, чтобы обсудить ваш проект.

Типичные ошибки при внедрении On-Device ML

• Игнорирование батареи: training без привязки к зарядке убивает user experience. Мы всегда ставим триггер BatteryState.charging.
• Слишком большая модель: context window > 512 токенов почти нереален на мобильных GPU. Используем LoRA и pruning.
• Отсутствие fallback: при недостатке памяти переключаемся на облачный inference. Реализуем graceful degradation.

Мы гарантируем производительность и безопасность вашего решения. Свяжитесь с нами, чтобы обсудить ваш проект.

Edge AI и оптимизация: деплой моделей без облака

Представьте: ваша модель распознавания лиц выдаёт 4 секунды latency на Jetson Orin, батарея садится за час, модель вылетает по OOM. Мы — команда инженеров по Edge AI с 5+ лет опыта — оптимизировали более 150 моделей для граничных устройств. Без профилирования и правильного выбора квантизации или дистилляции проект обречён. Разрыв между исследовательским кодом и edge-деплоем — отдельная инженерная дисциплина, мы помогаем её освоить за 2–16 недель под ключ. Услуги Edge AI и оптимизация моделей — это не просто экспорт, а системная работа с железом.

Почему просто «экспортировать модель» не работает

PyTorch-модель с float32 и batch_size=32 не готова к edge. Типичные проблемы:

• ResNet-50 в fp32 занимает 98 MB, inference на Cortex-A78 — 380 мс. После INT8-квантизации torch.ao.quantization — 24 MB, 95 мс. Экспорт в ONNX + TensorRT на Jetson — 28 мс.
• YOLOv8m на Raspberry Pi 5 в fp32 — 2.8 fps. TFLite INT8 — 9.4 fps. С XNNPACK делегатом — 14 fps.
• Transformer-энкодер на мобильном CPU: MobileBERT в fp16 через CoreML на iPhone 15 — 18 мс/инференс. distilbert-base-uncased в ONNX — 42 мс.

Проблема не в выборе «квантизировать или нет» — правильный путь определяется устройством, задачей и допустимой деградацией метрики. Предлагаем оценку вашего проекта: за 24 часа скажем, насколько реально ускорить модель.

Какой метод квантизации выбрать для вашей задачи?

PTQ (Post-Training Quantization) — быстрый путь. Берёте обученную модель, прогоняете calibration dataset (200–1000 примеров), получаете INT8 или INT4 веса. Инструменты: torch.ao.quantization, ONNX Runtime quantization tool, bitsandbytes. Деградация точности: 0.5–2% на классификации. Красная зона — детекция мелких объектов и сегментация, где PTQ даёт -4–8% mAP.

QAT (Quantization-Aware Training) — обучение с симулированными квантизационными шумами. Дороже (переобучение), но деградация 0.1–0.5%. Оправдано, когда PTQ неприемлем. В PyTorch — torch.ao.quantization.prepare_qat().

GPTQ / AWQ — для LLM. AWQ лучше сохраняет качество при 4-bit квантизации. llm-compressor от Neural Magic или autoawq — основные библиотеки.

Экономия от выбора правильного метода: до 350 000 ₽ в год на облачных инстансах за счёт снижения latency и энергопотребления. Стоимость проекта рассчитывается индивидуально — диапазон от 100 000 до 500 000 ₽ в зависимости от сложности модели.

Прунинг и дистилляция

Структурный прунинг удаляет каналы или слои. torch.nn.utils.prune — базовый инструмент. Для transformer — прунинг attention heads (LTP, movement pruning). Результат: ResNet-50 после удаления 40% каналов с fine-tuning — -35% размера, -28% latency, -1.2% top-1 accuracy.

Knowledge distillation — обучаем маленькую student имитировать большую teacher. Классика через KLDivLoss на soft labels. Feature distillation на промежуточных слоях эффективнее. Hugging Face DistilBERT: 66M vs 110M параметров, -40% latency, -3% на GLUE. Согласно Wikipedia, это техника сжатия модели.

Комбинированный подход: дистилляция → прунинг → QAT. Даёт максимальный эффект на ограниченном железе. Экономия на облачных вычислениях достигает 70% — мы фиксировали такую у нескольких клиентов.

Целевые платформы и инструменты

TensorRT — главный инструмент для NVIDIA edge. TRT строит граф с fusion операторов, выбирает оптимальные ядра. На Jetson AGX Orin YOLOv8m в TRT INT8 даёт 78 fps против 22 fps в fp16 PyTorch.

Практический кейс: детекция дефектов на производственной линии

Задача: обнаружение царапин на металле в реальном времени, 30 fps, камера к Jetson Xavier NX (16GB). Исходная модель YOLOv8l mAP50 0.91, inference на сервере 28 мс, на Jetson в fp16 — 110 мс (9 fps). Не подходит.

Шаги оптимизации:

1. Переход на YOLOv8m — mAP50 0.887 (-2.3%), 68 мс
2. Экспорт 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

Итого: деградация 3.5% при 5× ускорении. Клиент получил engine и документацию. Гарантируем, что метрика не упадёт ниже оговорённого порога — прописано в договоре.

Что входит в работу

• Отчёт по профилированию модели на целевом устройстве (latency по слоям, узкие места)
• Выбор и обоснование методов оптимизации (quantization / pruning / distillation)
• Оптимизированная модель (TensorRT engine / TFLite / CoreML / ONNX)
• Конфиги для воспроизведения (скрипты, Docker-образ, инструкция)
• Тестирование на реальном устройстве (не менее 10 000 инференсов)
• Обучение вашей команды (2 часа онлайн)
• Поддержка 1 месяц после передачи

Как заказать оптимизацию модели

1. Оставьте заявку на сайте или свяжитесь с нами любым удобным способом.
2. Мы проводим бесплатное профилирование вашей модели на целевом устройстве в течение 24 часов.
3. Готовим план оптимизации с оценкой trade-off (скорость vs качество).
4. Вы утверждаете план — мы приступаем к работе.
5. После завершения передаём оптимизированную модель, конфиги и документацию.
6. Проводим обучение вашей команды и предоставляем месячную поддержку.

Сроки: оптимизация готовой модели — 2–4 недели. Разработка с нуля под edge — 6–16 недель.

Получите консультацию — мы бесплатно оценим вашу модель и предложим план за 24 часа. Закажите бесплатное профилирование прямо сейчас.