Innerhalb des 3ten Semesters haben wir, die Masterklasse Mobile, die Aufgabe ein Gruppenprojekt umzusetzten. Zusammen wurde entschieden, dieses mit Flutter umzusetzen. Eine Flutter Library, welche verschiedene Sensoren auslesen kann und roh oder interpretiert zurückgibt.

https://github.com/hraschan/flutter_sensor_library

Außerdem haben wir uns hier entschieden, dass es eine “Beispiel App” dafür geben soll, die die Anwendung der Library präsentiert.

https://github.com/hraschan/flutter_sensor_library_app

Flutter

Da wir alle zuvor kaum bis gar keine Erfahrung mit Flutter gemacht haben, wurde von Mario und Maximilian ein Workshop vorbereitet, der uns die Grundlagen präsentiert hat und in welchem wir gemeinsam das Setup des Projekts durchführten.

Flutter an sich ist ein Open-Souce-Framework von Google, das zur Erstellung von nativ kompilierten Anwendungen verwendet wird. Bei Flutter gibt es viele Bibliotheken für Standard-UI-Elemente, die bei Android oder iOS benötigt werden. Für Desktop Webanwendungen kann das Framework auch eingesetzt werden.

Das Framework wird also primär für iOS und Android Applikationen verwendet. Für die Entwicklung wird die Programmiersprache “Dart” verwendet, diese wurde ebenfalls von Google entwicklet.

Was kann die Library

Die Library bietet verschiedene Klassen und Methodensammlungen an, um die Sensoren eines Mobilgeräts nutzen zu können. Dabei beruht sie bei den meisten Sensoren auf bereits vorhandenen Librarys, verarbeitet diese und gibt die Daten, wenn gewünscht, gesammelt an eine Flutter App weiter. Zudem bietet die Library auch interpretierte bzw. aus mehreren Sensoren zusammengefasste Daten, wie bspw. die Höhenmeter an, die aus dem aktuellen Luftdruck (Barometer) und dem Luftdruck auf Seehöhe ausgerechnet werden.

Aufgerufen kann die Funktionalität über gewisse Wrapper-Klassen, je nachdem ob Bewegungs-Daten (Movement), Positions-Daten (Position) oder Umgebungs-Daten (Environment) benötigt werden. Außerdem können die nativen Sensoren einzeln aufgerufen werden. Dabei muss immer angegeben werden, in welchem Zeitintervall die jeweilige Klasse Daten zurückliefern soll.

Movement mvmnt = Movement(inMillis: 2000);
mvmnt.getMovementType(true).forEach((element) {print(element.fwd);});

Mit diesem einfachen Code-Beispiel kann alle 2 Sekunden abgefragt werden, ob sich das Gerät in den letzten zwei Sekunden nach vorne bewegt hat. Mit der Übergabe des Boolean (in dem Fall true) kann festgelegt werden, ob die aktuelle Fortbewegung zum Zeitpunkt der Abfrage oder die interpolierten Daten seit der letzten Abfrage wiedergegeben werden sollen.

Die Bespielapplikation

Um die Andwendung der Library zu vereinfachen, wurde ein Beispielapplikation geschaffen, welche die einzelnen Verwendungszwecke zeigen soll. Hier einige Screenshots der Anwendung:

Personal Learnings

Armin

Mein Learning aus dem Gruppenprojekt ist die Einführung in Flutter. Ich habe mit diesem Framework zuvor noch keine Projekte umsetzen können. Ehrlichgesagt finde ich das Framework recht unübersichtlich und ich finde es gibt Frameworks, die um Einiges besser konzipiert sind als Flutter. Dennoch habe ich dieses Learning für die Zukunft mitnehmen können und da Flutter recht bekannt ist, ist auch diese Erfahrung von Wert.

Bettina

Für mich war Flutter vollkommenes Neuland. Bei diesem Projekt konnte ich hier einiges lernen. Von Projektstruktur über Codeaufbau, Widget Aufbau, Verwendung von Libraries sowie die Nutzung verschiedener Simulatoren.

Mario

Die Vertiefung der Kenntnisse in Flutter nach dem gemeinsamen Workshop mit Maximilian ist bestimmt ein großer Lernzugewinn. Die Nutzung der Sprache Dart ist doch etwas ungewohnt, obwohl sie sehr an JavaScript angelehnt ist. Außerdem konnte ich bei der Konzeption einer Library sehr viel dazulernen. Die Erarbeitung einer Library und die Vorstellung anderer Entwicklerinnen als Nutzerinnen des eigenen Programms stellt einen Lerneffekt dar, den man in anderen Projektkontexten so nicht hat.

Maxi

Für mich hat dieses Projekt vor allem einen tieferen Einblick in Flutter ermöglicht. Auch habe ich das aufbauen einer eigenen Library bis jetzt noch nicht in dieser Form kennengelernt. Ich denke jedoch das es noch einiger Zeit bedarf um gute Lösungen mit der Technologie Flutter entwickeln zu können

Thomas

Bis zum Workshop von Mario und Maxi kannte ich weder Flatter noch Dart. Durch den Workshop konnte ich mir ein gutes Grundwissen aneignen und anschließend im Rahmen des Projekts tiefer in die Materie einsteigen. Im Großen und Ganzen habe ich einen guten Überblick über Flutter, Dart und verschiedener Sensoren bekommen.

Sebastian

Die Zusammenarbeit mit Mario und Maxi während der Ausarbeitung des Backends hat mir einige neue Erkenntnisse gebracht. Sowohl mit Flutter als auch mit Dart hatte ich vor diesem Projekt wenig zu tun gehabt. Daher war es für mich sehr erkenntnisreich, ein Projekt umzusetzen, beziehungsweise daran beteiligt zu sein. Auch der Gedanke eine eigene Library zu erstellen war für mich interessant, da ich diesen Aspekt des Programmierens bis dato nur von der anderen Seite gekannt habe. Ich bin gespannt, ob die Library in irgendeiner Form einen späteren Verwendungszweck finden wird.

