Código Google

Escreva uma vez e execute testes no Android em qualquer lugar

14/11/2018

No Google I/O deste ano, lançamos o AndroidX Test, que é parte do Jetpack. Hoje, estamos felizes em anunciar o lançamento da versão v1.0.0 Final com a versão 4.0 do Robolectric. Como parte da versão 1.0.0, todo o AndroidX Test agora é de código aberto.O AndroidX Test fornece APIs de teste comuns em todos os ambientes de teste, incluindo testes do Robolectric e de instrumentação. Ele inclui o suporte existente do Android JUnit 4, a biblioteca de interação da visualização do Espresso e várias novas e importantes APIs de teste. Essas APIs estão disponíveis para testes de instrumentação em dispositivos reais e virtuais. A partir do Robolectric 4.0, elas também estão disponíveis para testes locais da JVM.Considere o seguinte caso de uso em que iniciamos a tela de login, inserimos um nome de usuário e uma senha válidos e somos direcionados para a tela inicial.@RunWith(AndroidJUnit4::class)
class LoginActivityTest { @Test fun successfulLogin() {
// GIVEN
val scenario =
ActivityScenario.launch(LoginActivity::class.java) // WHEN
onView(withId(R.id.user_name)).perform(typeText(“test_user”))
onView(withId(R.id.password))
.perform(typeText(“correct_password”))
onView(withId(R.id.button)).perform(click()) // THEN
assertThat(getIntents().first())
.hasComponentClass(HomeActivity::class.java)
}
}Vamos analisar o teste:

Usamos a nova API ActivityScenario para iniciar o LoginActivity. Isso cria a atividade e a transfere para o estado retomado, onde fica visível para o usuário e pronto para entrada. O ActivityScenario cuida de toda a sincronização com o sistema e fornece suporte para cenários comuns que devem ser testados, como a forma que seu aplicativo lida com a destruição e a recriação feitas pelo sistema.

Usamos a biblioteca de interação da visualização do Espresso para inserir texto em dois campos e clicar em um botão na IU. Assim como o ActivityScenario, o Espresso lida com a sincronização e vários encadeamentos para você, além de fornecer uma API fluente e legível para testes.

Usamos a nova API do Espresso, a Intents.getIntents(), que retorna uma lista de intents capturados. Em seguida, verificamos os intents capturados usando IntentSubject.assertThat(), que é uma das novas extensões do Android Truth. A extensão do Android Truth oferece uma API expressiva e legível para validar os estados dos objetos fundamentais da estrutura do Android.

Esse teste pode ser executado em uma JVM local usando o Robolectric ou em qualquer dispositivo físico ou virtual.Para executá-lo em um dispositivo Android, direcione o teste para a raiz de origem "androidTest" com as seguintes dependências:androidTestImplementation(“androidx.test:runner:1.1.0”)
androidTestImplementation(“androidx.test.ext:junit:1.0.0”)
androidTestImplementation(“androidx.test.espresso:espresso-intents:3.1.0”)
androidTestImplementation(“androidx.test.espresso:espresso-core:3.1.0”)
androidTestImplementation(“androidx.test.ext:truth:1.0.0”)A execução em um dispositivo físico ou virtual garante que seu código interaja com o sistema Android corretamente. No entanto, à medida que o número de casos de teste aumenta, você começa a sacrificar o tempo de execução do teste. É possível fazer apenas alguns testes maiores em um dispositivo real e, ao mesmo tempo, executar um grande número de testes unitários menores em um simulador, como o Robolectric, que pode executar testes mais rapidamente em uma JVM local.Para executar os testes em uma JVM local usando o simulador do Robolectric, direcione o teste para a raiz de origem "teste" adicionando as seguintes linhas ao seu gradle.build:testImplementation(“androidx.test:runner:1.1.0”)
testImplementation(“androidx.test.ext:junit:1.0.0”)
testImplementation(“androidx.test.espresso:espresso-intents:3.1.0”)
testImplementation(“androidx.test.espresso:espresso-core:3.1.0”)
testImplementation(“androidx.test.ext:truth:1.0.0”)
testImplementation (“org.robolectric:robolectric:4.0”)android {
testOptions.unitTests.includeAndroidResources = true
}A unificação do teste de APIs entre simuladores e instrumentação traz muitas possibilidades interessantes. O Project Nitrogen, também anunciado no Google I/O, permitirá deslocar testes entre os ambientes de tempo de execução com facilidade. Isso significa que você poderá realizar testes escritos com base nas novas APIs do AndroidX Test e executá-los em uma JVM local, em um dispositivo real ou virtual, ou até mesmo em uma plataforma de testes baseada na nuvem como o Firebase Test Lab. Estamos muito animados com as oportunidades que isso proporcionará aos desenvolvedores, que poderão receber feedback rápido, preciso e acionável sobre a qualidade dos aplicativos.Por fim, estamos felizes em anunciar que todos os componentes do AndroidX têm o código totalmente aberto. Estamos ansiosos para receber suas contribuições!Leia maisDocumentação: https://developer.android.com/testingNotas da versão:

AndroidX Test: https://developer.android.com/training/testing/release-notes

Robolectric: https://github.com/robolectric/robolectric/releases/

Robolectric: https://github.com/robolectric/robolectricAndroidX Test: https://github.com/android/android-test

Introdução à Google Cloud Healthcare API: Parte 1

13/11/2018

Se há algo que não falta no campo da saúde e das ciências biológicas são dados. No entanto, esse campo poderia se beneficiar mais de análises fáceis de usar e econômicas, que façam sentido e possam ser usadas.

A equipe de saúde e ciências biológicas do Google Cloud recentemente apresentou um conjunto de interfaces de programação de aplicativo (APIs) e armazenamentos de dados que pode ser usado para viabilizar a análise de dados de saúde, aplicativos de aprendizado de máquina e integração dos sistemas de saúde em nível de dados, bem como a recuperação e o armazenamento seguros de vários tipos de dados eletrônicos relacionados a essa área. Hoje, iniciamos uma série de postagens do blog para demonstrar a Cloud Healthcare API. Neste primeiro artigo da série, apresentaremos uma breve visão geral da Cloud Healthcare API e os casos de uso revolucionários que ela permite. Além disso, as próximas edições fornecerão mais orientações sobre como implementar a API com segurança e apresentarão detalhes sobre como preencher lacunas entre os sistemas de saúde, os aplicativos da nuvem e os canais paciente/prestador.

O que é a Cloud Healthcare API?

A Cloud Healthcare API oferece uma solução gerenciada para armazenar e acessar dados de saúde no Google Cloud Platform (GCP), propiciando um elo fundamental entre os sistemas de saúde existentes e os aplicativos hospedados no Google Cloud. Com a API, é possível desbloquear novos recursos de análise de dados, aprendizado de máquina e desenvolvimento de aplicativos, bem como usar esses recursos para criar a próxima geração de soluções na área da saúde.

A API inclui três interfaces específicas a modalidades para implementar os principais padrões do setor para dados de saúde:

FHIR, um padrão emergente para a troca de dados de saúde
HL7v2, o método mais usado na integração de sistemas de saúde
DICOM, o padrão dominante em radiologia e áreas relacionadas a exames de imagem

Cada interface é apoiada por um armazenamento de dados em conformidade com os padrões que oferece operações de leitura, gravação, pesquisa e outras funcionalidades com os dados. Além disso, esses armazenamentos de dados oferecem uma interface com o produto Publish-Subscribe (Cloud Pub/Sub) de alta capacidade do Google Cloud para oferecer um ponto e integração simples e seguro para os aplicativos. A integração Cloud Pub/Sub também pode ser usada para invocar transformações de dados no Cloud Dataflow, executar aplicativos sem servidor com o Cloud Functions, fazer streaming de dados para o conhecido mecanismo de análise BigQuery ou gerar previsões de resultado clínico pelo envio de dados para a plataforma de aprendizado de máquina Cloud ML Engine.

A Cloud Healthcare API oferece uma série de recursos importantes que são essenciais para associar tecnologias atuais com a próxima geração de aplicativos e sistemas de saúde:

Conformidade com padrões: o Google oferece suporte ao uso de interoperabilidade baseada em padrões, participando de vários órgãos de normalização da área da saúde. Na Cloud Healthcare API, cada armazenamento de dados específico à modalidade e a API associada substancialmente atendem aos padrões relevantes. Por exemplo, os armazenamentos de FHIR implementam a STU3, a versão atual da especificação FHIR. Os armazenamentos DICOM implementam o DICOMweb, um padrão baseado na Web para a troca de imagens médicas. Nas atualizações futuras, esperamos oferecer suporte a versões adicionais dessas especificações. Também esperamos oferecer a capacidade de solicitar um recurso em uma versão diferente da representação canônica.
Conformidade com normas de privacidade: o GCP apresenta orientações detalhadas sobre o suporte à conformidade com HIPAA nos EUA, PIPEDA no Canadá e outros padrões internacionais de privacidade em cloud.google.com/security/compliance.
Controle do local de dados: a Cloud Healthcare API trata os locais dos dados como um elemento fundamental da API. Há a opção de selecionar o local de armazenamento de cada conjunto de dados em uma lista de locais atualmente disponíveis que correspondem a áreas geográficas distintas alinhadas à estrutura regional do GCP. As regiões futuras do GCP permitirão distribuir o armazenamento para mais áreas geográficas.
Segurança: o modelo de segurança da Cloud Healthcare API tem como base o consolidado sistema de Gerenciamento de identidade e acesso (IAM) do Google. As permissões refinadas do IAM oferecem controle total sobre o acesso aos dados de saúde. Além disso, criamos proxies de código aberto para o sistema eficaz de gerenciamento de APIs da Apigee, que oferece recursos abrangentes de detecção de ameaças e gerenciamento de tráfego para permitir a exposição segura de ePHI confidenciais com aplicativos de paciente e prestador.
Importação e exportação em massa: as modalidades DICOM e FHIR da Cloud Healthcare API oferecem suporte a importação e exportação em massa de dados, facilitando ainda mais a transferência deles pelo sistema Cloud Storage.
Desvinculação de identidade: há suporte para o processo de remoção de identificação pessoal (de-identification) em DICOM, o que simplifica a edição das informações dos pacientes em estudos de pesquisa e para outras finalidades. Esse processo funciona no armazenamento de dados.
Possibilidade de auditoria: é possível fazer auditoria das solicitações de acesso administrativo e a dados na Cloud Healthcare API. Os registros estão disponíveis no sistema de monitoramento híbrido Stackdriver do Google Cloud.
Alta disponibilidade: disponibilidade para cenários críticos são possibilitados pela infraestrutura robusta e altamente redundante do Google Cloud.

