ትርፍ፡
- በመሳሪያ ላይ ወይም በደመና ላይ የመወሰን ችሎታ እና ትክክለኛውን መሳሪያ (ML Kit, Core ML, TensorFlow Lite) በግላዊነት, ከመስመር ውጭ ፍላጎት, የሞዴል መጠን እና የባትሪ መስፈርት ላይ በመመስረት የመምረጥ ችሎታ.
- በአምሳያው ውህደት ውስጥ ካለው የአምሳያው ሰነድ የግብአት ቅድመ-ሂደትን (መጠን እና መደበኛነት) በማረጋገጥ ጸጥ ያሉ ስህተቶችን የመከላከል ችሎታ
- ዝቅተኛ በራስ የመተማመን ትንበያዎችን እንደ ፍፁም እውነት ሳያቀርቡ የመተማመን ውጤቱን የመገምገም እና ውጤቱን በተጠቃሚ ፈቃድ እና በእውነተኛው መሣሪያ ላይ የመለካት ችሎታ።
እስካሁን ድረስ የልማት ሂደቱን ለማፋጠን AI እንደ እርዳታ ተጠቅመንበታል. አሁን ወደ AI ሁለተኛ ሚና እንሄዳለን-በመተግበሪያው ውስጥ የተካተተ ችሎታ። ዘመናዊ ስልኮች እንደ ምስል ማወቂያ፣ የጽሑፍ ትርጉም፣ የንግግር ግልባጭ ወዘተ የመሳሰሉ የኤአይአይ ሞዴሎችን በቀጥታ በመሳሪያው ላይ (በመሳሪያው ላይ — ወደ አገልጋዩ ሳይሄዱ በስልኩ በራሱ ፕሮሰሰር) የማሄድ ሃይል አላቸው። በመሳሪያው ላይ AI; በፍጥነት፣ በግላዊነት እና ከመስመር ውጭ አሰራር ረገድ ከደመና መፍትሄዎች ላይ ትልቅ ጥቅም ይሰጣል። በዚህ ክፍል ውስጥ እንዴት AI ወደ አፕሊኬሽኑ እንደምናስገባ በ iOS's Core ML፣ cross-platform TensorFlow Lite (አሁን LiteRT በመባል የሚታወቀው) እና የጎግል ዝግጁ የሆነ መፍትሄ ML Kit እና AI በዚህ ውህደት ውስጥ እንዴት እንደ ረዳት እንደሚጠቀሙ እንማራለን።
በመሣሪያ ወይስ በዳመና?
ይህ የመጀመሪያው እና በጣም አስፈላጊው የስነ-ህንፃ ውሳኔ ነው. በመሣሪያ ላይ AI ውሂብን ከስልክ አያስወግድም - ለግላዊነት ትልቅ ድል። እንዲሁም የአውታረ መረብ መዘግየት ስለሌለ በቅጽበት እና ከመስመር ውጭ ይሰራል። ይሁን እንጂ በመሣሪያው የማቀናበር ኃይል እና ማህደረ ትውስታ የተገደበ ነው; በጣም ትላልቅ ሞዴሎች (ለምሳሌ ግዙፍ የምላስ ሞዴሎች) በስልኮው ውስጥ አይመጥኑም ወይም ባትሪውን ያጠፋሉ. በሌላ በኩል Cloud AI ያልተገደበ ኃይል ያቀርባል, ነገር ግን ውሂብን ወደ አገልጋዩ ይልካል, አውታረ መረብ ያስፈልገዋል እና መዘግየትን ይፈጥራል.