The post Sensor Library appeared first on Mobile USTP MKL.

5G

Obwohl es 5G schon seit geraumer Zeit gibt, ist es seit dem letzten Jahr in aller Munde. Es sind mittlerweile 5G kompatible Geräte auf dem Markt und Tech-Unternehmen beginnen im vollen Maße 5G zu integrieren. Aber was bedeutet das für mobile Anwendungen? Welchen Nutzen können wir aus 5G ziehen? 5G ist eine neue Generation von Telekommunikationsnetzinnovationen. 5G ist im Vergleich zu 4G 100-mal schneller. Die Latenzzeit wird von 50 Ms auf 1 Ms sinken. Das hat vor allem im Bereich von Augmented Reality und Virtual Reality, Streaming von 360- und 4K-Videos und vernetzte IoT-Geräte einen großen Vorteil. Man wird neue Funktionen entwickeln können, ohne die Leistung der Anwendungen zu beeinflussen. Weiters werden Wallets und mobile Zahlungen schneller und sicherer werden. Zusammengefasst weist 5G eine geringere Latenzzeit, eine höhere Bandbreite und Geschwindigkeit und eine verbesserte Konnektivität auf.

Super Apps

Es liegt ein Trend vor bei welchem von Einzweckapps zu Mehrzweckapps tendiert wird. Solche Applikationen werden als „Super Apps“ bezeichnet und sind vor allem in Asien sehr beliebt. Es ist also eine App, die mehrere Nutzen abdeckt. Im Westen springen große Unternehmen wie Google und Facebook bereits auf den Zug auf und befinden sich in der Entwicklungsphase solcher. Facebook ist zum Beispiel nicht nur mehr eine Social Media Plattform, sondern auch ein Marktplatz. Mit Amazon kann man mittlerweile Rechnungen bezahlen und Zahlungen über die Plattform tätigen. Man sieht also auch im Westen beginnt der Trend, er ist allerdings noch lang nicht so fortgeschritten wie im asiatischen Raum.

Blockchain

Blockchain gehört bereits zu den bekannteren Ausdrücken der technologischen Entwicklungstrends. Die Technologie wächst rasant und ist in verschiedensten Bereichen anwendbar. Dezentralisierte Apps, auch „DApps“ genannt, und Smart Contracts sind seit ca. 2020 ein absoluter Renner. Die bevorzugte Form eines Blockchain Wallets, und es gibt mittlerweile 70 Millionen, sind Mobile Wallets. Der Trend wird sich auf jeden Fall noch weiterziehen und zielt derzeit vor allem auf Smart Contracts und DApps und Sicherheit. Gerade bei mobilen Zahlungsanwendungen kann man mit der Nutzung von Blockchain Betrug verhindern.

Künstliceh Intelligenz (KI) & Maschinelles Lernen (ML)

Kein Wunder, dass künstliche Intelligenz und maschinelles Lernen in den letzten Jahren zu den wichtigsten Trends der mobilen Entwicklung geworden sind. Von der Sicherheit für Applikationen mit Gesichtserkennung bis kohlenstoffarme Routen bei Google Maps, der Anwendungsbereich ist sehr breit gefächert. Vor allem wird KI in Bereich der Spracherkennung und -verarbeitung, personalisierten Nutzerfahrung und Navigation die Schlüsseltechnologie sein. Die Sicherheit kann man mit KI zusätzlich verbessern, indem das Nutzerverhalten analysiert wird und dadurch Betrüge und Informationsverletzungen erkannt werden. KI und ML wird nicht nur tiefer in Geschäftsanwendungen gehen, sondern bietet darüber hinaus viel Raum für zukünftige Innovation.

Augmented Reality (AR) und Virtual Reality (VR)

Seit der Marktpräsenz von Googles ARCore und Apples ARKit steigt die Präsenz von Virtual und Augmented Reality Technologien stetig. Ein wachsender Trend ist ebenso im Jahr 2022 spürbar. Die unterschiedlichsten Einsatzgebiete sind mittlerweile: Studium, Gesundheitswesen, Industrie, Marketing, Reisen und Einzelhandel, um die wichtigsten zu nennen. Sämtliche Marktführer nutzen AR und VR bereits, wie zum Beispiel Instagram, Porsche und Ikea, um einen höhere Nutzerkomfort bieten zu können. Ikea verwendet für die Abbildung von Möbel in den eigenen vier Wänden Apples LiDAR-Technologie. Diese ist ein bedeutender Fortschritt, den wir in den letzten Jahren bemerken durften. Mit LiDAR ist es außerdem möglich geworden, Fotos bei schlechten Lichtverhältnissen mit hervorragender Qualität aufzunehmen.  

On demand apps

In einer digitalisierten Welt wie unserer ist es vor allem der mobile Bereich der sämtlichen Unternehmen dazu antreibt Möglichkeiten zu finden sein Klientel von überall aus zu erreichen. Der beliebteste Trend 2022 sind in dem Fall On-Demand Applikationen.  Die Möglichkeiten dieser sind scheinbar endlos, da die Nachfrage laufend steigt und die Entwicklung solcher Apps stark zunimmt. Das Aufkomme der Covid 19 Pandemie, hat das Nutzen von mobilen On- Demand – Apps noch weiter angekurbelt. Die Applikationen bringen Verbraucher, welche Dienstleistungen benötigen, mit ihren Dienstleistern zusammen und können somit sofortige Antworten auf ihre Heraus- oder Anforderungen bekommen. Dies wird vor allem in folgenden Branchen genutzt: Ärzte auf Abruf, Auto-Reinigung, Lieferung von Lebensmitteln oder diverse Wartungsdienste, um einige genannt zu haben.