Para muitos aplicativos, a Cloud Healthcare API pode oferecer uma alternativa moderna às pilhas legadas que implementam os padrões DICOM, HL7v2 ou FHIR STU3, simplificando a integração de dados com sistemas existentes e permitindo que os desenvolvedores de aplicativos se concentrem nos próprios recursos diferenciados, como UX e inteligência.

Casos de uso

A Cloud Healthcare API viabiliza uma ampla variedade de recursos, desde casos de uso administrativos e clínicos até de pesquisa. Abaixo são descritos alguns exemplos comuns de cada modalidade.

Integração dos sistemas de Prontuário Eletrônico do Paciente (PEP)

A Cloud Healthcare HL7v2 API permite a integração com os sistemas atuais de prontuário eletrônico do paciente ou com mecanismos de integração, como NextGen Connect, Cloverleaf e outros. Ela também inclui um adaptador de código aberto para o protocolo mínimo de camada inferior (MLLP, na sigla em inglês) HL7, que pode ser hospedado em um sistema PEP ou mecanismo de integração para proporcionar maior segurança. Esse adaptador se comunica com a Cloud Healthcare HL7v2 API por HTTPS, encapsulando a mensagem HL7v2 em uma chamada de API. Os arquitetos de integração também podem optar por chamar a API diretamente, se quiserem.

Os dados recebidos pela HL7v2 API são armazenados no GCP e podem ser acessados somente por aplicativos autorizados. Quando dados novos ou atualizados são recebidos, as notificações podem ser enviadas a aplicativos pelo Cloud Pub/Sub. Isso permite a fácil integração com uma pilha completa de análise de mensagem HL7v2, personalizada de acordo com tipos e conteúdo específicos de mensagem.

Conversão de HL7v2 em FHIR

Os dados HL7v2 recebidos pela Cloud Healthcare API (ou importados em lote no Google Cloud Storage) podem ser disponibilizados imediatamente para a lógica específica a clientes que aproveita os serviços do GCP, como o Cloud Dataflow, para transformar as mensagens em um formato FHIR padronizado. Além de converter o formato básico em FHIR, essa conversão também pode incluir conversões do sistema de codificação, extração e classificação de conteúdo importante nas anotações clínicas, bem como outros processos. Dados recentemente convertidos podem ser armazenados e disponibilizados para aplicativos pela Cloud Healthcare FHIR API, encaminhados para o BigQuery para análises mais detalhadas ou processados pelos modelos da TensorFlow pelo Cloud ML Engine.

Análise e relatórios avançados para as áreas administrativa, clínica e de pesquisa

Assim que os dados forem convertidos em um formato padrão, como o FHIR ou o modelo de dados comuns OMOP, eles podem ser usados no BigQuery para produzir insights sobre questões administrativas, clínicas e de pesquisa. Por exemplo, é fácil fazer análises e gerar relatórios em grande escala das estatísticas de reinternação em hospitais por unidade, doença, médico ou outras dimensões com o suporte de SQL do BigQuery. Além disso, o BigQuery oferece suporte a uma série de ferramentas conhecidas de geração de relatórios e visualização para ajudar a obter insights personalizados sobre os dados.

