मशीन लर्निंग में रुचि है लेकिन ज्यादा अनुभव नहीं है? Google का नया ML किट SDK मशीन लर्निंग को आपके एंड्रॉइड या iOS ऐप में शामिल करना आसान बनाता है।
मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस ने हाल के वर्षों में तेजी से हमारी शब्दावली में प्रवेश किया है, लेकिन बहुत कम लोग वास्तव में समझते हैं कि तकनीक कैसे काम करती है, या वे क्या करने में सक्षम हैं। यहां तक कि Google के अपने AI शोधकर्ता भी मज़ाक है कि मशीन लर्निंग कीमिया के समान है. एक व्यस्त डेवलपर के रूप में, आपके पास मशीन लर्निंग (एमएल) के बारे में सीखने का समय नहीं हो सकता है, लेकिन Google नहीं चाहता कि यह आपको इसके लाभों को प्राप्त करने से रोके। इसी वजह से कंपनी ने आज घोषणा की एमएल किट: एक नया एसडीके जिसमें मशीन लर्निंग पर Google के वर्षों के काम को फायरबेस पैकेज में शामिल किया गया है, जिस पर मोबाइल ऐप डेवलपर्स हैं आईओएस और एंड्रॉइड दोनों अपने ऐप्स को बेहतर बनाने के लिए उपयोग कर सकते हैं।
अगर आप मशीन लर्निंग के बारे में कुछ नहीं पता, तो चिंता मत करो: आपको किसी पूर्व पृष्ठभूमि एमएल ज्ञान की आवश्यकता नहीं है. आप संभवतः चेहरे की पहचान और छवि पहचान जैसी तकनीक के कुछ वास्तविक दुनिया के अनुप्रयोगों से परिचित हैं। Google का ML किट चाहता है कि आपका ऐप ML के वास्तविक दुनिया के उपयोग से लाभान्वित हो, आपको यह समझने की आवश्यकता नहीं है कि एल्गोरिदम कैसे काम करता है। और यदि आप एमएल को समझते हैं या सीखने के इच्छुक हैं, तो आप भी एमएल किट का लाभ उठा सकते हैं।
एमएल किट के साथ शुरुआती लोगों के लिए मशीन लर्निंग
एमएल के लिए Google का नया फायरबेस एसडीके मोबाइल पर सबसे आम उपयोग के कुछ मामलों के लिए पांच एपीआई प्रदान करता है:
- पाठ पहचान
- चेहरे का पहचान
- बारकोड स्कैनिंग
- छवि लेबलिंग
- ऐतिहासिक मान्यता
आपको बस एपीआई को डेटा पास करना है और एसडीके एक प्रतिक्रिया देता है। यह इतना आसान है। एमएल उपयोग के कुछ उदाहरणों में संगीत एप्लिकेशन शामिल हैं जो यह व्याख्या करते हैं कि आप कौन से नोट्स बजाते हैं और आपके संगीत में इको/शोर रद्दीकरण लागू करते हैं। एक अन्य उदाहरण कैलोरी गिनती ऐप्स के लिए पोषण लेबल के लिए ऑप्टिकल कैरेक्टर रिकग्निशन (ओसीआर) हो सकता है।
आने वाले महीनों में उपलब्ध बेस एपीआई की सूची का विस्तार किया जाएगा और इसमें स्मार्ट रिप्लाई एपीआई भी शामिल किया जाएगा एंड्रॉइड पी और फेस डिटेक्शन एपीआई में एक उच्च घनत्व वाला फेस कंटूर शामिल है।
अनुभवी उपयोगकर्ताओं के लिए एमएल किट
यदि आपके पास पूर्व पृष्ठभूमि का थोड़ा सा ज्ञान है, तो आप अपना स्वयं का कस्टम भी तैनात कर सकते हैं टेन्सरफ्लो लाइट मॉडल। आपको बस अपने मॉडल को फायरबेस कंसोल पर अपलोड करना है ताकि आपको मॉडल को अपने में बंडल करने के बारे में चिंता न करनी पड़े एपीके (इस प्रकार फ़ाइल का आकार कम हो जाता है।) एमएल किट आपके मॉडल को गतिशील रूप से कार्य करता है ताकि आप अपने मॉडल को पुनः प्रकाशित किए बिना अपडेट कर सकें अनुप्रयोग।
इससे भी बेहतर यह है कि Google स्वचालित रूप से पूर्ण TensorFlow मॉडल को TensorFlow Lite में संपीड़ित कर देगा मॉडल, जो फ़ाइल आकार को कम करता है और यह सुनिश्चित करता है कि सीमित डेटा कनेक्शन पर अधिक लोग आपका आनंद ले सकें अनुप्रयोग।
ऑन-डिवाइस और क्लाउड एपीआई
एमएल किट ऑन-डिवाइस और क्लाउड एपीआई दोनों प्रदान करता है। ऑन-डिवाइस एपीआई नेटवर्क कनेक्शन के बिना डेटा संसाधित करता है (जैसे Android Oreo की टेक्स्ट चयन सुविधा) जबकि क्लाउड एपीआई अधिक सटीकता के लिए डेटा को संसाधित करने के लिए Google क्लाउड प्लेटफ़ॉर्म का उपयोग करते हैं।
एमएल किट एंड्रॉइड और आईओएस दोनों पर काम करता है, और एंड्रॉइड पर, विशेष रूप से, यह आइसक्रीम सैंडविच जैसे पुराने एंड्रॉइड संस्करण चलाने वाले उपकरणों के साथ काम करता है। यदि उपयोगकर्ता चल रहा है एंड्रॉइड 8.1 ओरियो और ऊपर, तो एमएल किट पहले से मौजूद न्यूरल नेटवर्क्स एपीआई की बदौलत बेहतर प्रदर्शन की पेशकश करेगा। चिपसेट वाले उपकरणों पर जिनमें विशेष हार्डवेयर होते हैं जैसे कि क्वालकॉम स्नैपड्रैगन 845 (और इसका हेक्सागोन डीएसपी) या हाईसिलिकॉन किरिन 970 (और इसकी न्यूरल प्रोसेसिंग यूनिट), ऑन-डिवाइस प्रोसेसिंग में तेजी आएगी। Google का कहना है कि वे ऑन-डिवाइस पहचान को बेहतर बनाने के लिए SoC विक्रेताओं के साथ भी काम कर रहे हैं।
निष्कर्ष
आरंभ करने के इच्छुक डेवलपर्स को नए एसडीके की तलाश करनी चाहिए फायरबेस कंसोल. आप इसमें फीडबैक छोड़ सकते हैं फायरबेस के लिए Google समूह.
एमएल में अनुभव वाले डेवलपर्स जो TensorFlow मॉडल को संपीड़ित करने के लिए Google के एल्गोरिदम को आज़माना चाहते हैं, वे ऐसा कर सकते हैं यहां साइन अप करें. अंत में, जाँच करें फायरबेस रिमोट कॉन्फ़िगरेशन यदि आप अनेक कस्टम मॉडलों के साथ प्रयोग करना चाहते हैं; यह आपको मॉडल मानों को गतिशील रूप से स्विच करने, जनसंख्या खंड बनाने और समानांतर में कई मॉडलों के साथ प्रयोग करने की अनुमति देता है।