Apps For Foldable Devices

Eine neue Innovation bei mobiler Hardware stellt auch neue Anforderungen an mobile Anwendungen und deren Entwicklung. Faltbare Geräte halten Einzug auf dem Markt der Smartphones. Laut unterschiedlicher Statistica werden 2022 rund 50 Millionen solcher Geräte genutzt werden. Das heißt nun im Umkehrschluss, dass auch die mobilen Applikationen an solche Geräte adaptiert werden müssen. Die Größe des Bildschirms hat Auswirkungen auf verschiedenste Bereiche in der Applikationsgestaltung. Ein größerer Bildschirm ermöglicht mehr Platz für ein realistischeres und detaillierteres Erlebnis. Mehrere Fenster geben dem Nutzer die Möglichkeit mehrere Aufgaben gleichzeitig zu lösen. Der zusätzliche Platz kann außerdem genutzt werden, um ein gesteigertes Pool an Informationen und Bedienelemente anzubieten. Zu den gefragtesten Merkmalen mobiler Anwendungen für faltbare Handys gehört die Fähigkeit, Kontinuität und Glätte beim Wechsel zwischen den Bildschirmen zu erhalten. Zusätzlich müssen sie mehrere Bildschirme und Mehrfensterfunktionen unterstützen und sowohl mit großen als auch mit kleinen Bildschirmen kompatibel sein.

PWAs and Instant Apps

Instant Apps ermöglichen ihren Nutzern ein Testen dieser, ohne dafür die Applikation vorher herunterladen zu müssen. Dies ermöglicht also den Verbrauchern unterschiedlichste Apps vorab zu Testen und im Anschluss zu entscheiden welche die, für die jeweiligen Anforderungen, passendste ist. Entwickelt wurden diese in erster Linie um Platz auf dem Handy zu sparen und die Nutzer durch bestimmte vorab einsehbare Funktionen dazu zu animieren diese eine bestimmte Applikaten zu kaufen oder runterzuladen. Bekannte instant Apps sind unter anderem Skyscanner, diese hilft bei der Suche nach günstigen Flügen, oder Buzzfeed, eine App für Nachrichten und Quizze.

PWAs werden im selben Atemzug ebenfalls immer beliebter, da sie einige Vorteile wie geringere Abhängigkeit von Internetverbindungen, schnellere Ladezeiten, automatische Updates und geringere Entwicklungszeiten mit sich bringen.

The post Mobile Development Trends in 2022 appeared first on Mobile USTP MKL.

Was ist Vuetify?

Vuetify ist ein vollständiges UI-Framework, dass auf Vue.js aufbaut und entspricht der Material Design (MD) Spezifikation. Das bedeutet, dass die Kernfunktionen sowohl von Vue als auch von Material standardmäßig zur Verfügung stehen und von beiden Communities verbessert werden können. Das Ziel ist es, den Entwicklern Werkzeuge bereitzustellen, um reichhaltige und ansprechende Designs und Benutzererlebnisse zu erstellen. Vuetify ist einfach zu erlernen und stellt Hunderte von sorgfältig ausgearbeiteten Komponenten aus der MD-Spezifikation bereit. Es unterstützt alle modernen Browser und ist kompatibel mit Vue CLI-3. Es bietet auch grundlegende Vorlagen für Simple HTML, Webpack, NUXT, PWA, Electron, A La Carte, Apache Cordova.
Allerdings bedeutet das natürlich auch, dass man sich mit Vuetify dem MD annehmen muss. Wenn man eine App ausschließlich für IOS entwickelt oder sich komplett auf das eigene Design verlassen muss, ist Vuetify nicht die richtige Entscheidung. Also auch bei Vuetify bleibt die Regel gleich, zuerst die Anforderungen des Projekts analysieren, dann das UI-Framework auswählen.

Installation:

Es gibt mehrere Varianten Vuetify zu installieren. Ich werde einen Weg im folgenden Kapitel erklären, die restlichen findet man unter https://vuetifyjs.com/en/getting-started/installation/.

Nachdem man ein instanziiertes Projekt erstellt hat, kann man das Vuetify Vue CLI-Paket mit dem cli hinzufügen. Mit:

                vue add vuetify

Zusammengefasst:

Vuetify ist ein wiederverwendbares semantisches Komponenten-Framework für Vue.js, das darauf abzielt, saubere, semantische und wiederverwendbare Komponenten bereitzustellen. Viele Faktoren müssen berücksichtigt werden, wenn man mit einem neuen Framework beginnt. Der Vorteil von Vuetify ist, dass viele der Vor- und Nachteile bereits von Vue selbst absorbiert wurden. Darüber hinaus muss man die tatsächlichen Bedürfnisse eines Projekts analysieren. Wie bereits erwähnt, ist Vuetify möglicherweise nicht für ein Projekt geeignet, das sich auf ein Design selbst verlässt. Wenn dies jedoch der Fall ist, hat man ein produktives und äußerst leistungsfähiges Werkzeug zur Hand, um beeindruckende Webseiten zu erstellen. Wer sich für Vuetify interessiert, kann sich einen Überblick über sämtliche Komponenten, Styles, Animationen etc. auf https://vuetifyjs.com/en/introduction/why-vuetify/ verschaffen.

The post Was ist Vuetify? appeared first on Mobile USTP MKL.

