Vă interesează învățarea automată, dar nu aveți prea multă experiență? Noul SDK ML Kit de la Google face ca învățarea automată să fie ușor de încorporat în aplicația dvs. pentru Android sau iOS.
Învățarea automată și inteligența artificială au intrat rapid în lexicul nostru în ultimii ani, dar puțini înțeleg cu adevărat cum funcționează tehnologia sau de ce sunt capabili. Chiar și cercetătorii AI ai Google glumesc că învățarea automată este asemănătoare cu alchimia. În calitate de dezvoltator ocupat, este posibil să nu aveți timp să învățați despre învățarea automată (ML), dar Google nu vrea ca acest lucru să vă împiedice să profitați de beneficiile sale. Din acest motiv, compania a anunțat astăzi Kit ML: Un nou SDK care încorporează ani de muncă Google privind învățarea automată într-un pachet Firebase pe care dezvoltatorii de aplicații mobile îl folosesc atât iOS, cât și Android pot folosi pentru a-și îmbunătăți aplicațiile.
daca tu nu știu nimic despre învățarea automată, atunci nu te supăra:
Învățare automată pentru începători cu Kitul ML
Noul SDK Firebase pentru ML de la Google oferă cinci API-uri pentru unele dintre cele mai frecvente cazuri de utilizare pe mobil:
- Recunoașterea textului
- Detectare facială
- Scanarea codurilor de bare
- Etichetarea imaginilor
- Recunoaștere reper
Tot ce trebuie să faceți este să transmiteți date către API și SDK-ul returnează un răspuns. Este atat de simplu. Câteva exemple de utilizare ML includ aplicații muzicale care interpretează notele pe care le redați și aplică anularea ecoului/zgomotului muzicii dvs. Un alt exemplu ar putea fi recunoașterea optică a caracterelor (OCR) pentru etichetele nutriționale pentru aplicațiile de numărare a caloriilor.
Lista API-urilor de bază disponibile se va extinde în lunile următoare pentru a include un API de răspuns inteligent la fel Android P și o adăugare a conturului feței de înaltă densitate la API-ul de detectare a feței.
Kit ML pentru utilizatori experimentați
Dacă aveți puține cunoștințe anterioare, atunci vă puteți implementa și propria personalizare TensorFlow Lite modele. Tot ce trebuie să faceți este să vă încărcați modelul în consola Firebase, astfel încât să nu vă faceți griji cu privire la gruparea modelului în APK (reducând astfel dimensiunea fișierului.) ML Kit vă servește modelul în mod dinamic, astfel încât să vă puteți actualiza modelele fără a republica aplicația.
Și mai bine este că Google va comprima automat modelele TensorFlow complete într-un TensorFlow Lite model, care reduce dimensiunea fișierului și asigură mai multe persoane cu conexiuni limitate de date se pot bucura de dvs aplicația.
API-uri pe dispozitiv și cloud
ML Kit oferă atât API-uri pe dispozitiv, cât și Cloud. API-ul de pe dispozitiv procesează datele fără o conexiune la rețea (cum ar fi Funcția de selectare a textului Android Oreo), în timp ce API-urile Cloud folosesc Google Cloud Platform pentru a procesa datele pentru o mai mare acuratețe.
ML Kit funcționează atât pe Android, cât și pe iOS, iar pe Android, în special, funcționează cu dispozitive care rulează versiuni Android la fel de vechi precum Ice Cream Sandwich. Dacă utilizatorul rulează Android 8.1 Oreo și mai sus, atunci ML Kit va oferi performanțe mai bune datorită API-ului Neural Networks care este deja prezent. Pe dispozitivele cu chipset-uri care au hardware specializat, cum ar fi Qualcomm Snapdragon 845 (și DSP-ul său Hexagon) sau HiSilicon Kirin 970 (și unitatea sa de procesare neuronală), procesarea pe dispozitiv va fi accelerată. Google spune că lucrează cu furnizorii de SoC pentru a îmbunătăți și recunoașterea pe dispozitiv.
Concluzie
Dezvoltatorii care doresc să înceapă ar trebui să caute noul SDK în Consola Firebase. Puteți lăsa feedback în Grup Google pentru Firebase.
Dezvoltatorii cu experiență în ML care doresc să încerce algoritmul Google pentru comprimarea modelelor TensorFlow pot înscrie-te aici. În cele din urmă, verificați Firebase Remote Config dacă doriți să experimentați cu mai multe modele personalizate; vă permite să schimbați valorile modelului în mod dinamic, să creați segmente de populație și să experimentați cu mai multe modele în paralel.