Érdekel a gépi tanulás, de nincs sok tapasztalatod? A Google új ML Kit SDK-ja megkönnyíti a gépi tanulás beépítését Android- vagy iOS-alkalmazásaiba.
A gépi tanulás és a mesterséges intelligencia gyorsan bekerült lexikonunkba az elmúlt években, de kevesen értik igazán, hogyan működik a technológia, vagy mire képesek. Még a Google saját AI-kutatói is vicc, hogy a gépi tanulás az alkímiával rokon. Elfoglalt fejlesztőként előfordulhat, hogy nincs ideje tanulni a gépi tanulásról (ML), de a Google nem akarja, hogy ez megakadályozza, hogy kihasználja előnyeit. Emiatt a társaság ma bejelentette ML Kit: Egy új SDK, amely a Google több éves gépi tanulási munkáját foglalja magában egy Firebase-csomagban, amelyet a mobilalkalmazás-fejlesztők használnak iOS és Android is segítségével javíthatják alkalmazásaikat.
Ha te nem tud semmit a gépi tanulásról, akkor ne aggódj: Nincs szükség előzetes ML-tudásra. Valószínűleg ismeri a technológia néhány valós alkalmazását, például az arcfelismerést és a képfelismerést. A Google ML készlete szeretné, ha alkalmazása profitálna az ML valós használatából anélkül, hogy meg kellene értenie az algoritmus működését. És ha érti az ML-t, vagy hajlandó tanulni, akkor Ön is kihasználhatja az ML Kit előnyeit.
Gépi tanulás kezdőknek az ML Kittel
A Google új Firebase SDK for ML öt API-t kínál a mobileszközök leggyakoribb felhasználási eseteire:
- Szövegfelismerés
- Arcfelismerés
- Vonalkód szkennelés
- Képcímkézés
- Mérföldkő felismerése
Mindössze annyit kell tennie, hogy adatokat továbbít az API-nak, és az SDK választ ad vissza. Ez ennyire egyszerű. Néhány példa az ML használatára: olyan zenei alkalmazások, amelyek értelmezik a lejátszott hangokat, és visszhang-/zajszűrést alkalmaznak a zenére. Egy másik példa lehet az optikai karakterfelismerés (OCR) a kalóriaszámláló alkalmazások tápértékcímkéihez.
Az elérhető alap API-k listája az elkövetkező hónapokban bővülni fog, és egy intelligens válasz API-t is tartalmazni fog Android P és egy nagy sűrűségű arckontúr kiegészítés az arcfelismerő API-hoz.
ML Kit tapasztalt felhasználóknak
Ha van egy kis előzetes háttértudása, akkor saját szokásait is telepítheti TensorFlow Lite modellek. Mindössze annyit kell tennie, hogy feltölti a modellt a Firebase konzolra, így nem kell aggódnia, hogy a modellt össze kell kötnie Az APK (ezzel csökkenti a fájlméretet.) Az ML Kit dinamikusan szolgálja ki a modellt, így frissítheti modelljeit anélkül, hogy újból közzétenné. kb.
Még jobb, hogy a Google a teljes TensorFlow modelleket automatikusan TensorFlow Lite-ba tömöríti modell, amely csökkenti a fájlméretet, és biztosítja, hogy több korlátozott adatkapcsolaton lévő ember élvezhesse a kb.
Eszközön lévő és felhő API-k
Az ML Kit eszközön belüli és felhő API-kat is kínál. Az eszközön lévő API hálózati kapcsolat nélkül dolgozza fel az adatokat (pl Az Android Oreo szövegválasztó funkciója), míg a Cloud API-k a Google Cloud Platformot használják az adatok feldolgozására a nagyobb pontosság érdekében.
Az ML Kit Androidon és iOS-en is működik, és különösen Androidon az Ice Cream Sandwich-hez hasonló régi Android-verziókat futtató eszközökkel. Ha a felhasználó fut Android 8.1 Oreo és a felett, akkor az ML Kit jobb teljesítményt kínál a már meglévő Neural Networks API-nak köszönhetően. Olyan lapkakészlettel rendelkező eszközökön, amelyek speciális hardverrel rendelkeznek, mint pl Qualcomm Snapdragon 845 (és a Hexagon DSP) vagy a HiSilicon Kirin 970 (és annak neurális feldolgozó egysége), az eszközön történő feldolgozás felgyorsul. A Google azt állítja, hogy együttműködnek az SoC-szállítókkal az eszközön történő felismerés javításán is.
Következtetés
Azoknak a fejlesztőknek, akik szeretnének kezdeni, keresniük kell az új SDK-t a Firebase konzol. Visszajelzést hagyhat a Google-csoport a Firebase-hez.
Az ML-ben tapasztalattal rendelkező fejlesztők, akik szeretnék kipróbálni a Google algoritmusát a TensorFlow modellek tömörítésére, regisztrálj itt. Végül nézze meg a Firebase Remote Config ha több egyedi modellel szeretne kísérletezni; lehetővé teszi a modellértékek dinamikus váltását, populációs szegmensek létrehozását és párhuzamosan több modellel való kísérletezést.