Postado por Hoi Lam , aprendizado de máquina no Android
VIDEO
Esta postagem do blog faz parte de uma série semanal que usa a hashtag #11WeeksOfAndroid. A cada semana, exploramos uma área importante do Android para que você não perca nenhum detalhe. Recentemente, abordamos vários aspectos do aprendizado de máquina (ML, na sigla em inglês) no dispositivo do Android. Independentemente da fase do seu aplicativo, do seu papel com relação ao design, ao produto e à engenharia, ou do seu nível de conhecimento, oferecemos diversas ferramentas de aprendizado de máquina para ajudar no processo de desenvolvimento.
Design: o aprendizado de máquina como diferencial
“Concentre-se no usuário e todo o resto será consequência.” Esse é um lema do Google que se tornou ainda mais relevante na era do aprendizado de máquina. Nossa assistente de design, Di Dang, destacou a importância de encontrar a interseção única entre os problemas do usuário e os pontos fortes do aprendizado de máquina . Muitas vezes, as equipes ficam tão entusiasmadas com a ideia de usar a tecnologia de aprendizado de máquina que se esquecem das necessidades do usuário.
Di destacou como o guia “Pessoas + IA” pode ajudar você a tomar decisões sobre produtos de aprendizado de máquina e usou o exemplo do aplicativo Read Along para ilustrar tópicos como precisão e recall, exclusivos do design e do desenvolvimento de aprendizado de máquina. Para se inspirar, reúna sua equipe e confira a entrevista que ela fez com os responsáveis pelo Read Along .
Novo ML Kit totalmente focado no dispositivo
Se você decidir usar uma solução de aprendizado de máquina no dispositivo, a forma mais simples de fazer a implementação é por meio de SDKs prontos, como o ML Kit. Modelos treinados pelo Google e canais de processamento sofisticados são oferecidos em uma interface fácil de usar em Kotlin/Java. O ML Kit foi desenvolvido para aprendizado de máquina no dispositivo: ele funciona off-line, tem privacidade aprimorada, possibilita alto desempenho para casos de uso em tempo real e é gratuito. Recentemente, o ML Kit passou a ser um SDK autônomo. Por isso, não é mais necessário ter uma conta do Firebase . Basta uma linha no arquivo build.gradle para você usar a funcionalidade de aprendizado de máquina no seu aplicativo.
Além disso, a equipe adicionou novas funcionalidades, como o suporte ao ciclo de vida do Jetpack e a opção de usar os modelos de contorno facial por meio do Google Play Services, o que economiza até 20 MB no tamanho do aplicativo. Outra inclusão bastante antecipada é a possibilidade de alternar entre seus modelos e os do Google para rotulagem de imagens e detecção e rastreamento de objetos . Essa é uma das formas mais simples de adicionar modelos do TensorFlow Lite aos aplicativos sem interagir com o ByteArray.
Personalização com o TensorFlow Lite e as ferramentas do Android
O que os desenvolvedores precisam fazer se o modelo básico oferecido pelo ML Kit não atender às necessidades? Primeiro, é necessário recorrer ao TensorFlow Hub , onde é possível fazer o download de modelos prontos para usar do TensorFlow Lite, criados pelo Google e pela comunidade em geral. Você pode escolher classificadores que vão desde 100 mil produtos em supermercados dos Estados Unidos a doenças em tomateiros .
Além do Firebase AutoML Vision Edge , também é possível criar seu próprio modelo por meio do TensorFlow Model Maker (classificação de imagem ou classificação de texto ) com poucas linhas do Python. Após ter um modelo do TensorFlow Lite, originário do TensorFlow Hub ou do Model Maker, será fácil integrá-lo com seu aplicativo para Android usando a rotulagem de imagens ou a detecção e rastreamento de objetos do ML Kit. Caso você prefira uma solução de código aberto, o Android Studio 4.1 Beta apresenta a vinculação do modelo de aprendizado de máquina, que ajuda a agrupar o modelo do TensorFlow Lite facilmente para usar o wrapper do Kotlin/Java. Nunca foi tão simples adicionar um modelo personalizado ao seu aplicativo para Android. Para ver mais detalhes, confira este blog .
Estamos na era do aprendizado de máquina no dispositivo
Os exemplos dos vencedores do Android Developer Challenge mostraram claramente que o aprendizado de máquina evoluiu e que as funcionalidades da tecnologia, antes reservadas à nuvem ou aos supercomputadores, agora estão disponíveis para smartphones Android. Teste nossos codelabs do dia e saiba tudo sobre o assunto:
Veja também o treinamento da semana sobre aprendizado de máquina e faça o teste para receber seu próprio selo de certificação da tecnologia.
O aprendizado de máquina no dispositivo do Android é uma plataforma de rápida evolução. Se você tiver alguma solicitação ou feedback sobre melhorias, não deixe de nos enviar e informe seu caso de uso (TensorFlow Lite /ML Kit ). Estamos na era do aprendizado de máquina no dispositivo.
Recursos
Acesse toda a playlist do conteúdo de vídeo usando #11WeeksOfAndroid e saiba mais sobre as publicações de cada semana . Continuaremos destacando novas áreas a cada semana. Por isso, fique por dentro e siga-nos no Twitter e no YouTube. Agradecemos por você compartilhar essa experiência conosco.
2 comentários :
I would like to thank you for the efforts you have made in writing this article. I am hoping the same best work from you in the future as well. In fact your creative writing abilities has inspired me to start my own Blog Engine blog now. Really the blogging is spreading its wings rapidly. Your article is a fine example of it.
Autocad Classes in Ahmednagar
Thank you for this insightful post on the full spectrum of Android on-device machine learning tools as part of the #11WeeksOfAndroid series. It's commendable how the post delves into various aspects of machine learning, catering to diverse roles and expertise levels. Whether you're involved in design, product development, or engineering, the comprehensive range of ML tools presented here is invaluable at every stage of application development. As a must-visit recommendation for those seeking assistance, I'd like to emphasize the significance of exploring the Windows version of Remini for added support in your endeavors. Kudos to the team for shedding light on this essential facet of Android development!
Postar um comentário