ಆನ್-ಡಿವೈಸ್ AI: ಕೋರ್ ML, ಟೆನ್ಸರ್‌ಫ್ಲೋ ಲೈಟ್ ಮತ್ತು ML ಕಿಟ್

ಲಾಭಗಳು:

• ಆನ್-ಡಿವೈಸ್ ಅಥವಾ ಕ್ಲೌಡ್ ಅನ್ನು ನಿರ್ಧರಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಗೌಪ್ಯತೆ, ಆಫ್‌ಲೈನ್ ಅಗತ್ಯತೆ, ಮಾದರಿ ಗಾತ್ರ ಮತ್ತು ಬ್ಯಾಟರಿ ಮಾನದಂಡಗಳ ಆಧಾರದ ಮೇಲೆ ಸರಿಯಾದ ಸಾಧನವನ್ನು (ಎಂಎಲ್ ಕಿಟ್, ಕೋರ್ ಎಂಎಲ್, ಟೆನ್ಸರ್‌ಫ್ಲೋ ಲೈಟ್) ಆಯ್ಕೆ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
• ಮಾದರಿಯ ಏಕೀಕರಣದಲ್ಲಿ ಮಾದರಿಯ ಡಾಕ್ಯುಮೆಂಟ್‌ನಿಂದ ಇನ್‌ಪುಟ್ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ (ಗಾತ್ರ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣ) ಪರಿಶೀಲಿಸುವ ಮೂಲಕ ಮೂಕ ದೋಷಗಳನ್ನು ತಡೆಯುವ ಸಾಮರ್ಥ್ಯ
• ವಿಶ್ವಾಸಾರ್ಹ ಸ್ಕೋರ್ ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಬಳಕೆದಾರರ ಅನುಮೋದನೆಯೊಂದಿಗೆ ಮತ್ತು ನೈಜ ಸಾಧನದಲ್ಲಿ ಫಲಿತಾಂಶವನ್ನು ಅಳೆಯುವ ಸಾಮರ್ಥ್ಯ, ಕಡಿಮೆ ವಿಶ್ವಾಸಾರ್ಹ ಮುನ್ನೋಟಗಳನ್ನು ಸಂಪೂರ್ಣ ಸತ್ಯವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸದೆ.

ಇಲ್ಲಿಯವರೆಗೆ, ಅಭಿವೃದ್ಧಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವೇಗಗೊಳಿಸಲು ನಾವು AI ಅನ್ನು ಸಹಾಯವಾಗಿ ಬಳಸಿದ್ದೇವೆ. ಈಗ ನಾವು AI ನ ಎರಡನೇ ಪಾತ್ರಕ್ಕೆ ಹೋಗುತ್ತೇವೆ: ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಹುದುಗಿರುವ ಪ್ರತಿಭೆ. ಆಧುನಿಕ ಫೋನ್‌ಗಳು AI ಮಾದರಿಗಳಾದ ಇಮೇಜ್ ರೆಕಗ್ನಿಷನ್, ಟೆಕ್ಸ್ಟ್ ಟ್ರಾನ್ಸ್‌ಲೇಷನ್, ಸ್ಪೀಚ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಶನ್ ಇತ್ಯಾದಿಗಳನ್ನು ನೇರವಾಗಿ ಸಾಧನದಲ್ಲಿ (ಸಾಧನದಲ್ಲಿ — ಸರ್ವರ್‌ಗೆ ಹೋಗದೆ ಫೋನ್‌ನ ಸ್ವಂತ ಪ್ರೊಸೆಸರ್‌ನಲ್ಲಿ) ಚಲಾಯಿಸುವ ಶಕ್ತಿಯನ್ನು ಹೊಂದಿವೆ. ಸಾಧನದಲ್ಲಿ AI; ಇದು ವೇಗ, ಗೌಪ್ಯತೆ ಮತ್ತು ಆಫ್‌ಲೈನ್ ಕಾರ್ಯಾಚರಣೆಯ ವಿಷಯದಲ್ಲಿ ಕ್ಲೌಡ್ ಪರಿಹಾರಗಳಿಗಿಂತ ಉತ್ತಮ ಪ್ರಯೋಜನಗಳನ್ನು ನೀಡುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, iOS ನ ಕೋರ್ ML, ಕ್ರಾಸ್-ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಟೆನ್ಸರ್‌ಫ್ಲೋ ಲೈಟ್ (ಈಗ LiteRT ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ಮತ್ತು Google ನ ಸಿದ್ಧ ಪರಿಹಾರ ML ಕಿಟ್‌ನೊಂದಿಗೆ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ AI ಅನ್ನು ಹೇಗೆ ಎಂಬೆಡ್ ಮಾಡುವುದು ಮತ್ತು ಈ ಏಕೀಕರಣದಲ್ಲಿ AI ಅನ್ನು ಸಹಾಯಕರಾಗಿ ಹೇಗೆ ಬಳಸುವುದು ಎಂಬುದನ್ನು ನಾವು ಕಲಿಯುತ್ತೇವೆ.

