视频地址： https://events.google.com/io/session/187aed3d-2768-4b1a-8047-48c025b7d0bd?lng=zh-CN， 时长 29min34s
Q：What is “on-device machine learning” and why should i care about it
A: 介绍了机器学习在设备端的发展历史，TensorFlow Lite；
设备端机器学习在应用场景中的优势：低延时、低功耗、隐私数据...
比如本地处理音频帧、视频帧、扫描条形码、离线服务等等
Q: What are some common use cases where ML is being used on-device?
A: 常见应用列举，TikTock、Instgram、Sapchat、文本翻译、语义理解等等
Q：On device ML, we have seen in android devices, but what about web apps? Like on device ML will work as usual in PWAs?
A: 介绍了TensorFlow.js，提到了Google I/O上演示的一个Demo
Q: I believe that on-device machine learning means having the model on the device or loading it beforehand. So how can we prevent other people that uses our product to extract that model?
既然模型部署在端上，怎么防止模型被人为提取
A:模型我想我可以尝试一下，所以首先，我认为有一个 第一部分有一些细节，你不需要 可以打包您的模型作为您的 Android 或 IOS 应用程序的一部分可以准备 它，但你不必这样做。你可以做的一件事之一 考虑将您的模型打包为模型的一部分或托管您的模型 和 Firebase 托管，然后使用五个基础 SDK 以便 安装后在设备上下载和管理您的模型 应用程序，这也可以帮助您保持应用程序的大小。较小。这 另一种选择是使用 Android 应用程序包，它可以让您部署 安装后应用程序的工件，因此它再次帮助您保持 你的应用程序。它可以帮助你在安装时保持你的应用程序很小，但是 我认为你问题的第二部分很重要，所以 如何保护我的模型不被盗。基本上正确吗？我们 正在积极思考这个问题。你可以让偷窃变得更难 楷模。我们是加密和其他机制的一部分 我们正在考虑的部分事情是让它变得更多 其他人更难访问您的模型。你能想到的一些事情 的只是你知道也许在设备上运行你的模型的一部分 发送专有部分。也许到服务器端，因为然后 单独的模型可能不是您的应用程序中的秘密武器 它们可能是其他东西等等，但请注意
Q: Besides processing power, are there any other disadvantages to using on-device ML? When should you implement on-device ML instead of cloud ML?
A：老问题