გაინტერესებთ მანქანური სწავლება, მაგრამ არ გაქვთ დიდი გამოცდილება? Google-ის ახალი ML Kit SDK ხდის მანქანურ სწავლებას მარტივად თქვენს Android ან iOS აპში.
მანქანათმცოდნეობა და ხელოვნური ინტელექტი სწრაფად შემოვიდა ჩვენს ლექსიკონში ბოლო წლებში, მაგრამ ცოტამ თუ იცის, როგორ მუშაობს ტექნოლოგია ან რა შეუძლიათ მათ. თვით Google-ის AI მკვლევარებიც კი ხუმრობა, რომ მანქანათმცოდნეობა ალქიმიას ჰგავს. როგორც დატვირთულ დეველოპერს, შეიძლება არ გქონდეთ დრო მანქანური სწავლების შესახებ (ML) გაეცნოთ, მაგრამ Google-ს არ სურს, რომ ამან შეგაჩეროთ მისი სარგებლის მიღებაში. ამის შესახებ კომპანიამ დღეს განაცხადა ML ნაკრები: ახალი SDK, რომელიც აერთიანებს Google-ის წლების მუშაობას მანქანურ სწავლებაზე Firebase პაკეტში, რომელსაც მობილური აპლიკაციების დეველოპერები იყენებენ iOS და Android შეუძლიათ გამოიყენონ თავიანთი აპების გასაუმჯობესებლად.
Თუ შენ არაფერი ვიცი მანქანათმცოდნეობის შესახებმაშინ არ ინერვიულო: თქვენ არ გჭირდებათ წინასწარი ML ცოდნა. თქვენ ალბათ იცნობთ ტექნოლოგიის ზოგიერთ რეალურ აპლიკაციებს, როგორიცაა სახის ამოცნობა და გამოსახულების ამოცნობა. Google-ის ML Kit-ს სურს, რომ თქვენმა აპმა ისარგებლოს ML-ის რეალურ სამყაროში გამოყენებისგან ისე, რომ არ დაგჭირდეთ იმის გაგება, თუ როგორ მუშაობს ალგორითმი. და თუ გესმით ML ან გსურთ ისწავლოთ, თქვენც შეგიძლიათ ისარგებლოთ ML Kit-ით.
მანქანური სწავლება დამწყებთათვის ML Kit-ით
Google-ის ახალი Firebase SDK ML-ისთვის გთავაზობთ ხუთ API-ს მობილურისთვის ყველაზე გავრცელებული გამოყენების შემთხვევებისთვის:
- ტექსტის ამოცნობა
- Სახის ამოცნობა
- შტრიხკოდის სკანირება
- გამოსახულების მარკირება
- საეტაპო აღიარება
თქვენ მხოლოდ უნდა გადასცეთ მონაცემები API-ს და SDK აბრუნებს პასუხს. ეს ასე მარტივია. ML გამოყენების ზოგიერთი მაგალითი მოიცავს მუსიკალურ აპლიკაციებს, რომლებიც ინტერპრეტაციას უკეთებენ, თუ რა ნოტებს უკრავთ და ახორციელებენ ექოს/ხმაურის გაუქმებას თქვენს მუსიკაზე. კიდევ ერთი მაგალითი შეიძლება იყოს ოპტიკური სიმბოლოების ამოცნობა (OCR) კვების ეტიკეტებისთვის კალორიების დათვლის აპებისთვის.
ხელმისაწვდომი საბაზისო API-ების სია გაფართოვდება უახლოეს თვეებში და მოიცავს ჭკვიანი პასუხის API-ს, ისევე როგორც Android P და მაღალი სიმკვრივის სახის კონტურის დამატება სახის ამოცნობის API-სთვის.
ML ნაკრები გამოცდილი მომხმარებლებისთვის
თუ თქვენ გაქვთ ცოტა წინასწარი ცოდნა, მაშინ ასევე შეგიძლიათ განათავსოთ თქვენი საკუთარი ჩვეულება TensorFlow Lite მოდელები. ყველაფერი რაც თქვენ უნდა გააკეთოთ არის თქვენი მოდელის ატვირთვა Firebase-ის კონსოლში, რათა არ ინერვიულოთ მოდელის შეფუთვაზე. APK (ამგვარად ამცირებს ფაილის ზომას.) ML Kit ემსახურება თქვენს მოდელს დინამიურად, ასე რომ თქვენ შეგიძლიათ განაახლოთ თქვენი მოდელები თქვენი ხელახლა გამოქვეყნების გარეშე აპლიკაცია.
კიდევ უკეთესი ის არის, რომ Google ავტომატურად შეკუმშავს სრულ TensorFlow მოდელებს TensorFlow Lite-ში მოდელი, რომელიც ამცირებს ფაილის ზომას და უზრუნველყოფს, რომ შეზღუდული მონაცემთა კავშირებით უფრო მეტ ადამიანს შეუძლია ისარგებლოს თქვენით აპლიკაცია.
მოწყობილობაზე და Cloud API-ები
ML Kit გთავაზობთ როგორც მოწყობილობაზე, ასევე Cloud API-ებს. მოწყობილობაზე API ამუშავებს მონაცემებს ქსელური კავშირის გარეშე (როგორიცაა Android Oreo-ს ტექსტის შერჩევის ფუნქცია) ხოლო ღრუბლოვანი API-ები იყენებენ Google Cloud Platform-ს მონაცემების მეტი სიზუსტის დასამუშავებლად.
ML Kit მუშაობს როგორც Android-ზე, ასევე iOS-ზე და, კერძოდ, Android-ზე მუშაობს მოწყობილობებზე, რომლებსაც აქვთ Android ვერსიები, როგორც ძველი Ice Cream Sandwich. თუ მომხმარებელი მუშაობს Android 8.1 Oreo და ზემოთ, მაშინ ML Kit შესთავაზებს უკეთეს შესრულებას ნერვული ქსელების API-ის წყალობით, რომელიც უკვე არსებობს. მოწყობილობებზე ჩიპსეტებით, რომლებსაც აქვთ სპეციალიზებული აპარატურა, როგორიცაა Qualcomm Snapdragon 845 (და მისი ექვსკუთხა DSP) ან HiSilicon Kirin 970 (და მისი ნერვული დამუშავების განყოფილება), მოწყობილობაზე დამუშავება დაჩქარდება. Google ამბობს, რომ ისინი მუშაობენ SoC მომწოდებლებთან, რათა გააუმჯობესონ მოწყობილობის ამოცნობა.
დასკვნა
დეველოპერებმა, რომლებიც აპირებენ დაწყებას, უნდა მოძებნონ ახალი SDK-ში Firebase კონსოლი. თქვენ შეგიძლიათ დატოვოთ გამოხმაურება Google ჯგუფი Firebase-ისთვის.
ML-ში გამოცდილების მქონე დეველოპერებს, რომლებიც ცდილობენ სცადონ Google-ის ალგორითმი TensorFlow მოდელების შეკუმშვისთვის, შეუძლიათ დარეგისტრირდით აქ. და ბოლოს, შეამოწმეთ Firebase დისტანციური კონფიგურაცია თუ გსურთ ექსპერიმენტი რამდენიმე მორგებულ მოდელზე; ის საშუალებას გაძლევთ დინამიურად შეცვალოთ მოდელის მნიშვნელობები, შექმნათ პოპულაციის სეგმენტები და ექსპერიმენტი გააკეთოთ რამდენიმე მოდელის პარალელურად.