Aprendizado de máquina

A capacidade de aplicar aprendizado de máquina aos dados de pacientes para identificar rapidamente possíveis diagnósticos é um desenvolvimento inovador. Por exemplo, as imagens de radiologia e de luz natural DICOM armazenadas nos conjuntos de dados da Cloud Healthcare API podem ser usadas para treinar modelos avançados de aprendizado de máquina da TensorFlow. Esses modelos treinados, por sua vez, podem ser executados no Google Cloud ML para analisar grandes volumes de dados ingeridos pelas instâncias de produção da Cloud Healthcare API. As previsões geradas por esses modelos de aprendizado de máquina podem ser armazenadas diretamente nas próprias imagens DICOM, permitindo que radiologistas aproveitem essa análise no contexto dos fluxos de trabalho existentes. Essas análises de alto volume ajudam médicos a realizar uma verificação avançada e consistente para confirmar a presença de doenças comuns. As anomalias detectadas podem ser validadas por médicos especialistas, e o tratamento pode ser iniciado rapidamente se problemas forem identificados.

Da mesma forma, o uso do aprendizado de máquina para aproveitar grandes volumes de dados para prever resultados clínicos está ajudando médicos a identificar populações que estão em risco de resultados adversos. Assim, é possível intervir cedo o suficiente para influenciar o resultado. Isso representa um potencial significativo de redução nas reinternações hospitalares, por exemplo, ou de identificação dos padrões de tratamento que precisam ser reavaliados.

Extração de dados de imagens radiológicas

Estudos radiológicos no formato de imagem DICOM podem ser armazenados na Cloud Healthcare DICOM API, onde podem ser recuperados e pesquisados pelos aplicativos. Os metadados do estudo DICOM podem ser extraídos, combinados com outros dados clínicos e disponibilizados no BigQuery, acrescentando uma nova dimensão à análise clínica.

Desvinculação de identidade

A desvinculação (edição ou transformação) de identidade dos elementos de dados confidenciais costuma ser uma etapa importante no pré-processamento de dados de saúde. Esse processo é necessário para disponibilizar os dados para análise, modelos de aprendizado de máquina e outros casos de uso. A Cloud Healthcare API oferece recursos de desvinculação de identidade dos dados armazenados no serviço, facilitando a análise de pesquisadores ou do aprendizado de máquina para verificações avançadas de anomalias.

E agora?

Na próxima edição da série, compartilharemos muito mais detalhes sobre os conceitos da Cloud Healthcare API e explicaremos como fazer uma implementação básica. Acompanhe este espaço para saber mais informações sobre como usar a Cloud Healthcare API, aproveitar ainda mais os dados de saúde e oferecer novos aplicativos de saúde inovadores.

Novidades diretas do #AndroidDevSummit!

13/11/2018

Publicado por Stephanie Cuthbertson, diretora de gerenciamento de produtosAndroid Dev Summit Android pronto para novas experiênciasFoldables

Kotlin: atualizações da linguagem que mais cresceKotlinlançou a última versão do Kotlin, a 1.3

As classes em linha permitem que você crie um tipo que não é alocado a menos que seja restrito. Para os dispositivos limitados para os quais os aplicativos Android são destinados, a capacidade de evitar a alocação e manter a segurança de tipos ao mesmo tempo é uma grande vantagem

Os números sem assinatura agora fazem parte da biblioteca padrão do Kotlin, incluindo UInt, UByte e ULong. Esses novos tipos são criados usando classes em linha.

Os códigos Multiplatform anteriormente escritos para Android ou JVM agora também podem ser destinados ao JavaScript ou a nativos. Isso permite reutilizar partes da sua base de código em ainda mais plataformas.

O suporte ao Coroutines agora está estável. Os suportes à linguagem e à biblioteca foram combinados para simplificar a maneira que você interage com operações assíncronas e executa trabalhos simultâneos, tarefas essenciais para todo aplicativo Android.

Android Jetpack: Navigation, Work Manager e SlicesJetpackAndroidXaquiNavigationWork Manager

Navigation Editor Android Studio: foco em produtividade, velocidade de compilação, qualidade e conceitos básicosAndroid StudioO Android Studio 3.3 lança a versão Beta 3 hoje. qualidade e conceitos básicosaqui Android App Bundles e recursos dinâmicosAndroid App Bundle O Android Studio 3.2 trouxebibliotecas nativas descompactadasmódulos de recursos dinâmicos API de atualizações no aplicativoAPI de atualizações no aplicativo

Descoberta instantâneaaplicativos instantâneos

assistindo às mais de 30 sessões na transmissão ao vivo

Como a 20th Century Fox usa o aprendizado de máquina para prever o público de um filme

12/11/2018

Para ter sucesso na indústria cinematográfica, os estúdios precisam atrair público para seus filmes. Mas, isso não é tão fácil quanto parece. Os fãs de cinema se dividem em grupos diversificados, cada um com interesses e preferências diferentes. Historicamente, os estúdios de cinema dependiam muito da experiência para decidir investir em um script específico. Mas isso traz riscos muito altos, principalmente ao investir em histórias novas e originais. Julie Rieger, presidente e diretora de estratégia de dados e líder de mídia da Data Science e Miguel Campo-Rembado, vice-presidente sênior da Data Science, junto com a equipe de cientistas de dados da 20th Century Fox decidiram usar dados para esclarecer o processo iterativo e complexo de unir histórias e públicos.