መስፈርት
በመሳሪያ ላይ
ደመና (የደመና ኤፒአይ)
ግላዊነት
ውሂብ በመሣሪያው ላይ ይቆያል፣ ጠንካራ
ውሂብ ወደ አገልጋይ ይሄዳል፣ ትኩረት ያስፈልጋል
ፍጥነት
ፈጣን፣ ምንም አውታረ መረብ የለም።
በአውታረ መረብ መዘግየት ላይ ይወሰናል
ከመስመር ውጭ
ይሰራል
አይሰራም
የሞዴል መጠን
የተወሰነ (የስልክ ምንጭ)
ያልተገደበ
ባትሪ / ሙቀት
ከከባድ አጠቃቀም ጋር ተፅእኖዎች
አገልጋዩ በጭነት ላይ፣ መሳሪያ ዘና ብሏል።
ወጪ
ነፃ (የመሳሪያ ምንጭ)
ለአጠቃቀም ክፍያ
የውሳኔ ህግ፡ ግላዊ/ሚስጥራዊነት ያለው መረጃ በሂደት ላይ ከሆነ፣ከመስመር ውጭ መስራት ካለበት ወይም ፈጣን ምላሽ አስፈላጊ ከሆነ መሳሪያ ላይ ምረጥ። በጣም ትልቅ ሞዴል ከፈለጉ ወደ ደመናው ይቀይሩ. ይህ ክፍል በመሣሪያው ላይ ያተኮረ ነው; ደመና AIን በሚቀጥለው ክፍል እንሸፍናለን።
ጠቃሚ ምክር፡ ሁልጊዜ በመሳሪያው ላይ ስሱ መረጃዎችን (ጤና፣ ባዮሜትሪክስ፣ አካባቢ) ለሚይዝ ባህሪ ነባሪ ያድርጉት። "ውሂብ መሳሪያውን አይተወውም" የሚለው ሐረግ ለግላዊነት ተገዢነት እና ለተጠቃሚዎች እምነት በጣም ጠቃሚ ነው, እና በመደብር ግላዊነት መለያ ላይ ትልቅ ለውጥ ያመጣል.
ሶስት መንገዶች፡ ML Kit፣ Core ML፣ TensorFlow Lite
ML Kit (Google) ለመጀመር ቀላሉ መንገድ ነው፡ እንደ ጽሑፍ ማወቂያ (OCR — በምስል የማንበብ ጽሑፍ)፣ ፊትን መለየት፣ ባርኮድ ማንበብ፣ በጥቂት መስመሮች ውስጥ መተርጎምን የመሳሰሉ ዝግጁ የሆኑ ችሎታዎችን ይሰጣል። የራስዎን ሞዴል ማሰልጠን አያስፈልግዎትም. ኮር ኤምኤል (አፕል) የራስዎን ሞዴል ወይም በ iOS ላይ ዝግጁ የሆነ ሞዴል ለማስኬድ በጣም ቀልጣፋ መንገድ ነው; የ Apple's Neural Engine (ሰው ሰራሽ የነርቭ ኔትወርክ ፕሮሰሰር) ሃርድዌር ይጠቀማል። TensorFlow Lite/LiteRT የእራስዎን የሰለጠነ ሞዴል በአንድሮይድ እና አይኦኤስ ላይ እንዲያሄዱ የሚያስችልዎ የመድረክ-አቋራጭ መፍትሄ ነው።
ከ AI ጋር ያለው አጠቃላይ የውህደት ፍሰት እንደሚከተለው ነው
- የተሰጥኦ ትርጉም. ግልጽ የሆነ ግብ, ለምሳሌ "በፎቶው ላይ ያለውን ጽሑፍ ማንበብ እፈልጋለሁ."
- የመንገድ ምርጫ. ዝግጁ ተሰጥኦ ካለ, ML Kit; Core ML/TF Lite ልዩ ሞዴል ካለ።
- የሞዴል ቅርጸት. .mlmodel (Core ML)፣ .tflite (TF Lite)። የ AI ለውጥ ደረጃዎችን ያብራራል.
- የውህደት ኮድ። ሞዴሉን መጫን, የመግቢያውን ቅድመ ሂደት, ውጤቱን መተርጎም.
