Googleov ML Kit novi je Firebase SDK koji rješava glavobolju strojnog učenja

Zanima vas strojno učenje, ali nemate puno iskustva? Googleov novi ML Kit SDK olakšava ugradnju strojnog učenja u vašu Android ili iOS aplikaciju.

Strojno učenje i umjetna inteligencija brzo su ušli u naš leksikon posljednjih godina, ali malo njih doista razumije kako tehnologija funkcionira ili za što je sposobna. Čak i Googleovi vlastiti istraživači umjetne inteligencije šaliti se da je strojno učenje slično alkemiji. Kao zaposleni programer, možda nemate vremena učiti o strojnom učenju (ML), ali Google ne želi da vas to spriječi da iskoristite njegove prednosti. Iz tog razloga, tvrtka je danas objavila ML Kit: novi SDK koji uključuje godine Googleova rada na strojnom učenju u Firebase paket na kojem razvijatelji mobilnih aplikacija i iOS i Android mogu koristiti za poboljšanje svojih aplikacija.

Ako ti ne znam ništa o strojnom učenju, onda ne brini: Ne trebate nikakvo prethodno znanje o ML-u. Vjerojatno ste upoznati s nekim stvarnim primjenama tehnologije kao što je prepoznavanje lica i prepoznavanje slika. Googleov ML Kit želi da vaša aplikacija ima koristi od upotrebe ML-a u stvarnom svijetu, a da ne morate razumjeti kako algoritam funkcionira. A ako razumijete ML ili ste voljni učiti, i vi možete iskoristiti ML Kit.


Strojno učenje za početnike s ML Kitom

Googleov novi Firebase SDK za ML nudi pet API-ja za neke od najčešćih slučajeva upotrebe na mobilnim uređajima:

  • Prepoznavanje teksta
  • Prepoznavanje lica
  • Skeniranje crtičnog koda
  • Označavanje slike
  • Prepoznavanje znamenitosti

Sve što trebate učiniti je proslijediti podatke API-ju i SDK će vratiti odgovor. Tako je jednostavno. Neki primjeri upotrebe ML-a uključuju glazbene aplikacije koje tumače note koje svirate i primjenjuju poništavanje jeke/šuma na vašu glazbu. Drugi primjer može biti optičko prepoznavanje znakova (OCR) za oznake hranjivih vrijednosti za aplikacije za brojanje kalorija.

Popis dostupnih osnovnih API-ja proširit će se u nadolazećim mjesecima kako bi uključio API za pametne odgovore poput Android P i dodatak konture lica visoke gustoće API-ju za prepoznavanje lica.


ML Kit za iskusne korisnike

Ako imate malo prethodnog znanja, također možete implementirati svoj vlastiti prilagođeni način TensorFlow Lite modeli. Sve što trebate učiniti je prenijeti svoj model na Firebase konzolu tako da ne morate brinuti o povezivanju modela u svoj APK (čime se smanjuje veličina datoteke.) ML Kit dinamički služi vašem modelu tako da možete ažurirati svoje modele bez ponovnog objavljivanja aplikacija

Još je bolje što će Google automatski komprimirati pune TensorFlow modele u TensorFlow Lite model, koji smanjuje veličinu datoteke i osigurava da više ljudi na ograničenim podatkovnim vezama može uživati ​​u vašem aplikacija


API-ji na uređaju i u oblaku

ML Kit nudi API-je na uređaju i Cloud API-je. API na uređaju obrađuje podatke bez mrežne veze (npr Android Oreo značajka odabira teksta) dok Cloud API-ji koriste Google Cloud Platform za obradu podataka radi veće točnosti.

ML Kit radi i na Androidu i na iOS-u, a posebno na Androidu radi s uređajima koji pokreću verzije Androida stare poput Ice Cream Sandwicha. Ako korisnik radi Android 8.1 Oreo i iznad, tada će ML Kit ponuditi bolje performanse zahvaljujući API-ju neuronskih mreža koji je već prisutan. Na uređajima s čipsetovima koji imaju specijalizirani hardver kao što je Qualcomm Snapdragon 845 (i njegov Hexagon DSP) ili HiSilicon Kirin 970 (i njegovu jedinicu za neuronsku obradu), obrada na uređaju bit će ubrzana. Google kaže da surađuju i s dobavljačima SoC-a na poboljšanju prepoznavanja na uređaju.


Zaključak

Programeri koji žele započeti trebali bi potražiti novi SDK u Firebase konzola. Povratne informacije možete ostaviti u Google grupa za Firebase.

Programeri s iskustvom u ML-u koji žele isprobati Googleov algoritam za komprimiranje TensorFlow modela mogu prijavite se ovdje. Na kraju, provjerite Firebase Remote Config ako želite eksperimentirati s više prilagođenih modela; omogućuje vam dinamičku promjenu vrijednosti modela, stvaranje segmenata populacije i eksperimentiranje s nekoliko modela paralelno.