Wir haben uns anfangs darauf geeinigt, dass Sebastian für das Backend und ich für das Frontend verantwortlich sind. Jedoch haben wir uns gegenseitig unter die Arme gegriffen, so konnten wir in Frontend und Backend Erfahrungen sammeln. Da wir letztes Semester das Grundgerüst, sowie eine noch nicht designte Testapplikation implementiert hatten, lag der Fokus dieses Semester auf neuem Design und Funktionen wie zum Beispiel eine neue Userverwaltung oder ein personalisierter Einstellungsbereich. Um unser Design adäquat umsetzen zu können, stellte sich bald heraus, dass sowohl Backend als auch Frontend grundliegende Umstrukturierungen durchlaufen musste, um das Design überhaupt zielführend umsetzen zu können.

Was haben wir erreicht?

Wir haben mit unserer Designerin Katja Seitz ein Rundum Konzept, von Zielgruppe, App Name bis zu einem Tutorial, das beim ersten Verwenden der App durchgespielt wird, kreiert. Wir haben Frontend und Backend von unserem Vorgängermodell aus letztem Semester umgebaut und performanter gemacht. Das Design wurde fast bis zur Gänze umgesetzt, wobei einzelne Seiten, die für die ersten Testungen nicht unbedingt notwendig sind, noch nicht umgesetzt wurden. Es wurden Tests im kleinen Rahmen durchgeführt. Diese wurden mit sehr positivem Feedback abgeschlossen wobei einzelne Kritikpunkte direkt in die Weiterarbeit aufgenommen wurden. Momentan befindet sich die Applikation bereits bei zwei Nutzer*innen im Einsatz und deren Feedback wird laufend in den Entwicklungsprozess miteinbezogen.

Ein*e Nutzer*in kann momentan:

• Kunden, Produkte und Lieferanten abrufen, anlegen, bearbeiten und löschen
• Rechnungen abrufen, erstellen, bearbeiten, löschen, Rechnungen als PDF downloaden
• Auf der Startseite nach Einnahmen Ausgaben filtern, nach Namen suchen, und Rechnungen nach Datum abrufen
  
  

Was wird noch umgesetzt?

Im Laufe der nächsten Monate planen wir, unter Zusammenarbeit mit einer*m Steuerberater*in einen individuellen Einführungsfragebogen zu entwickeln, der bei adäquater Beantwortung der Fragen, die Einstellungen in der Applikation korrekt vornimmt und den Nutzer*innen individuelle Hinweise in Bezug auf ihre steuerlichen Verpflichtungen, sowie Hinweise für effiziente Buchhaltung gibt. Des Weiteren wird es die Möglichkeit geben, Fotos von Rechnungen zu scannen und mittels AI automatisch ins System einzuspeisen. Außerdem erscheint es uns auf längere Sicht sinnvoll das Frontend auf Vue3 umzustellen, was eigentlich für das letzte halbe Jahr geplant war, jedoch aufgrund der verhältnismäßig niedrigen Priorität noch nicht geschehen ist.

Design

Sebastian Sander und ich haben uns im Rahmen der Lehrveranstaltung „Vertiefung Berufsfeld“ für den Zweig Gründen entschieden und hatten dadurch die Möglichkeit mit Katja Seitz aus der Masterklasse Grafik Design zusammenzuarbeiten.
Katja war für das allgemeine Design und Logo verantwortlich und wir sind mit dem Ergebnis sehr zufrieden.

Fazit Thomas Pohl

Für mich war das größte Learning, dass man von Anfang an ein durchgedachtes Konzept und Design benötigt, um unnötige Arbeiten zu vermeiden. Wir haben letztes Jahr begonnen ein Grundgerüst zu implementieren und haben dann einfach so weiter gemacht. Hätten wir direkt nach dem Prototyp alles komplett durchgeplant und begonnen zu designen, hätten wir uns eine Menge Umstrukturierungen erspart. Wobei das auch ein gutes Learning für mich war.

Große Learning waren auf jeden Fall auch in Vue, Vuex, Axios und allgemein in der Strukturierung des Backends zu beobachten.

Fazit Sebastian Sander

Die schrittweise Durchimplementierung eines Backends war für mich etwas Neues. Kleinere Beispielprojekte, wie der letzjährige Prototyp sind im Umfang kaum vergleichbar und es war motivierend, das eigene Projekt sukzessive wachsen zu sehen. Auch im Bereich der Kommunikation haben Thomas und ich uns definitiv weiterentwickelt – wir kommunizieren klar, was wir vom anderen brauchen und arbeiten dies dann relativ konsequent ab.

The post Receibra – Buchhaltung appeared first on Mobile USTP MKL.

Vue 3 Änderungen und Features

Die neuere Version von Vue ist schneller, kleiner und besser wartbar.
Schneller: Vue 3 hat eine bis zu 100% bessere Update-Leistung und bis zu 200% schnellere serverseitige Renderings.

Kleiner: Durch größtenteils Löschen von nicht benutzten Bibliotheken, wie zum Beispiel Tree Shaking, haben die Entwickler von Vue es geschafft die Größe zu halbieren. Vue 2 hatte eine Größe von 20kB gezipped, was schon sehr klein war, die neuere Version ist sogar unter 10kB gezipped.

Besser wartbar: Vue 3 wird TypeScript unterstützen und zusätzlich werden die Pakete entkoppelt, wodurch alles modularer und einfacher zu warten sein wird.