- የአፈጻጸም ሙከራ. ፍጥነት፣ ማህደረ ትውስታ፣ የባትሪ መለኪያ በእውነተኛው መሳሪያ ላይ።
ይጠንቀቁ፡ በመሳሪያ ላይ ሞዴል ውህደት ውስጥ በጣም የተለመደው የ AI ስህተት የግቤት ቅድመ-ሂደት ነው - ምስሉን ወደ መጠን እና የቀለማት ቅርጸት ሞዴል መቀየር. ሞዴሉ 224x224 ፒክሰሎች የሚጠብቅ ከሆነ እና 300x300 ከሰጡ ውጤቱ ትርጉም የለሽ ይሆናል, ነገር ግን የስህተት መልእክት አይደርስዎትም. የቅድመ ማቀናበሪያ ዋጋዎችን ከአምሳያው ሰነድ ያረጋግጡ።
የአምሳያው ወሰን ማወቅ
በመሳሪያ ላይ ያለ ሞዴል በሰለጠነው መረጃ መሰረት ውሳኔዎችን ያደርጋል። በቀን ውስጥ በተነሱ ፎቶዎች ላይ ብቻ የሰለጠኑ የነገር ማወቂያ ሞዴል በምሽት ምስሎች ላይ ስህተት ይሆናል። ሞዴሉ የመተማመን ነጥብ አለው (መተማመን - ሞዴሉ ስለ መልሱ ምን ያህል እንደሚተማመን ፣ ብዙውን ጊዜ በ 0 እና 1 መካከል); ዝቅተኛ በራስ መተማመን ውጤቶችን ለተጠቃሚው ትክክለኛ አድርጎ ማቅረብ አደገኛ ነው። ለምሳሌ፣ የቆዳ ስፖት መቃኛ አፕሊኬሽን "በእርግጠኝነት ደህና" ማለት የለበትም፣ ነገር ግን "የአምሳያው ትንበያ ይህ ነው፣ እባክዎ ሐኪም ያማክሩ" ማለት አለበት። የአምሳያው ውጤት ምክር እንጂ ምርመራ አይደለም.
ሶስት ጥቃቅን ጉዳዮች
ጉዳይ 1 - ከ OCR ጋር ማጣደፍ. የወጪ መከታተያ መተግበሪያ ደረሰኞችን ከኤምኤል ኪት የጽሑፍ ማወቂያ ጋር በእጅ የማስገባት ሸክሙን አስወግዶታል። ተጠቃሚው ደረሰኙን ፎቶ ያነሳል, እና መጠኑ እና ቀኑ በራስ-ሰር ይሞላል. በእጅ የመግቢያ ጊዜ በአንድ ደረሰኝ ከ40 ሰከንድ ወደ 8 ሰከንድ ቀንሷል። ቡድኑ ሁል ጊዜ ተጠቃሚው AI ያነበበውን መጠን እንዲያረጋግጥ ነበረው ፣ ምክንያቱም የተሸበሸበ ደረሰኝ 6% የስህተት ህዳግ ነበረው። አውቶሜሽን + የሰው ማፅደቅ ትክክለኛው ሚዛን ነበር።
ጉዳይ 2 - በሂደት ላይ ያለ ስህተት። አንድ ቡድን የእጽዋት ማወቂያ ሞዴልን ከ TensorFlow Lite ጋር አዋህዷል; በሞካሪው ላይ ውጤቶቹ በዘፈቀደ ነበሩ። ችግሩ የሆነው AI ያመነጨው ኮድ ምስሉን ወደ ሚጠበቀው [0,1] ክልል መደበኛ አላደረገም (ፒክስል ዋጋዎች በ0-255 ቀርተዋል)። መደበኛነት ሲጨመር ትክክለኛነት ከ 30% ወደ 89% ጨምሯል. ትምህርት፡ ቅድመ-ሂደቱ ጸጥ ያለ ቢሆንም ገዳይ ነው።