ಸಾಧನದಲ್ಲಿ ಅಥವಾ ಕ್ಲೌಡ್?

ಇದು ಮೊದಲ ಮತ್ತು ಅತ್ಯಂತ ಪ್ರಮುಖವಾದ ವಾಸ್ತುಶಿಲ್ಪದ ನಿರ್ಧಾರವಾಗಿದೆ. ಆನ್-ಡಿವೈಸ್ AI ಫೋನ್‌ನಿಂದ ಡೇಟಾವನ್ನು ತೆಗೆದುಹಾಕುವುದಿಲ್ಲ - ಗೌಪ್ಯತೆಗೆ ದೊಡ್ಡ ಗೆಲುವು. ಇದು ತತ್‌ಕ್ಷಣವೂ ಆಗಿರುತ್ತದೆ ಮತ್ತು ನೆಟ್‌ವರ್ಕ್ ಲೇಟೆನ್ಸಿ ಇಲ್ಲದಿರುವುದರಿಂದ ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಇದು ಸಾಧನದ ಸಂಸ್ಕರಣಾ ಶಕ್ತಿ ಮತ್ತು ಮೆಮೊರಿಯಿಂದ ಸೀಮಿತವಾಗಿದೆ; ಅತಿ ದೊಡ್ಡ ಮಾದರಿಗಳು (ಉದಾ. ದೈತ್ಯ ಭಾಷೆಯ ಮಾದರಿಗಳು) ಫೋನ್‌ನಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳುವುದಿಲ್ಲ ಅಥವಾ ಬ್ಯಾಟರಿಯನ್ನು ಖಾಲಿ ಮಾಡುತ್ತದೆ. ಮತ್ತೊಂದೆಡೆ, ಕ್ಲೌಡ್ AI ಅನಿಯಮಿತ ಶಕ್ತಿಯನ್ನು ನೀಡುತ್ತದೆ, ಆದರೆ ಸರ್ವರ್‌ಗೆ ಡೇಟಾವನ್ನು ಕಳುಹಿಸುತ್ತದೆ, ನೆಟ್‌ವರ್ಕ್ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು ಸುಪ್ತತೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಮಾನದಂಡ

ಸಾಧನದಲ್ಲಿ

ಮೇಘ (ಕ್ಲೌಡ್ API)

ಗೌಪ್ಯತೆ

ಡೇಟಾ ಸಾಧನದಲ್ಲಿ ಉಳಿಯುತ್ತದೆ, ಪ್ರಬಲವಾಗಿದೆ

ಡೇಟಾ ಸರ್ವರ್‌ಗೆ ಹೋಗುತ್ತದೆ, ಗಮನ ಬೇಕು

ವೇಗ

ತತ್‌ಕ್ಷಣ, ನೆಟ್‌ವರ್ಕ್ ಇಲ್ಲ

ನೆಟ್ವರ್ಕ್ ಲೇಟೆನ್ಸಿ ಅವಲಂಬಿಸಿರುತ್ತದೆ

ಆಫ್ಲೈನ್

ಇದು ಕೆಲಸ ಮಾಡುತ್ತದೆ

ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ

ಮಾದರಿ ಗಾತ್ರ

ಸೀಮಿತ (ಫೋನ್ ಸಂಪನ್ಮೂಲ)

ಅನಿಯಮಿತ

ಬ್ಯಾಟರಿ / ಶಾಖ

ಭಾರೀ ಬಳಕೆಯೊಂದಿಗೆ ಪರಿಣಾಮಗಳು

ಲೋಡ್ ಅಡಿಯಲ್ಲಿ ಸರ್ವರ್, ಸಾಧನ ಸಡಿಲಗೊಂಡಿದೆ

ವೆಚ್ಚ

ಉಚಿತ (ಸಾಧನ ಮೂಲ)