Um desafio de dados à altura do aprendizado de máquina

Entender a segmentação de mercado do público que frequenta o cinema é a principal função dos estúdios de cinema. Ao longo dos anos, os estúdios investiram em processos de dados de alto nível para tentar mapear os segmentos de clientes e fazer previsões de futuros filmes. No entanto, as previsões granulares no nível do segmento, sem contar no nível do cliente, permaneceram evasivas até o momento devido a barreiras tecnológicas e institucionais.

Miguel e sua equipe conseguiram derrubar algumas dessas barreiras trabalhando com parceiros como o Google Cloud. Juntos, criamos parcerias de dados de privacidade robustos para entender melhor os fãs de cinema. Além disso, desenvolvemos modelos internos de aprendizado profundo que treinam com os dados granulares de clientes e roteiros de filmes para identificar os padrões básicos nas preferências dos públicos de diferentes gêneros cinematográficos. Em um período de 18 meses, esses modelos se tornaram parte dos critérios padrão para tomar decisões de negócios importantes. Eles também fornecem um dos indicadores mais objetivos e eficazes com base em dados para avaliar o tom de um filme, sua afinidade com públicos primários e secundários, além do seu provável desempenho financeiro.

Abordaremos esses métodos em mais detalhes. Quando o assunto é cinema, analisar o texto de um roteiro não é o suficiente, pois ele só fornece o esqueleto da história, sem o dinamismo adicional que pode atrair o público a um filme. A equipe se perguntava se havia algum meio de usar a visão computacional moderna e avançada para estudar os trailers de filmes, que ainda são o principal elemento de toda a campanha de marketing de um filme. O lançamento do trailer de um filme novo é um evento altamente antecipado e pode ajudar a prever seu sucesso. Assim, é importante que as empresas garantam que o trailer passe a mensagem certa para os espectadores. Para atingir esse objetivo, a equipe de ciência de dados da 20th Century Fox se uniu ao Advanced Solutions Lab do Google para criar o Merlin Video, uma ferramenta de visão computacional que aprende representações densas de trailers para ajudar a prever o público que assistirá ao filme de um trailer específico.

Desenvolvimento de um canal de dados

Na primeira etapa, a equipe identificou a tecnologia que deveria alimentar essa ferramenta. A escolha óbvia foi a Cloud Machine Learning Engine (Cloud ML Engine) junto com a estrutura de aprendizado profundo do TensorFlow. Como é um serviço gerenciado, a Cloud ML Engine automatiza o provisionamento e o monitoramento de todos os recursos. Assim, a equipe pôde se concentrar na criação do modelo de aprendizado profundo do Merlin em vez de configurar a infraestrutura. A integração ao Cloud Dataflow também permite gerar relatórios com facilidade no Data Studio, o que proporcionou à equipe um entendimento mais profundo do funcionamento do processo. A manutenção diária do sistema (principalmente a ingestão de dados) é simples e fácil e pode ser totalmente realizada por cientistas de dados, sem a necessidade da intervenção de engenheiros de outras unidades da empresa.

Architecture flow diagram for Merlin.jpg — Diagrama do fluxo de arquitetura do Merlin

Com a infraestrutura certa implementada, a equipe começou a análise do YouTube 8M, um conjunto de dados públicos de vídeos do YouTube. Esse conjunto de dados inclui um modelo pré-treinado do Google que consegue analisar características específicas do vídeo, como cor, iluminação, muitos formatos de rosto, milhares de objetos e inúmeras paisagens. A primeira etapa na arquitetura do Merlin, demonstrada na figura acima, é analisar essas características predefinidas como um indicador para determinar os elementos do trailer que são mais preditivos das preferências dos espectadores.

Por exemplo, se alguém assistiu a mais filmes com protagonistas masculinos, será que é mais provável que essa pessoa assista a outro filme com protagonista masculino? Vamos analisar de perto Logan, um filme de ação lançado pela 20th Century Fox estrelando Hugh Jackman como Wolverine. Veja abaixo um instantâneo dos 12 segundos do trailer oficial.

Logan official trailer, second 12.png — Trailer oficial de Logan, segundo 12

Para esse instantâneo, Merlin retornou as seguintes etiquetas: pelo_facial, barba, captura de tela, queixo, humano, filme. Após analisar o trailer completo, segundo por segundo, Merlin revela as principais etiquetas para Logan:

Fox’s tool.png — Captura de tela da ferramenta da Fox, Merlin: etiquetas marcadas, organizadas por frequência descendente

Assim que a análise de etiquetas de Logan foi atribuída, a equipe da 20th Century Fox queria comparar essa nova análise às etiquetas previamente geradas a partir de outros trailers para identificar filmes similares. Ao que tudo indica, há certa correspondência entre os públicos de Logan e outros filmes de ação, mas há dois desafios aqui. O primeiro é a posição temporal das etiquetas no trailer, ou seja, é importante quando as etiquetas ocorrem no trailer. O segundo desafio é a alta dimensionalidade desses dados. No caso de qualquer filme, há inúmeros elementos no trailer que podem prever o interesse de um público, e Merlin almeja analisar todos esses elementos simultaneamente. A elasticidade do Cloud ML Engine permitiu que a equipe de ciência de dados repetisse e testasse os dados rapidamente, sem comprometer a integridade do modelo de aprendizado profundo. Isso ajudou o Merlin a se tornar uma ferramenta pronta para produção em questão de dias, em vez de meses ou anos.

