Цікавитесь машинним навчанням, але не маєте багато досвіду? Новий ML Kit SDK від Google дозволяє легко інтегрувати машинне навчання у вашу програму для Android або iOS.
За останні роки машинне навчання та штучний інтелект швидко увійшли в наш лексикон, але мало хто по-справжньому розуміє, як ці технології працюють або на що вони здатні. Навіть власні дослідники ШІ Google жартують, що машинне навчання схоже на алхімію. Як зайнятий розробник, ви можете не мати часу вивчати машинне навчання (ML), але Google не хоче, щоб це завадило вам скористатися його перевагами. З цієї причини компанія сьогодні оголосила ML Kit: новий SDK, який об’єднує багаторічну роботу Google над машинним навчанням у пакет Firebase, який розробники мобільних додатків використовують як iOS, так і Android можуть використовувати для вдосконалення своїх програм.
Якщо ви нічого не знаю про машинне навчання, тоді не переживай: Вам не потрібні попередні знання ML. Ви, напевно, знайомі з деякими реальними застосуваннями цієї технології, як-от виявлення облич і розпізнавання зображень. Google ML Kit хоче, щоб ваша програма отримувала переваги від реального використання ML без необхідності розуміти, як працює алгоритм. І якщо ви розумієте ML або бажаєте вчитися, ви також можете скористатися перевагами ML Kit.
Машинне навчання для початківців з ML Kit
Новий Firebase SDK для ML від Google пропонує п’ять API для деяких із найпоширеніших випадків використання на мобільних пристроях:
- Розпізнавання тексту
- Розпізнавання обличчя
- Сканування штрих-коду
- Маркування зображення
- Розпізнавання орієнтирів
Все, що вам потрібно зробити, це передати дані в API, і SDK поверне відповідь. Це так просто. Деякі приклади використання ML включають музичні програми, які інтерпретують ноти, які ви граєте, і застосовують придушення відлуння/шуму до вашої музики. Іншим прикладом може бути оптичне розпізнавання символів (OCR) для етикеток харчових продуктів для додатків для підрахунку калорій.
У найближчі місяці список доступних базових API буде розширено, щоб включити API розумної відповіді Android P і доповнення контуру обличчя високої щільності до API розпізнавання обличчя.
ML Kit для досвідчених користувачів
Якщо у вас є певні попередні знання, ви також можете розгорнути власний набір TensorFlow Lite моделі. Все, що вам потрібно зробити, це завантажити свою модель на консоль Firebase, щоб вам не потрібно було турбуватися про об’єднання моделі у ваш APK (таким чином зменшуючи розмір файлу). ML Kit динамічно обслуговує вашу модель, щоб ви могли оновлювати свої моделі без повторної публікації додаток
Ще краще те, що Google автоматично стискатиме повні моделі TensorFlow у TensorFlow Lite модель, яка зменшує розмір файлу та гарантує, що більше людей з обмеженими з’єднаннями для передачі даних зможуть користуватися вашим додаток
API на пристрої та в хмарі
ML Kit пропонує як вбудовані, так і хмарні API. API на пристрої обробляє дані без підключення до мережі (наприклад Функція вибору тексту в Android Oreo), тоді як Cloud API використовує Google Cloud Platform для більш точної обробки даних.
ML Kit працює як на Android, так і на iOS, а на Android, зокрема, він працює з пристроями, на яких працюють такі старі версії Android, як Ice Cream Sandwich. Якщо користувач працює Android 8.1 Oreo і вище, тоді ML Kit запропонує кращу продуктивність завдяки вже наявному API нейронних мереж. На пристроях із чіпсетами, які мають спеціалізоване обладнання, наприклад Qualcomm Snapdragon 845 (і його Hexagon DSP) або HiSilicon Kirin 970 (і його блок нейронної обробки), обробка на пристрої буде прискорена. Google каже, що вони також працюють з постачальниками SoC, щоб покращити розпізнавання на пристрої.
Висновок
Розробники, які хочуть розпочати роботу, повинні шукати новий SDK у Консоль Firebase. Ви можете залишити відгук в Група Google для Firebase.
Розробники з досвідом ML, які хочуть спробувати алгоритм Google для стиснення моделей TensorFlow, можуть зареєструватися тут. Нарешті, перевірте Firebase Remote Config якщо ви хочете поекспериментувати з декількома нестандартними моделями; це дозволяє динамічно перемикати значення моделі, створювати сегменти населення та експериментувати з кількома моделями паралельно.