ಪ್ರತಿ ಬಳಕೆಗೆ ಶುಲ್ಕ

ನಿರ್ಧಾರದ ನಿಯಮ: ವೈಯಕ್ತಿಕ/ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತಿದ್ದರೆ, ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ ಕೆಲಸ ಮಾಡಬೇಕಾದರೆ ಅಥವಾ ತ್ವರಿತ ಪ್ರತಿಕ್ರಿಯೆ ಅತ್ಯಗತ್ಯವಾಗಿದ್ದರೆ ಸಾಧನದಲ್ಲಿ ಆಯ್ಕೆಮಾಡಿ. ನಿಮಗೆ ದೊಡ್ಡ ಮಾದರಿಯ ಅಗತ್ಯವಿದ್ದರೆ, ಮೋಡದ ಕಡೆಗೆ ತಿರುಗಿ. ಈ ಘಟಕವು ಸಾಧನದಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ; ನಾವು ಮುಂದಿನ ಘಟಕದಲ್ಲಿ ಕ್ಲೌಡ್ AI ಅನ್ನು ಕವರ್ ಮಾಡುತ್ತೇವೆ.

ಸಲಹೆ: ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು (ಆರೋಗ್ಯ, ಬಯೋಮೆಟ್ರಿಕ್ಸ್, ಸ್ಥಳ) ನಿರ್ವಹಿಸುವ ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ ಯಾವಾಗಲೂ ಸಾಧನದಲ್ಲಿ ನಿಮ್ಮ ಡಿಫಾಲ್ಟ್ ಮಾಡಿ. "ಡೇಟಾವು ಸಾಧನವನ್ನು ಬಿಡುವುದಿಲ್ಲ" ಎಂಬ ಪದಗುಚ್ಛವು ಗೌಪ್ಯತೆ ಅನುಸರಣೆ ಮತ್ತು ಬಳಕೆದಾರರ ನಂಬಿಕೆ ಎರಡಕ್ಕೂ ಅತ್ಯಮೂಲ್ಯವಾಗಿದೆ ಮತ್ತು ಸ್ಟೋರ್ ಗೌಪ್ಯತೆ ಲೇಬಲ್‌ನಲ್ಲಿ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾಡುತ್ತದೆ.

ಮೂರು ಮಾರ್ಗಗಳು: ML ಕಿಟ್, ಕೋರ್ ML, TensorFlow Lite

ML ಕಿಟ್ (ಗೂಗಲ್) ಪ್ರಾರಂಭಿಸಲು ಸುಲಭವಾದ ಮಾರ್ಗವಾಗಿದೆ: ಇದು ಪಠ್ಯ ಗುರುತಿಸುವಿಕೆ (OCR - ಚಿತ್ರದಲ್ಲಿ ಪಠ್ಯವನ್ನು ಓದುವುದು), ಮುಖ ಪತ್ತೆ, ಬಾರ್‌ಕೋಡ್ ಓದುವಿಕೆ, ಕೆಲವು ಸಾಲುಗಳಲ್ಲಿ ಅನುವಾದದಂತಹ ಸಿದ್ಧ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನೀಡುತ್ತದೆ. ನಿಮ್ಮ ಸ್ವಂತ ಮಾದರಿಯನ್ನು ನೀವು ತರಬೇತಿ ಮಾಡುವ ಅಗತ್ಯವಿಲ್ಲ. ಕೋರ್ ಎಂಎಲ್ (ಆಪಲ್) ನಿಮ್ಮ ಸ್ವಂತ ಮಾದರಿ ಅಥವಾ ಐಒಎಸ್‌ನಲ್ಲಿ ಸಿದ್ಧ ಮಾದರಿಯನ್ನು ಚಲಾಯಿಸಲು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಮಾರ್ಗವಾಗಿದೆ; ಇದು ಆಪಲ್‌ನ ನ್ಯೂರಲ್ ಎಂಜಿನ್ (ಕೃತಕ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಪ್ರೊಸೆಸರ್) ಹಾರ್ಡ್‌ವೇರ್ ಅನ್ನು ಬಳಸುತ್ತದೆ. TensorFlow Lite/LiteRT ಎಂಬುದು ಕ್ರಾಸ್-ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪರಿಹಾರವಾಗಿದ್ದು ಅದು Android ಮತ್ತು iOS ಎರಡರಲ್ಲೂ ನಿಮ್ಮ ಸ್ವಂತ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಚಲಾಯಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.

