Идея возможности машинного обучения в мобильном устройстве

Введение

В настоящее время машинное обучение (ML) набирает обороты. Компании надеются внедрить возможности машинного обучения в свои существующие или будущие услуги и продукты. Эта статья представляет собой попытку представить возможности машинного обучения для служб уведомлений различных приложений, установленных на мобильном устройстве, таком как смартфон.

Как мы все знаем, у нас есть несколько приложений, доступных на различных смартфонах, поддерживающих системы Android и iOS. Многие из этих приложений имеют службу уведомлений, чтобы указать какое-либо событие или сообщение, полученное этим приложением. Например, полученное сообщение электронной почты, сообщение WhatsApp, банковское сообщение. Уведомление служит для привлечения внимания пользователя смартфона. Когда пользователь активен (день) в обычное рабочее время, эти уведомления хорошо служат своей цели. Однако, когда пользователь неактивен (ночью), особенно поздно ночью, в нечетные часы; эти уведомления могут причинять неудобства пользователю и окружающим. В этой статье предлагается избежать такого уведомления с помощью техники машинного обучения. Эта идея может быть классифицирована как неконтролируемое обучение.

идея

Чтобы использовать возможности ML, мы можем ввести модуль NotificationMLModule на родном языке, который используется для создания мобильного приложения, например. Kotlin для Android, Swift для iOS и т. д. Нам нужно ввести класс или структуру для хранения ключевых элементов данных ML.

class NoticationMLData {
   TimeData[] timeData;
   ScreenActive active;

   void muteNotification() {
      //...
   }
}

class TimeData {
   Date startDate;
   Date endDate;
   Time startTime;
   Time endTime;
   int duration;
}

ScreenActive может быть эквивалентом собственного объекта, чтобы указать, активен экран или нет для какой-либо активности пользователя. NotificationMLModule должен иметь возможность определить, какие установленные приложения имеют возможности уведомления. Этот модуль может быть указан в панели инструментов ML в смартфоне.

Нам нужно воспользоваться помощью следующих источников

• Собственный поток для мониторинга, заполните ниже членов класса.
• ScreenActive похож на эквивалентный собственный объект, чтобы указать, активен экран или нет для какой-либо активности пользователя.
• Вызов ОС для отключения уведомлений.

Алгоритм

Алгоритм, написанный в NotificationMLModule, может быть следующим:

1) Start a thread for NotificationMLModule

A) Build mute notification ML pattern
Create a new object of NoticationMLData
when screen is inactive note startDate, startTime
when screen is active note endDate, endTime
 check if duration = endTime - startTime (time difference for same date)
  save it in timeData[]
   sort timeData[] by date and duration in descending order
    find max duration for consecutive 5 days to set a pattern of startTime 
    and endTime between which the all the notifications can be muted

B) Tear mute notification ML pattern
if screen is active during startTime and endTime 
since mute notification ML pattern is set
Create a new object of NoticationMLData
when screen is active note startDate, startTime
when screen is inactive note endDate, endTime
check if duration = endTime - startTime (time difference for same date)
  save it in timeData[]
   sort timeData[] by date and duration in descending order
   if found such pattern for consecutive 5 days, clear the data built in A and 
   clear data built in B. No ML exists at this point of time. 
   Thread should start processing step A.

else
 continue with mute notification ML pattern

   
Please note the duration of 5 days in A and B should be configurable.

Объяснение

• Запустите поток для мониторинга и сбора необходимых данных для создания шаблона машинного обучения отключения звука.
• Создайте шаблон времени, когда пользователь не делает никаких действий на смартфоне.
• Включить уведомления из шаблонов startTime и endTime для каждого дня.
• Разорвите встроенный шаблон уведомления об отключении звука ML, если телефон активен в течение аналогичного промежутка времени с момента установки шаблона уведомления об отключении звука.
• После разрыва шаблона машинного обучения поток должен отслеживать и собирать необходимые данные, чтобы снова создать шаблон машинного обучения отключения звука.

Заключение

В этой статье мы рассмотрели идею ввести шаблон ML для отключения звука в мобильном устройстве, таком как смартфон. Мы можем расширить эту идею, чтобы сделать жизнь проще и лучше, добавив машинное обучение к существующим или будущим услугам и продуктам.

Спасибо, что прочитали мою статью.