Kompositions-API

Eine der wichtigsten Änderungen ist die neue API, die eine funktionsbasierte Art und Weise des Schreibens von Komponenten ermöglicht. Damit kann man Logik in “Kompositionsfunktionen” kapseln und diese Logik komponentenübergreifend wiederverwenden. Aber keine Sorge, Vue 3 ist immer noch 100% kompatibel mit der aktuellen optionsbasierten API.
Also im Gegensatz zu früher wo wir beim Erstellen von Components den Code der Komponenten durch Options trennen mussten (Data, Computed, Methods), gibt es jetzt eine setup()-Methode, die uns ermöglicht, die Kompositionssyntax zu verwenden. Jedes Stück Logik ist außerhalb dieser Methode als Kompositionsfunktion definiert.
Zusammenfassend, ist es einfach eine Funktion die Eigenschaften und Funktionen an das Template zurückgibt. Was eine gute Lösung ist für Probleme, die in Vue 2 auftraten. Wie zum Beispiel, eine gemeinsame Logik extrahieren, die von mehreren Komponenten wiederverwendet werden kann. Die neue API wird zu besser strukturiertem Code führen und könnte eine Menge an Flexibilität mitbringen.
Falls jemand innerhalb einer bestehenden Vue 2-Applikation herumexperimentieren möchte, ist die Komposition-API als Plugin verfügbar. (https://github.com/vuejs/composition-api?ref=madewithvuejs.com)

Suspense

Ein weiteres Feature, das in Vue 3 verfügbar ist, ist die Suspense Komponente. Diese ermöglicht uns das Warten auf verschachtelte asynchrone Abhängigkeiten beim initialen Rendering. In anderen Worten ist Suspense eine spezielle Komponente, die einen Fallback-Inhalt anstelle der Komponente rendert, bis eine Bedingung erfüllt ist. Diese Bedingung ist normalerweise eine asynchrone Operation, die in der Setup-Funktion Ihrer Komponente stattfindet.

V-Models

Man kann endlich so viele v-model-Deklarationen pro Komponente haben, wie man will und diese auch benennen. In Vue 2 konnte man immer nur ein v-model für eine Komponente verwenden.

Root Elemente

In Vue3 wird kein Root-Element innerhalb des Template-Tags benötigt. Das heißt man muss nicht mehr alles innerhalb eines Div-Tags schreiben.

Portals

Portale konnte man schon in Vue2 durch Plugins wie portal-vue verwenden. Mit einem Portal kann man eine Komponente an einer anderen Stelle im DOM-Baum rendern, auch wenn sich diese Stelle nicht im Scope der App befindet. Portale sind sehr gut geeignet für Modals, Benachrichtigungen und Popups. In Vue 3 kommen Portals mit nativer Unterstützung in Form einer Portal-Komponente. Sie hat nur eine Eigenschaft – Target und einen Standard-Slot. Der Inhalt des Slots wird in dem DOM-Element gerendert, das durch den Query-Selektor ausgewählt wird, der an die Target-Eigenschaft übergeben wird.

Es gibt noch weitere Änderungen und Verbesserungen. Ich habe diese gewählt, weil ich sie für besonders nützlich und wichtig gefunden habe. Was ich sehr cool finde ist, dass das Entwicklerteam auch viele Funktionen, die es in Vue 2 nur über Plugins von Drittanbieter gegeben hat, in Vue 3 eingebaut haben (z.B.: Portals).

Kurze knackige Infos

Die meisten Schlüsselkonzepte des Frameworks bleiben gleich, also man hat nicht umsonst gelernt, wenn man sich mit Vue 2 beschäftigt hat.
Viele der Änderungen sind intern, wie zum Beispiel das Schreiben der Codebasis in TypeScript. Das macht Vue schneller, heißt aber nicht, dass man TypeScript verwenden muss.
Die Kompositions-API ist rein additiv und die API, die in Vue 2 verwendet wurde, wird nicht obsolet. Alle offiziellen Bibliotheken unterstützen schon Vue 3.
Die Vue 3-Docs wurden bereits veröffentlicht, zusammen mit einem Migrations-Guide, der beschreibt, was sich geändert hat.

The post Vue 3 – Infos zur neuen Version von Vue appeared first on Mobile USTP MKL.

Einleitung

Was ist maschinelles Lernen?

Maschinelles Lernen und mobile Applikationen

Vergleich der Anwendung von maschinellem Lernen bei den Großanbietern: Apple und Microsoft.

Weitere aktuelle Einsatzgebiete von maschinellem Lernen im mobilen Bereich

Zusammenfassung

Literatur

Einleitung

Unsere heutige Zeit erfordert eine ständige Adaptierung und Weiterbildung im digitalen, aber vor allem auch im mobilen Bereich. Um Effizienz, Effektivität, Benutzererfahrung und Benutzerfreundlichkeit zu verbessern, geht der Trend sehr stark zur Integration von maschinellem Lernen (ML) in mobilen Anwendungen. Der Artikel beschäftigt sich mit den aktuellen Herausforderungen, Techniken und den dazugehörigen Vor- und Nachteilen bei der Implementierung von ML für mobile Applikationen. Dabei wird der aktuelle Forschungsstand und Ausblicke in die mögliche Zukunft des maschinellen Lernens im mobilen Bereich erörtert. Um diese Thematiken verständlich beantworten zu können, muss eingangs die Frage nach einer Definition zu maschinellem Lernen geklärt werden. Ganz allgemein wird bei maschinellem Lernen von einem Teilgebiet der sogenannten „artificial intelligence“ gesprochen und beschreibt im Wesentlichen dynamische Algorithmen mit der Fähigkeit selbstständig dazuzulernen, um dadurch Ergebnisse oder Performances zu verbessern. Gerade im mobilen Bereich wird diese Charakteristik wertgeschätzt, da so die Möglichkeit besteht, unterschiedlichste Faktoren, wie zum Beispiel die Benutzerfreundlichkeit, Stabilität oder Kosten, noch weiter zu verbessern.

Was ist maschinelles Lernen?