AI ಯೊಂದಿಗಿನ ಸಾಮಾನ್ಯ ಏಕೀಕರಣದ ಹರಿವು ಈ ರೀತಿ ಇರುತ್ತದೆ:

1. ಪ್ರತಿಭೆಯ ವ್ಯಾಖ್ಯಾನ. "ನಾನು ಫೋಟೋದಲ್ಲಿನ ಪಠ್ಯವನ್ನು ಓದಲು ಬಯಸುತ್ತೇನೆ" ಎಂಬಂತಹ ಸ್ಪಷ್ಟ ಗುರಿ.
2. ಮಾರ್ಗ ಆಯ್ಕೆ. ಸಿದ್ಧ ಪ್ರತಿಭೆ ಇದ್ದರೆ, ಎಂಎಲ್ ಕಿಟ್; ವಿಶೇಷ ಮಾದರಿ ಲಭ್ಯವಿದ್ದರೆ ಕೋರ್ ML/TF ಲೈಟ್.
3. ಮಾದರಿ ಸ್ವರೂಪ. .mlmodel (ಕೋರ್ ML), .tflite (TF Lite). AI ರೂಪಾಂತರ ಹಂತಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ.
4. ಏಕೀಕರಣ ಕೋಡ್. ಮಾದರಿಯನ್ನು ಲೋಡ್ ಮಾಡಲಾಗುತ್ತಿದೆ, ಇನ್ಪುಟ್ ಅನ್ನು ಪೂರ್ವಭಾವಿಯಾಗಿ ಸಂಸ್ಕರಿಸುವುದು, ಔಟ್ಪುಟ್ ಅನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು.
5. ಕಾರ್ಯಕ್ಷಮತೆ ಪರೀಕ್ಷೆ. ನೈಜ ಸಾಧನದಲ್ಲಿ ವೇಗ, ಮೆಮೊರಿ, ಬ್ಯಾಟರಿ ಮಾಪನ.

ಎಚ್ಚರಿಕೆ: ಆನ್-ಡಿವೈಸ್ ಮಾಡೆಲ್ ಏಕೀಕರಣದಲ್ಲಿ ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ AI ತಪ್ಪು ಎಂದರೆ ಇನ್‌ಪುಟ್ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ - ಮಾದರಿಯು ನಿರೀಕ್ಷಿಸುವ ಗಾತ್ರ ಮತ್ತು ಬಣ್ಣದ ಸ್ವರೂಪಕ್ಕೆ ಚಿತ್ರವನ್ನು ಪರಿವರ್ತಿಸುವುದು. ಮಾದರಿಯು 224x224 ಪಿಕ್ಸೆಲ್‌ಗಳನ್ನು ನಿರೀಕ್ಷಿಸಿದರೆ ಮತ್ತು ನೀವು ಅದನ್ನು 300x300 ನೀಡಿದರೆ, ಫಲಿತಾಂಶವು ಅರ್ಥಹೀನವಾಗಿರುತ್ತದೆ, ಆದರೆ ನೀವು ದೋಷ ಸಂದೇಶವನ್ನು ಸ್ವೀಕರಿಸುವುದಿಲ್ಲ. ಮಾದರಿಯ ಡಾಕ್ಯುಮೆಂಟ್‌ನಿಂದ ಪೂರ್ವ ಸಂಸ್ಕರಣಾ ಮೌಲ್ಯಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.