ጉዳይ 3 - የግላዊነት ጥቅም። የጤና አፕሊኬሽን በመሳሪያ ላይ ካለው Core ML ሞዴል ጋር በልብ ምት መረጃ ያልተለመደ ነገር ተገኝቷል። ውሂቡ በጭራሽ ወደ አገልጋዩ አልሄደም። ይህ ምርጫ አፕሊኬሽኑ በአፕ ስቶር የግላዊነት መለያ ላይ "ውሂብ አይሰበስብም" የሚለውን ሀረግ እንዲቀበል አስችሎታል እና ከተወዳዳሪዎቹ ጋር ሲነጻጸር የማውረድ መጠኑን ጨምሯል። በመሳሪያው ላይ የነበረው ምርጫ ሥነ ምግባራዊ እና በንግድ ትርፋማ ነበር።
ደካማ ጥያቄ / ጠንካራ ጥያቄ
ደካማ ጥያቄ፡ "የምስል ማወቂያን ወደ መተግበሪያዬ ጨምር።"
ኃይለኛ ጥያቄ፡ "የቀን እና የቀን ንባብ ባህሪን ወደ አንድሮይድ/ኮትሊን አፕሊኬሽን ጨምሩ። - Google ML Kit Text Recognition (በመሣሪያ ላይ፣ ከመስመር ውጭ) ተጠቀም - ከካሜራ ወይም ከጋለሪ ምስል ያንሱ - ከታወቀ ጽሁፍ ላይ መጠኑን እና ቀንን በ regex ያውጡ - ውጤቱን በ EDITABLE መስክ ውስጥ እንዲፈቀድለት ለተጠቃሚው ያቅርቡ ፣ በራስ-አስቀምጥ - የካሜራ ፍቃድ ፍሰት እና ውድቅ የተደረገበትን ሁኔታ ያብራሩ።"
ሊገለበጡ የሚችሉ አብነቶች
የዱካ ምርጫ አብነት፡ "የሚከተለውን ባህሪ መስራት እፈልጋለሁ፡ [ገጽታ]። በመሳሪያ ላይ ወይስ ደመና? ላይ በመመስረት አወዳድር፡ ግላዊነት፣ የመስመር ውጪ ፍላጎት፣ የሞዴል መጠን፣ ባትሪ፣ ወጪ። ተገቢውን መሳሪያ (ML Kit/Core ML/ TF Lite) ምከር እና አጽድቅ።"
የውህደት አብነት፡ "የ [ሞዴል/ችሎታ] ውህደትን ለ [መድረክ] ይፃፉ፡1) የሞዴል ጭነት2) የግብአት ቅድመ ሂደት (የሚጠበቀው መጠን እና መደበኛነት)3) የመግቢያ ጥሪ4) የውጤት ትርጉም እና የመተማመን ውጤት ማጣራት5) ዝቅተኛ በራስ የመተማመን ውጤት ላይ ለተጠቃሚው ማስጠንቀቂያ ከሰነዱ የቅድሚያ ሂደት ዋጋዎችን እንዳረጋግጥ አስታውሰኝ።
የመተማመን ነጥብ አብነት፡ "በዚህ የማመሳከሪያ ኮድ ውስጥ የመተማመን ነጥብን አስቡበት፡- ውጤቱን 'ትክክለኛ' ከደረጃ በታች ያቅርቡ (ለምሳሌ 0.6)- ለተጠቃሚው 'ይህ ግምት ነው' ማስታወሻ ያሳዩ - ወሳኝ ቦታ (ጤና፣ ደህንነት) ከሆነ ወደ ኤክስፐርት ያመልክቱ (የጤና፣ ደህንነት)[ኮድ]"
የአፈጻጸም ማረጋገጫ አብነት፡ "ለዚህ የመሣሪያ ላይ ሞዴል ውህደት በእውነተኛው መሣሪያ ላይ ለመለካት የሚያስፈልጓቸውን መለኪያዎች ይዘርዝሩ፡ የማስታወሻ ጊዜ፣ የማህደረ ትውስታ መጨመር፣ የባትሪ ተጽእኖ፣ ማሞቂያ። ለእያንዳንዱ የመለኪያ ዘዴ ይንገሩ።"
የተለመዱ ስህተቶች
- ቅድመ ሂደትን መዝለል ወይም በስህተት ማድረግ። የተሳሳተ መጠን / መደበኛነት በፀጥታ የተሳሳተ ውጤት ያስገኛል.