Dass es sich bei maschinellem Lernen um ein komplexes, sehr breit gefächertes Feld handelt, wird schnell deutlich. Die Einsatzgebiete haben sich in den letzten Jahren stetig erweitert und so kommt ML zum Beispiel im naturwissenschaftlichen Bereich, in der Bildung, der Industrie aber auch bei mobilen Applikationen zur Anwendung. Die Motivation auf maschinelles Lernen zurückzugreifen ist allerdings bei allen Anwendungsgebieten die gleiche. Ziel ist es Vorhersagen und Anwendungsbereiche zu präzisieren und zu verbessern. Oftmals handelt es sich hierbei um ernsthafte Themenbereiche ökologischer Natur oder im Bereich Gesundheitsprävention, so Jörg Frochte (2020). Maschinelles Lernen als Teilgebiet der künstlichen Intelligenz kommt allerdings nicht nur in solchen Bereichen zum Einsatz. Durch diese Technologie können auch Computerspiele oder Handyapplikationen, wie Tik-Tok oder Instagram, für ihre Nutzer attraktiver gestaltet werden.

So beliebt ist maschinelles Lernen mit der steigenden Popularität von künstlicher Intelligenz im Allgemeinen geworden. Um ML verstehen zu können ist ein Grundwissen über das allgemeine Lernen sowie der Einsatz von Algorithmen gefragt. Kurz zusammengefasst lässt sich sagen, dass Lernen aus Erfahrung entsteht und eine Änderung im Verhalten mit sich bringt (Frochte, 2020). Dieses Prinzip lässt sich im Grunde genommen auch auf die Maschine umlegen. Bei Erfahrungen handelt es sich hierbei um gesammelte Daten, die wiederum mit Hilfe von Algorithmen das gezeigte Verhalten, meist nur in einem bestimmten Bereich, anpassen. Das heißt, dass die jeweilige Maschine keine allgemeine, dem Menschlichen ähnliche, Intelligenz verfügt, sondern sich lediglich durch Erfahrungen in einem bestimmten Bereich verbessert. Hierbei lassen sich die Lernalgorithmen im Wesentlichen in drei Teilbereiche gliedern: „überwachtes Lernen, bestärkendes Lernen sowie „unüberwachtes Lernen“ (Frochte, 2020,  S.21).

Das überwachte Lernen bedarf eines Lehrers. In diesem Fall bedeutet dies, der Methode eine genügende Menge an bereits über einen korrekten Funktionswert verfügende Ein- und Ausgaben zur Verfügung zu stellen. Man spricht hierbei von gelabelten Datensätzen, an welchen die neuen Erfahrungen abgeglichen und dementsprechend sortiert und das Verhalten geändert werden kann. Beim bestärkenden Lernen hingegen wird mit agentenbasierten Ansätzen gearbeitet. Hierbei erhält das System laufend durch Belohnung oder Bestrafung Rückmeldung zu seinem Verhalten, welches mit der Zeit einen optimalen Lösungsweg finden soll. Ist weder überwachtes noch bestärkendes Lernen möglich, so spricht man von unüberwachtem Lernen. In diesem Fall ist lediglich eine unbestimmte Menge an Daten vorhanden, in welcher ohne Hilfe von bereits markierten Daten eine versteckte Struktur erkannt werden soll. Aufgrund der unmarkierten Daten für den Lernalgorithmus kann auch kein Lernen durch Belohnung oder Bestrafung stattfinden. Typischer Anwendungsbereich ist hierbei der Online-Shop, der versucht, ähnliches Kaufverhalten zu erfassen und zu gruppieren, um so zum Kauf weiterer, ähnlicher Artikel anzuregen. Das heißt im Fall von unüberwachtem Lernen gibt es kein richtig oder falsch, sondern es reicht im Allgemeinen Daten zu Gruppierungen zusammenzufassen, die einen Mehrwert haben (Frochte, 2020).

Maschinelles Lernen und mobile Applikationen

Maschinelles Lernen im Zuge der künstlichen Intelligenz ist in der digitalen Welt mittlerweile omnipräsent geworden und aus dieser nicht mehr wegzudenken. So zum Beispiel beim online Shopping aber auch Applikationen, wie Snapchat und Instagram, nutzen maschinelle Intelligenz, um das Benutzererlebnis zu verbessern. Dennoch steht die Implementierung von maschinellem Lernen aktuell noch vor unterschiedlichen praktischen Herausforderungen, wie zum Beispiel Rechenleistung, Energie, geringer Speicher oder die Privatsphäre, so Dai (2020). Mit diesen Themen hat sich Dai (2020) in seiner Arbeit zum aktuellen Forschungsstand im Gebiet des maschinellen Lernens beschäftigt. Er erörtert die derzeitigen unterschiedlichen Ausführungsmöglichkeiten im Rahmen von mobilen Applikationen. So ist es unter anderem möglich sowohl das Training, das heißt, den Prozess der Extrapolation eines ML-Modells, als auch die Inferenz, welche dann dieses Modell verwendet, um neue Vorhersagen treffen zu können, wahlweise auf dem Gerät selbst oder mithilfe einer Cloud durchzuführen. In diesem Zusammenhang gibt es aktuell fünf Möglichkeiten, die üblicherweise mit mobilen Applikationen zum Einsatz kommen. Welches Szenario wie zum Einsatz kommt, hängt hauptsächlich von bestimmten Faktoren wie der Datenmenge, der Komplexität des Modells oder den spezifischen Anforderungen der mobilen Anwendung ab.