ಮಾದರಿಯ ಮಿತಿಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು

ಸಾಧನದ ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ಡೇಟಾವನ್ನು ಆಧರಿಸಿ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಹಗಲಿನಲ್ಲಿ ತೆಗೆದ ಫೋಟೋಗಳಲ್ಲಿ ಮಾತ್ರ ತರಬೇತಿ ಪಡೆದ ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ಮಾದರಿಯು ರಾತ್ರಿಯ ಚಿತ್ರಗಳಲ್ಲಿ ತಪ್ಪಾಗಿರುತ್ತದೆ. ಮಾದರಿಯು ವಿಶ್ವಾಸಾರ್ಹ ಸ್ಕೋರ್ ಅನ್ನು ಹೊಂದಿದೆ (ವಿಶ್ವಾಸ — ಮಾದರಿಯು ಅದರ ಉತ್ತರದ ಬಗ್ಗೆ ಎಷ್ಟು ವಿಶ್ವಾಸ ಹೊಂದಿದೆ, ಸಾಮಾನ್ಯವಾಗಿ 0 ಮತ್ತು 1 ರ ನಡುವೆ); ಕಡಿಮೆ-ವಿಶ್ವಾಸ ಫಲಿತಾಂಶಗಳನ್ನು ಬಳಕೆದಾರರಿಗೆ ನಿಖರವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸುವುದು ಅಪಾಯಕಾರಿ. ಉದಾಹರಣೆಗೆ, ಸ್ಕಿನ್ ಸ್ಪಾಟ್ ಸ್ಕ್ಯಾನಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್ "ಖಂಡಿತವಾಗಿ ಹಾನಿಕರವಲ್ಲ" ಎಂದು ಹೇಳಬಾರದು, ಆದರೆ "ಮಾದರಿಗಳ ಭವಿಷ್ಯ ಹೀಗಿದೆ, ದಯವಿಟ್ಟು ವೈದ್ಯರನ್ನು ಸಂಪರ್ಕಿಸಿ" ಎಂದು ಹೇಳಬೇಕು. ಮಾದರಿ ಫಲಿತಾಂಶವು ಶಿಫಾರಸು, ರೋಗನಿರ್ಣಯವಲ್ಲ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - OCR ನೊಂದಿಗೆ ವೇಗವರ್ಧನೆ. ಎಂಎಲ್ ಕಿಟ್ ಪಠ್ಯ ಗುರುತಿಸುವಿಕೆಯೊಂದಿಗೆ ರಸೀದಿಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ನಮೂದಿಸುವ ಹೊರೆಯನ್ನು ಖರ್ಚು ಟ್ರ್ಯಾಕಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್ ತೆಗೆದುಹಾಕಿದೆ. ಬಳಕೆದಾರರು ರಶೀದಿಯ ಫೋಟೋವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ ಮತ್ತು ಮೊತ್ತ ಮತ್ತು ದಿನಾಂಕವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಭರ್ತಿ ಮಾಡಲಾಗುತ್ತದೆ. ಹಸ್ತಚಾಲಿತ ಪ್ರವೇಶ ಸಮಯವು ಪ್ರತಿ ರಶೀದಿಗೆ 40 ಸೆಕೆಂಡುಗಳಿಂದ 8 ಸೆಕೆಂಡುಗಳಿಗೆ ಕಡಿಮೆಯಾಗಿದೆ. ತಂಡವು ಯಾವಾಗಲೂ AI ಓದಿದ ಪ್ರಮಾಣವನ್ನು ದೃಢೀಕರಿಸುವಂತೆ ಬಳಕೆದಾರರನ್ನು ಹೊಂದಿತ್ತು; ಏಕೆಂದರೆ ಸುಕ್ಕುಗಟ್ಟಿದ ರಸೀದಿಗಳು 6% ಅಂಚು ದೋಷವನ್ನು ಹೊಂದಿವೆ. ಆಟೋಮೇಷನ್ + ಮಾನವ ಅನುಮೋದನೆಯು ಸರಿಯಾದ ಸಮತೋಲನವಾಗಿತ್ತು.

ಪ್ರಕರಣ 2 - ಪೂರ್ವ ಸಂಸ್ಕರಣೆ ದೋಷ. ಒಂದು ತಂಡವು ಟೆನ್ಸರ್‌ಫ್ಲೋ ಲೈಟ್‌ನೊಂದಿಗೆ ಸಸ್ಯ ಗುರುತಿಸುವಿಕೆ ಮಾದರಿಯನ್ನು ಸಂಯೋಜಿಸಿತು; ಪರೀಕ್ಷಕನಲ್ಲಿ, ಫಲಿತಾಂಶಗಳು ಯಾದೃಚ್ಛಿಕವಾಗಿವೆ. ಸಮಸ್ಯೆ ಏನೆಂದರೆ, AI ರಚಿಸಿದ ಕೋಡ್ ಚಿತ್ರವನ್ನು ನಿರೀಕ್ಷಿಸಿದ ಮಾದರಿಯ [0,1] ಶ್ರೇಣಿಗೆ ಸಾಮಾನ್ಯಗೊಳಿಸಲಿಲ್ಲ (ಪಿಕ್ಸೆಲ್ ಮೌಲ್ಯಗಳನ್ನು 0-255 ನಲ್ಲಿ ಬಿಡಲಾಗಿದೆ). ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಸೇರಿಸಿದಾಗ, ನಿಖರತೆಯು 30% ರಿಂದ 89% ಕ್ಕೆ ಏರಿತು. ಪಾಠ: ಪೂರ್ವ ಸಂಸ್ಕರಣೆ ಮೌನವಾಗಿದೆ ಆದರೆ ಮಾರಕವಾಗಿದೆ.