Mais especificamente, o canal de análise usa esses componentes individuais (etiquetas) para alimentar uma rede neural personalizada que foi desenvolvida pela equipe de ciência de dados. Esse modelo personalizado aprende a sequência temporal das etiquetas no trailer. A sequência temporal (por exemplo, uma gravação longa de um objeto em comparação a gravações curtas e intermitentes) pode mostrar informações sobre o tipo de filme, o enredo, os papeis dos personagens principais e as escolhas cinematográficas dos cineastas. Quando combinada aos dados históricos de clientes, a análise sequencial pode ser usada para criar previsões do comportamento do público. O canal também incluiu um modelo baseado na distância de “filtragem colaborativa” (FC) e uma camada de regressão logística que combina todos os resultados do modelo para produzir uma probabilidade de bilheteria do filme. Esse modelo é treinado de ponta a ponta, e a perda da regressão logística é retropropagada a todos os componentes que podem ser treinados (pesos). O canal de dados do Merlin é atualizado semanalmente para incluir novos lançamentos de trailers. A estrutura do canal é mostrada no diagrama abaixo:

Na etapa final, a equipe usou o BigQuery e o BigQueryML para combinar milhões de previsões de bilheteria do Merlin com outras fontes de dados a fim de criar relatórios úteis e rapidamente desenvolver planos de mídia para campanhas de marketing.

Validação do modelo

Vamos usar o exemplo de Logan de novo para conferir se os dados corroboram nossa intuição de que os espectadores que já viram um filme de ação com um protagonista masculino “bruto” provavelmente assistirão Logan também. Após o lançamento de um filme, conseguimos processar os dados sobre os filmes que já foram vistos por esse público. A tabela abaixo mostra os principais 20 públicos reais (Comp ACT) em comparação aos principais 20 públicos previstos (Comp PRED) Vamos focar os cinco principais filmes reais (mostrados abaixo em verde) e ver se eles também aparecem na coluna de previsão. Dos cinco principais filmes, todos eles foram representados pelas previsões.

Results output.png — Resultados produzidos pelo Merlin Video com públicos reais x previstos.

De modo geral, nossa intuição estava certa. Os principais públicos de Logan eram realmente uma combinação de super-herói (que já sabíamos) e “protagonista masculino bruto” (que não tínhamos certeza). Isso é mais evidente quando vemos que as principais previsões de “protagonista masculino bruto”, como Sete Homens e um Destino (acima em azul), John Wick (acima em verde) e O Exterminador do Futuro: Gênesis (acima em azul) também estavam presentes na lista dos 20 principais públicos reais. O resultado é inteiramente positivo porque o novo público “complementa” o público principal de super-heróis e pode ser usado para estender o alcance do filme para além do público principal.

O impacto dessas ferramentas nas equipes de dados e marketing da 20th Century Fox é significativo. Em vez de depender exclusivamente de resultados de pesquisa de público de alto nível, a equipe agora pode implantar instrumentos mais precisos para determinar a intenção do cliente. Os insights são pelo menos duas vezes mais detalhados do que os conjuntos de análises anteriores que o estúdio usava. A 20th Century Fox usa essa ferramenta desde o lançamento de O Rei do Show em 2017 e continua a usá-la para informar seus lançamentos mais recentes. Agora eles também incorporam dados de compra e locação de fontes de entretenimento pessoal para identificar correlações mais eficazes entre um integrante do público e os filmes que ele assistiu.

Por fim, como os dados são mais granulares, a equipe pode analisar o desempenho real de bilheteria em comparação às previsões internas e ver quais previsões no nível de segmento foram confirmadas. A equipe de ciência de dados de Miguel agora cria quadros de resultados toda segunda-feira de manhã, que depois são enviados por e-mail para toda a organização.

Se você quiser saber mais sobre a pesquisa por trás do Merlin, consulte o artigo da pesquisa original aqui.