So kommt es häufig bei mobilen Anwendungen dazu, dass die Berechnungen des maschinellen Lernens auf eine Cloud ausgelagert werden. Das hat den Vorteil, dass die App selbst kein Training durchführen muss und so weniger Speicherplatz benötigt wird. Dai (2020) beschreibt den Vorgang als recht simpel; die mobile Applikation sendet via Anwendungsprogrammierschnittstelle eine Anfrage an die Cloud. Diese neuen Daten werden verarbeitet und die Cloud gibt anschließend eine Vorhersage zurück. Diese Art der Architektur ist die einfachste und schnellste, um maschinelles Lernen in mobile Anwendungen zu integrieren. Als weiterer Vorteil ist hier zu erwähnen, dass die Dienstanbieter ihre Modelle stets auf dem neuesten Stand halten und diese in periodischen Abständen neu trainiert und verbessert werden. Davon profitieren die Applikationen automatisch. Hier sieht Dai (2020) allerdings auch einen der Nachteile, denn diese Art der Anwendung funktioniert nur für Applikationen, die häufig verwendete Daten verarbeiten, denn nur der Dienstanbieter und nicht der Entwickler der Anwendungen ist für das Sammeln der Daten zuständig.

Als Lösung hierfür bietet sich ein weiteres Modell an, welches dem gerade vorgestellten sehr ähnelt. Der Unterschied liegt lediglich darin, dass sowohl das Training als auch die Inferenz in der Cloud stattfindet. So erhält der mobile Entwickler durch den Service-Provider die Möglichkeit, die Daten einerseits zu trainieren aber auch ihre eigenen Modelle über den Dienst der Cloud zu erarbeiten. Dieses Modell bietet so eine erhöhte Flexibilität, allerdings erhöht das Senden von Benutzerdaten, vor allem wenn diese dort gespeichert werden, die Datenschutz- und Sicherheitsbedenken.

Dies führt zur dritten Möglichkeit maschinelles Lernen in mobile Applikationen zu integrieren. Bei dieser Variante bleiben das Training und die Inferenz auf dem mobilen Gerät selbst. Dies ist unerlässlich, wenn es um Anwendungen geht, bei denen eine möglichst kurze Reaktionszeit, zum Beispiel bei selbstfahrenden Autos, gefragt ist. In diesem Fall wird das vortrainierte Modell direkt auf die Applikation geladen und alle weiteren Berechnungen finden anschließend direkt am Gerät statt (Dai et al., 2020). Ein weiterer Vorteil dieser Art der Anwendung von maschinellem Lernen ist, dass die Applikation laufend von dem Verhalten der Nutzer lernen kann und so die Leistung für den jeweiligen Benutzer kontinuierlich steigern kann. Die Privatsphäre bleibt im Gegensatz zu den anderen Vorgehensweisen maximal geschützt, da die Daten zu keiner Zeit das Gerät verlassen müssen. Als weiterer Vorteil wird das Einsparen von Kosten für die Nutzung einer Cloud genannt. Ein erheblicher Nachteil ist, dass diese Art des Einsatzes von maschinellem Lernen zum aktuellen Zeitpunkt nur für kleine Datensätze funktioniert, die sich grundlegender ML-Algorithmen bedienen, da nur sehr begrenzt Speicherplatz, Energie und Rechenleistung zur Verfügung stehen.

Weiters gibt es noch die Möglichkeit der Nutzung eines Hybridmodells, das heißt Berechnungen finden sowohl auf dem Gerät als auch in einer Cloud statt. Das Hauptmodell wird in der Cloud trainiert, hier steht ein großer Standarddatensatz zur Verfügung und additiv werden alle Daten, die von Nutzern geteilt werden, zusammengetragen. Das individuelle Modell, auf jeden Nutzer angepasst, steht dann mit den eigenen Daten auf dem eigenen Gerät zur Verfügung. Dieses Anwendungsmodell ist jedoch sehr komplex und teuer in der Wartung, hat aber den Vorteil, dass es dem Entwickler erlaubt, durch individuelles Training und das mögliche Anpassen des Modells auf individuelle Nutzerdaten ein stetig verfeinertes Benutzererlebnis zu ermöglichen (Dai et al., 2020).

Vergleich der Anwendung von maschinellem Lernen bei den Großanbietern: Apple und Microsoft

Das maschinelle Lernen, so wie es bereits erläutert wurde, wird von verschiedenen mobilen Anbietern unterschiedlich eingesetzt. Das Grundprinzip ist stets das gleiche, nur die Ausführung kann sich in Details, den Frameworks, unterscheiden. Tantayakul und Panichpattanakul (2020) haben die zwei großen Anbieter Apple und Microsoft hinsichtlich des Einsatzes von maschinellem Lernen mit Hilfe einer Fischerkennungsapplikation von IOS verglichen und ihre aktuellen Standpunkte dargelegt. Diese Applikation soll thailändische Kampffische erkennen und in ihre Rassen einteilen oder Fische anderer Art aussortieren. Hierfür werden 1400 Bilder der Kampffische in sieben Unterkategorien eingeteilt. Die Datensätze werden trainiert, indem die Anzahl der Bilder von 350 auf 1400 steigerbar ist. Der nächste wichtige Schritt ist nun das Training des maschinellen Lernmodells. Hierbei kommen die Frameworks von Apple Create ML und Microsoft Custom Vision für diesen Vergleich zum Einsatz (Tantayakul & Panichpattanakul, 2020). Für kleine Datensätze, von 350 bis 525, stellt sich das Apple Create Ml Framework als geeigneter heraus. Auch bei größeren Datensätzen ab 720 Bildern hat das Apple Create ML Framework einen höheren Prozentsatz an richtiger Vorhersage erreicht, jedoch holt in diesem Bereich auch das Custom Vision Framework auf. Wird die Verarbeitungszeit beider ML-Modelle in der IOS-Anwendung verglichen, so schneidet das Framework „Custom Vision“ von Microsoft besser ab. Hinsichtlich einfacher Bedienbarkeit ist ebenfalls das Apple Create ML Framework vorzuziehen. Diese experimentellen Ergebnisse sind nützlich für Anwendungsentwickler bei der Auswahl eines geeigneten Frameworks für die Entwicklung ihrer intelligenten iOS Anwendungen mit der Methodik des maschinellen Lernens, so die Schlussfolgerung von Tantayakul und Panichpattanakul (2020).