- የመተማመን ውጤቱን ችላ ማለት። ዝቅተኛ እምነት ግምትን እንደ ትክክለኛ አድርጎ ማቅረብ ተጠቃሚውን ያሳስታል።
- ሞዴሉን በ emulator ውስጥ መሞከር. ትክክለኛው የመሳሪያ ፍጥነት እና ባትሪ በጣም የተለያዩ ናቸው; ሁልጊዜ በእውነተኛ ሃርድዌር ላይ ይለኩ።
- ሚስጥራዊነት ያለው ውሂብ ወደ ደመናው ሳያስፈልግ በመላክ ላይ። በመሣሪያው ላይ ሲቻል ደመናን መምረጥ የግላዊነት አደጋ ነው።
- የሞዴሉን መጠን ችላ ማለት. ትላልቅ የሞዴል መተግበሪያዎች የውርድ መጠንን ከፍ ያደርጋሉ እና በዝቅተኛ ሃርድዌር ላይ ይወድቃሉ።
- የአምሳያው የስልጠና ገደብ መርሳት. ሞዴሉ በማይታይበት ሁኔታ (ሌሊት, የተለየ ቋንቋ) ውስጥ ተሳስቷል; ይህንን ለተጠቃሚው ግልፅ ያድርጉት።
በማጠቃለያው
በመሣሪያ ላይ AI መረጃን በስልክ ላይ በማቆየት ግላዊነትን ፣ ፍጥነትን እና ከመስመር ውጭ ክወናን ይሰጣል ። ገደቡ የመሳሪያው ኃይል እና የሞዴል መጠን ነው. ML Kit ከሳጥን ውጭ ለሆኑ ችሎታዎች ጥቅም ላይ ይውላል፣ Core ML (iOS) እና TensorFlow Lite (መስቀል-ፕላትፎርም) ለብጁ ሞዴሎች ጥቅም ላይ ይውላሉ። ዝምተኛው የውህደት ገዳይ አላግባብ ቅድመ ዝግጅት ነው። የግብአት መጠን እና መደበኛነት ከአምሳያው ሰነድ የተረጋገጠ ነው። እያንዳንዱ ውጤት በራስ የመተማመን ነጥብ ይመጣል፣ እና ዝቅተኛ በራስ መተማመን ትንበያዎች እንደ ፍጹም እውነት አይቀርቡም። ውሳኔዎች የሚለካው በእውነተኛው መሳሪያ ላይ ነው እንጂ ኢምዩሌተር አይደለም።
የመተግበሪያ ተግባር
ለ"ከፎቶ የጽሁፍ ንባብ" ወይም "ባርኮድ ንባብ" ባህሪ AI በመሳሪያው ላይ ወይም በ"Path Selection Template" ደመና መሆን እንዳለበት ይጠይቁ እና ከ"ውህደት አብነት" ጋር በኤምኤል ኪት ላይ የተመሰረተ ንድፍ ይጠይቁ። የቅድሚያ ሂደቱ እና የተጠቃሚ ማጽደቅ/የአርትዖት ፍሰት በኮዱ ውስጥ መኖራቸውን ያረጋግጡ። የእምነት ነጥብ ጣራ ያዘጋጁ እና ውጤቱ ዝቅተኛ እምነት ከሆነ ምን እንደሚያደርጉ ይፃፉ።
የማረጋገጫ ዝርዝር
- [ ] በመመዘኛዎች ላይ በመመስረት በመሣሪያ/በደመና ላይ ውሳኔ ወስኛለሁ።
- [] ትክክለኛውን መሣሪያ መርጫለሁ (ML Kit / Core ML / TF Lite)
- [ ] የቅድመ-ሂደቱን ልኬት እና መደበኛነት ከአምሳያው ሰነድ አረጋግጣለሁ።
- [ ] የታማኝነት ውጤቱን አረጋገጥኩ እና ስለ ዝቅተኛ እምነት ውጤቶች አስጠንቅቄያለሁ
- [ ] ውጤቱን ለተጠቃሚው በማጽደቅ/በማስተካከያ አቅርቤዋለሁ፣ በጭፍን አላስቀመጥኩትም።
- [ ] አፈጻጸምን የለካሁት በእውነተኛው መሣሪያ ላይ እንጂ ኢምዩላተሩን አይደለም።