ಪ್ರಕರಣ 3 - ಗೌಪ್ಯತೆ ಲಾಭ. ಆನ್-ಡಿವೈಸ್ ಕೋರ್ ML ಮಾದರಿಯೊಂದಿಗೆ ಹೃದಯ ಬಡಿತದ ಡೇಟಾದಿಂದ ಆರೋಗ್ಯ ಅಪ್ಲಿಕೇಶನ್ ಅಸಂಗತತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಿದೆ. ಡೇಟಾ ಸರ್ವರ್‌ಗೆ ಹೋಗಲಿಲ್ಲ. ಈ ಆಯ್ಕೆಯು ಆಪ್ ಸ್ಟೋರ್ ಗೌಪ್ಯತೆ ಲೇಬಲ್‌ನಲ್ಲಿ "ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದಿಲ್ಲ" ಎಂಬ ಪದಗುಚ್ಛವನ್ನು ಸ್ವೀಕರಿಸಲು ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿದೆ ಮತ್ತು ಪ್ರತಿಸ್ಪರ್ಧಿಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಅದರ ಡೌನ್‌ಲೋಡ್ ದರವನ್ನು ಹೆಚ್ಚಿಸಿದೆ. ಸಾಧನದ ಆಯ್ಕೆಯು ನೈತಿಕ ಮತ್ತು ವಾಣಿಜ್ಯಿಕವಾಗಿ ಲಾಭದಾಯಕವಾಗಿತ್ತು.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ನನ್ನ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಇಮೇಜ್ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಸೇರಿಸಿ."

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್: "ನನ್ನ Android/Kotlin ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಮೊತ್ತ ಮತ್ತು ದಿನಾಂಕವನ್ನು ಓದುವ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಸೇರಿಸಿ. - Google ML Kit ಪಠ್ಯ ಗುರುತಿಸುವಿಕೆ ಬಳಸಿ (ಸಾಧನದಲ್ಲಿ, ಆಫ್‌ಲೈನ್) - ಕ್ಯಾಮರಾ ಅಥವಾ ಗ್ಯಾಲರಿಯಿಂದ ಚಿತ್ರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ - regex ನೊಂದಿಗೆ ಮಾನ್ಯತೆ ಪಡೆದ ಪಠ್ಯದಿಂದ ಮೊತ್ತ ಮತ್ತು ದಿನಾಂಕವನ್ನು ಹೊರತೆಗೆಯಿರಿ - ಬಳಕೆದಾರರಿಗೆ ಅನುಮೋದನೆಗಾಗಿ ಫಲಿತಾಂಶವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿ - ಎಡಿಟಬಲ್ ಮತ್ತು ಪೂರ್ವ-ಉಳಿಸುವಿಕೆಯ ಫೀಲ್ಡ್, ಸ್ವಯಂ-ಸೇವ್ ಡೌನ್ ಫೀಲ್ಡ್, ಸ್ವಯಂ-ಸೇವ್ ಡೌನ್ ಫೀಲ್ಡ್ ಮತ್ತು ದೋಷದ ಸಂದರ್ಭಗಳು, ಹಂತಗಳನ್ನು ವಿವರಿಸಿ."

ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಮಾರ್ಗ ಆಯ್ಕೆ ಟೆಂಪ್ಲೇಟ್: "ನಾನು ಈ ಕೆಳಗಿನ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಮಾಡಲು ಬಯಸುತ್ತೇನೆ: [ವೈಶಿಷ್ಟ್ಯ]. ಇದು ಸಾಧನದಲ್ಲಿ ಅಥವಾ ಕ್ಲೌಡ್ ಆಗಿರಬೇಕು? ಆಧರಿಸಿ ಹೋಲಿಕೆ ಮಾಡಿ: ಗೌಪ್ಯತೆ, ಆಫ್‌ಲೈನ್ ಅಗತ್ಯ, ಮಾದರಿ ಗಾತ್ರ, ಬ್ಯಾಟರಿ, ವೆಚ್ಚ. ಸೂಕ್ತವಾದ ಪರಿಕರವನ್ನು ಶಿಫಾರಸು ಮಾಡಿ (ML Kit / Core ML / TF Lite) ಮತ್ತು ಸಮರ್ಥಿಸಿ."

ಏಕೀಕರಣ ಟೆಂಪ್ಲೇಟ್:"[ಪ್ಲಾಟ್‌ಫಾರ್ಮ್]:1) ಮಾದರಿ ಲೋಡಿಂಗ್ 2) ಇನ್‌ಪುಟ್ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ (ನಿರೀಕ್ಷಿತ ಗಾತ್ರ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣ) 3) ಇನ್ಫರೆನ್ಸ್ ಕರೆ4) ಔಟ್‌ಪುಟ್ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಸ್ಕೋರ್ ಪರಿಶೀಲನೆ 5) ಬಳಕೆದಾರರಿಗೆ ಎಚ್ಚರಿಕೆ ಕಡಿಮೆ-ವಿಶ್ವಾಸ ಫಲಿತಾಂಶಕ್ಕಾಗಿ [ಮಾದರಿ/ಸಾಮರ್ಥ್ಯ] ಏಕೀಕರಣವನ್ನು ಬರೆಯಿರಿ.

ಕಾನ್ಫಿಡೆನ್ಸ್ ಸ್ಕೋರ್ ಟೆಂಪ್ಲೇಟ್:"ಈ ನಿರ್ಣಯದ ಕೋಡ್‌ನಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹ ಸ್ಕೋರ್ ಅನ್ನು ಪರಿಗಣಿಸಿ:- ಪ್ರಸ್ತುತ ಫಲಿತಾಂಶ 'ನಿಖರವಾದ' ಮಿತಿಗಿಂತ ಕೆಳಗೆ (ಉದಾ. 0.6)- ಬಳಕೆದಾರರಿಗೆ 'ಇದು ಅಂದಾಜು' ಟಿಪ್ಪಣಿಯನ್ನು ತೋರಿಸಿ- ನಿರ್ಣಾಯಕ ಪ್ರದೇಶವಾಗಿದ್ದರೆ (ಆರೋಗ್ಯ, ಸುರಕ್ಷತೆ)[ಕೋಡ್]"

ಕಾರ್ಯಕ್ಷಮತೆ ಪರಿಶೀಲನೆ ಟೆಂಪ್ಲೇಟ್: "ಈ ಸಾಧನದ ಮಾದರಿಯ ಏಕೀಕರಣಕ್ಕಾಗಿ ನಾನು ನಿಜವಾದ ಸಾಧನದಲ್ಲಿ ಅಳತೆ ಮಾಡಬೇಕಾದ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: ನಿರ್ಣಯ ಸಮಯ, ಮೆಮೊರಿ ಹೆಚ್ಚಳ, ಬ್ಯಾಟರಿ ಪ್ರಭಾವ, ತಾಪನ. ಪ್ರತಿಯೊಂದಕ್ಕೂ ಮಾಪನ ವಿಧಾನವನ್ನು ತಿಳಿಸಿ."