Weitere aktuelle Einsatzgebiete von maschinellem Lernen im mobilen Bereich

Wie bereits eingangs erwähnt, erfährt das maschinelle Lernen auch im Bereich der mobilen Applikationen einen Aufschwung. Es gibt kaum noch Anwendungen, die sich nicht zumindest einfachen Algorithmen und Frameworks bedienen, um ihre Programme benutzerfreundlicher, effizienter, schneller oder wirtschaftlich wertvoller zu gestalten. Unter anderem befassen sich Massimo Panella und Rosa Altilio (2019), aber auch Kevin Tsang (2020) und Jisha, Amrita, Aswini und Indhu (2020) mit spezifischen Einsatzmöglichkeiten von ML-Modellen. So beschrieben Panella und Altilio in ihrer Arbeit die Möglichkeiten und Herausforderungen einer mobilen Applikation zur Erkennung von Gesten. Allgemein wurde in den von ihnen durchgeführten Tests gute Leistungen erzielt und die Applikation ist in der Lage mit Hilfe einer Handy Front-Kamera unterschiedliche Handgesten zu erkennen und zuzuordnen. Probleme bestanden primär im Zusammenhang mit den unterschiedlichen Lichtverhältnissen und der Rechenleistung der Endgeräte (Panella & Altilio, 2019).

Tsang (2020) stellte Forschungen zur Nutzung von maschinellem Lernen im Bereich von Gesundheitsapplikationen an und experimentierte mit einer Anwendung zur Selbsthilfe für Asthma. Auch diese Applikation zeigt großes Potenzial und steigt im Bereich der Treffgenauigkeit und Vorhersage gut aus. Ein Nachteil der Applikation ist, dass sie nur von Apple Geräten nutzbar ist und somit die Stichprobe nicht repräsentativ für die amerikanische Bevölkerung angesehen werden kann (Tsang et al., 2020)

Jisha, Amrita, Aswini und Indhu (2020) beschäftigen sich allgemein mit der Erstellung von mobilen Empfehlungssystemen basierend auf der Methodik des maschinellen Lernens. Diese soll Nutzern helfen, nach bestimmten Vorlieben leichter Entscheidungen für, in diesem Fall neue Handy-Apps, treffen zu können.

Zusammenfassung

Das Gebiet rund um maschinelles Lernen und künstliche Intelligenz ist ein komplexes und sehr breit gefächertes, welches sich laufend entwickelt. Aufgrund der großen Nachfrage werden Applikationen ständig verbessert, nutzerfreundlicher und effizienter gestaltet. Forschungen auf diesem Gebiet finden laufend statt und der vorliegende Artikel sollte einen kompakten Überblick zum aktuellen Stand dieser bieten. Beschrieben werden die derzeit verwendeten Methoden im maschinellen Bereich sowie ein kurzer Vergleich zweier Frameworks von großen Anbietern einer Applikation, die mit Hilfe von maschinellem Lernen betrieben wird. Die Besprechung von derzeitigen unterschiedlichen Anwendungen, deren Herausforderungen und Vorteile soll einen Eindruck der heterogenen Anwendbarkeit maschinellen Lernens bei mobilen Applikationen aufzeigen.

Literatur

Dai, X., Spasić, I., Chapman, S., & Meyer, B. (2020). The State of the Art in Implementing Machine Learning for Mobile Apps: A Survey. 2020 SoutheastCon, 1–8. https://doi.org/10.1109/SoutheastCon44009.2020.9249652

Frochte, J. (2020). Maschinelles Lernen: Grundlagen und Algorithmen in Python. Carl Hanser Verlag GmbH  Co KG.

Jisha, R. C., Amrita, J. M., Vijay, A. R., & Indhu, G. S. (2020). Mobile App Recommendation System Using Machine learning Classification. 2020 Fourth International Conference on Computing Methodologies and Communication (ICCMC), 940–943. https://doi.org/10.1109/ICCMC48092.2020.ICCMC-000174

Panella, M., & Altilio, R. (2019). A Smartphone-Based Application Using Machine Learning for Gesture Recognition: Using Feature Extraction and Template Matching via Hu Image Moments to Recognize Gestures. IEEE Consumer Electronics Magazine, 8(1), 25–29. https://doi.org/10.1109/MCE.2018.2868109

Tantayakul, K., & Panichpattanakul, W. (2020). A Comparative Study of Machine Learning for iOS based on Siam Betta Mobile Application. 2020 – 5th International Conference on Information Technology (InCIT), 104–109. https://doi.org/10.1109/InCIT50588.2020.9310932

Tsang, K. C. H., Pinnock, H., Wilson, A. M., & Ahmar Shah, S. (2020). Application of Machine Learning to Support Self-Management of Asthma with mHealth. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), 5673–5677. https://doi.org/10.1109/EMBC44109.2020.9175679

The post Maschinelles Lernen im Gebrauch mit mobilen Applikationen appeared first on Mobile USTP MKL.

Im Rahmen meines Masterlehrgangs Mobile, hatte ich die Möglichkeit Erfahrungen im Bereich des QR-Codes zu sammeln. Meine Idee war, eine Phishing Seite zu erstellen, die durch einen “glaubwürdigen” Flyer aufgerufen wird. Benutzername und Passwort kann man dann mit http://it201526.students.fhstp.ac.at/initprojekt/pw.txt aufrufen.

The post Initialprojekt Masterklasse Mobile appeared first on Mobile USTP MKL.