Logan | Trailer oficial [HD] | 20th Century FOX

Chrome 71 Beta: formatos relativos de data/hora e mais

09/11/2018

ChromeStatus.com Formato relativo internacional de data/horaIntl.RelativeTimeFormat()const rtf = new Intl.RelativeTimeFormat('en'); rtf.format(3.14, 'second'); // → 'in 3.14 seconds' rtf.format(-15, 'minute'); // → '15 minutes ago'formatToParts()Leia nosso artigo Outros recursos desta versão Adicionar FullscreenOptionsElement.requestFullscreen()personalizado no AndroidnavigationUI"auto""show""hide""auto" Adicionar a propriedade “persistent-storage” à Permission API"persistent-storage"uma nova permissãonavigator.storage.persisted()navigator.permissions.query({name:"persistent-storage"}) Eventos de zoom com gesto de pinça no touchpad Asynceventos de zoom com gesto de pinça no touchpad Async Suporte à fonte COLR/CPALO Chrome agora é compatível com asfontes COLR/CPALTwemoji Cor de gradiente CSS interrompe sintaxe de posição duplaCSS Image Values and Replaced Content Module Level 4linear-gradient(45deg, black 25%, black 50%, white 50%, white 75%)linear-gradient(45deg, black 25% 50%, white 50% 75%) Implemente os valores “left” e “right” para “text-underline-position” suporte para os valores 'left' e 'right' 'text-underline-position''text-underline-position' Módulos de JavaScript: Modo de credenciais padronizadas como “same-origin”está mudando"omit""same-origin" APIs TextEncoderStream e TextDecoderStreamcompatível com streamsresponse.body.text()ReadableStreamResponse.BodyResponse.Body.pipeThrough(new TextDecoderStream()) Fullscreen API não prefixadaEssa atualização MediaElement e MediaStream definidos somente para AudioContextAgora, o Chrome só permite aMediaElementAudioSourceNodeMediaStreamAudioSourceNodeMediaStreamAudioDestinationNodeAudioContextOfflineAudioContextOfflineAudioContext Melhorias de interoperabilidade Melhorar a especificidade de :host, :host-context e ::slottedChrome agora calcula:host():host-context()::slotted()especificação Shadow DOM v1 Suspensões de uso e remoções SpeechSynthesis.speak removido sem ativação de usuáriospeechSynthesis.speak()agora emite um erro importScripts() removido de novos scripts após a instalação do service workerimportScripts()Após a mudançausar importScripts() em dois casos

Antes de a instalação terminar (a partir da execução inicial do service worker até atingir o estado `installed`).

Após a instalação terminar, somente para scripts que já foram importados na fase anterior.

Versões prefixadas removidas de várias APIs

WebKitAnimationEvent: use AnimationEvent.

WebKitTransitionEvent: use TransitionEvent.

URL.createObjectURL removido de MediaStreamURL.createObjectURL()foi removidoMediaStreamsrcObject document.origin removido document.originfoi removidaself.origin

Treinamento gratuito para desenvolvedores Android - Saiba mais sobre como ter sucesso no Google Play

08/11/2018

Dan Lavelle, Chefe de Operações de Aprendizagem do Google Play Ter uma ótima ideia para um aplicativo ou jogo é apenas o começo. No Google Play, nosso objetivo é oferecer as ferramentas e habilidades para você criar negócios bem-sucedidos de aplicativos para dispositivos móveis e jogos. Treinamento ainda é um dos recursos mais solicitados pelos desenvolvedores Android, e nós ouvimos seus comentários. É por isso que estamos lançando uma nova plataforma de e-learning gratuita para que você possa atingir todo o potencial de seus negócios no Google Play. Apresentamos a Academy for App Success do Google Play Se sua intenção é expandir seu público-alvo, entender as métricas de desempenho ou aumentar sua receita, a Play Academy está aqui para ajudar você a entender as práticas recomendadas e os recursos do Play Console e ser bem-sucedido no Google Play. Criamos a Play Academy pensando em como incluí-la em sua agenda ocupada. Assista aos cursos no seu computador em casa ou no escritório ou ainda diretamente do seu dispositivo móvel. Principais recursos da Play Academy

Caminhos de aprendizagem Escolha entre 10 acervos de cursos breves, organizados com recursos e práticas recomendadas e que incluem temas como: Teste seu aplicativo antes do lançamento, Avalie o desempenho técnico do seu aplicativo e Monetize seu aplicativo. Aulas interativas Aprenda com uma experiência de e-learning multimídia e interativa. Avaliações Teste seus novos conhecimentos sobre recursos chave do Play Console e práticas recomendadas de aplicativos para dispositivos móveis. Conquistas Seja reconhecido por suas novas habilidades. Use com orgulho os indicadores de conquistas no seu perfil da Play Academy. Comece a aprender hoje mesmo É fácil dar os primeiros passos com o conteúdo gratuito de e-learning do Google Play. Acesse g.co/play/academy para se inscrever e começar a sua jornada de desenvolvedor. Além disso, fique de olho nas novidades da Play Academy. Atualizaremos nossos cursos com frequência para ficar em dia com os recursos e programas mais recentes e ajudá-lo a estar sempre atualizado sobre os últimos insights de que precisa para expandir seus negócios de aplicativos ou jogos.

Esta postagem foi útil para você? Avalie!

★ ★ ★ ★ ★

Análises para o Actions

07/11/2018

página de análisesseção de análises Vamos começar com dadosNumber Genieprincípios de design

link diretoGOOGLE_ASSISTANT_WELCOMEintent Dados sobre integridade do Actions Console de amostraQuotes Sample

boaCloud Functions para Firebaseinline Editor

de depuraçãodetectar Descoberta

invocações explícitasacionamento implícitointent embutidalink de Retenção

notificaçõesatualizações diáriaspostagem

recurso de históricovasculhar o histórico da sua Ferramentas de análiseferramentas de análiseChatbasebiblioteca de cliente Node.jsbiblioteca de clientes Node.js do Actions on Googlecamada de middlewareconst chatbase = require('@google/chatbase');app.middleware((conv) => { if (!conv.isHealthCheck) { let platform = 'AUDIO'; if (conv.screen) { if (conv.voice) { platform = 'SCREEN_VOICE'; } else { platform = 'SCREEN_KEYBOARD'; } } if (!(conv.intent === 'Default Fallback Intent' || conv.intent === 'No-input')) { chatbase.newMessage(process.env.CHATBASE_KEY, some_user_id) .setAsTypeAgent() .setTimestamp(Date.now().toString()) .setMessage(conv.intent) .setIntent(conv.intent) .setCustomSessionId(conv.id) .setPlatform(platform) .setAsHandled() .send() .then(msg => console.log(msg.getCreateResponse())) .catch(err => console.error(err)); chatbase.newMessage(process.env.CHATBASE_KEY, some_user_id) .setAsTypeUser() .setTimestamp(Date.now().toString()) .setMessage(conv.input.raw) .setCustomSessionId(conv.id) .setPlatform(platform) .setAsHandled() .send() .then(msg => console.log(msg.getCreateResponse())) .catch(err => console.error(err)); } else { chatbase.newMessage(process.env.CHATBASE_KEY, some_user_id) .setAsTypeUser() .setTimestamp(Date.now().toString()) .setMessage(conv.input.raw) .setCustomSessionId(conv.id) .setPlatform(platform) .setAsNotHandled() .send() .then(msg => console.log(msg.getCreateResponse())) .catch(err => console.error(err)); } } });verificações de integridade

Rastreamento de eventosGoogle Analytics Measurement ProtocolGoogle Analyticsprotocolourlencoderequestconst request = require('request'); const urlencode = require('urlencode');const GOOGLE_ANALYTICS_URL = 'https://www.google-analytics.com/collect'; const GOOGLE_ANALYTICS_TRACKING_ID = 'UA-xxxxxxxxx-x'; const VERSION = 'v'; const TRACKING_ID = 'tid'; const CLIENT_ID = 'cid'; const HIT_TYPE = 't'; const EVENT = 'event'; const EVENT_CATEGORY = 'ec'; const EVENT_ACTION = 'ea'; const EVENT_LABEL = 'el'; const COUNT = 'count';const totalAnalytics = (some_user_id, context, count) => { const options = { url: GOOGLE_ANALYTICS_URL, json: false }; let body = VERSION + '=' + 1; body += '&' + TRACKING_ID + '=' + GOOGLE_ANALYTICS_TRACKING_ID; body += '&' + CLIENT_ID + '=' + some_user_id; body += '&' + HIT_TYPE + '=' + EVENT; body += '&' + EVENT_CATEGORY + '=' + urlencode(context); body += '&' + EVENT_ACTION + '=' + COUNT; body += '&' + EVENT_LABEL + '=' + urlencode(count); options.body = body; request.post(options, (error, response, body) => { if (error) { console.error(`post: ${error}`); return; } console.log(`analytics response: ${response.statusCode}`); }); }totalAnalytics('anonymous', 'steps', counter);Comportamento/Eventos/Visão geral

Continue medindodiretório de Quer mais? Siga para a comunidade Actions on Google para discutir com outros desenvolvedores. Faça parte do programa da comunidade de desenvolvedores do Actions on Google e concorra a US$ 200 mensais em créditos do Google Cloud e uma camiseta do Assistente quando publicar seu primeiro aplicativo.

Escreva uma vez e execute testes no Android em qualquer lugar

Introdução à Google Cloud Healthcare API: Parte 1

Novidades diretas do #AndroidDevSummit!

Como a 20th Century Fox usa o aprendizado de máquina para prever o público de um filme

Chrome 71 Beta: formatos relativos de data/hora e mais

Treinamento gratuito para desenvolvedores Android - Saiba mais sobre como ter sucesso no Google Play

Análises para o Actions

Labels

Archive

Feed

Google Japan

Products

Developers