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಪೂರ್ವ ಸಂಸ್ಕರಣೆಯನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು ಅಥವಾ ತಪ್ಪಾಗಿ ಮಾಡುವುದು. ತಪ್ಪಾದ ಗಾತ್ರ / ಸಾಮಾನ್ಯೀಕರಣವು ಮೌನವಾಗಿ ತಪ್ಪು ಫಲಿತಾಂಶವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
• ಆತ್ಮವಿಶ್ವಾಸದ ಅಂಕವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಕಡಿಮೆ-ವಿಶ್ವಾಸದ ಅಂದಾಜನ್ನು ನಿಖರವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸುವುದು ಬಳಕೆದಾರರನ್ನು ದಾರಿ ತಪ್ಪಿಸುತ್ತದೆ.
• ಎಮ್ಯುಲೇಟರ್ನಲ್ಲಿ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ನಿಜವಾದ ಸಾಧನದ ವೇಗ ಮತ್ತು ಬ್ಯಾಟರಿ ತುಂಬಾ ವಿಭಿನ್ನವಾಗಿದೆ; ಯಾವಾಗಲೂ ನೈಜ ಯಂತ್ರಾಂಶದಲ್ಲಿ ಅಳೆಯಿರಿ.
• ಅನಗತ್ಯವಾಗಿ ಕ್ಲೌಡ್‌ಗೆ ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಕಳುಹಿಸಲಾಗುತ್ತಿದೆ. ಸಾಧನದಲ್ಲಿ ಸಾಧ್ಯವಿರುವಾಗ ಕ್ಲೌಡ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಗೌಪ್ಯತೆ ಅಪಾಯವಾಗಿದೆ.
• ಮಾದರಿ ಗಾತ್ರವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ದೊಡ್ಡ ಮಾದರಿಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಡೌನ್‌ಲೋಡ್ ಗಾತ್ರವನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ ಮತ್ತು ಕಡಿಮೆ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಕ್ರ್ಯಾಶ್ ಆಗುತ್ತವೆ.
• ಮಾದರಿಯ ತರಬೇತಿ ಮಿತಿಯನ್ನು ಮರೆತುಬಿಡುವುದು. ಮಾದರಿಯು ನೋಡದ ಸ್ಥಿತಿಯಲ್ಲಿ ತಪ್ಪಾಗಿದೆ (ರಾತ್ರಿ, ವಿಭಿನ್ನ ಭಾಷೆ); ಇದನ್ನು ಬಳಕೆದಾರರಿಗೆ ಸ್ಪಷ್ಟಪಡಿಸಿ.

ಸಾರಾಂಶದಲ್ಲಿ

ಫೋನ್‌ನಲ್ಲಿ ಡೇಟಾವನ್ನು ಇಟ್ಟುಕೊಳ್ಳುವ ಮೂಲಕ ಆನ್-ಡಿವೈಸ್ AI ಗೌಪ್ಯತೆ, ವೇಗ ಮತ್ತು ಆಫ್‌ಲೈನ್ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ; ಮಿತಿಯು ಸಾಧನದ ಶಕ್ತಿ ಮತ್ತು ಮಾದರಿಯ ಗಾತ್ರವಾಗಿದೆ. ML ಕಿಟ್ ಅನ್ನು ಬಾಕ್ಸ್‌ನ ಹೊರಗಿನ ಸಾಮರ್ಥ್ಯಗಳಿಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಕೋರ್ ML (iOS) ಮತ್ತು ಟೆನ್ಸರ್‌ಫ್ಲೋ ಲೈಟ್ (ಕ್ರಾಸ್-ಪ್ಲಾಟ್‌ಫಾರ್ಮ್) ಅನ್ನು ಕಸ್ಟಮ್ ಮಾದರಿಗಳಿಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಏಕೀಕರಣದ ಮೂಕ ಕೊಲೆಗಾರ ಅಸಮರ್ಪಕ ಪೂರ್ವ ಸಂಸ್ಕರಣೆಯಾಗಿದೆ; ಇನ್‌ಪುಟ್ ಗಾತ್ರ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಮಾದರಿಯ ದಾಖಲಾತಿಯಿಂದ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿ ಫಲಿತಾಂಶವು ವಿಶ್ವಾಸಾರ್ಹ ಸ್ಕೋರ್‌ನೊಂದಿಗೆ ಬರುತ್ತದೆ ಮತ್ತು ಕಡಿಮೆ ವಿಶ್ವಾಸಾರ್ಹ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಸಂಪೂರ್ಣ ಸತ್ಯವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುವುದಿಲ್ಲ. ನಿರ್ಧಾರಗಳನ್ನು ನೈಜ ಸಾಧನದಲ್ಲಿ ಅಳೆಯಲಾಗುತ್ತದೆ, ಎಮ್ಯುಲೇಟರ್ ಅಲ್ಲ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

"ಫೋಟೋದಿಂದ ಪಠ್ಯ ಓದುವಿಕೆ" ಅಥವಾ "ಬಾರ್‌ಕೋಡ್ ಓದುವಿಕೆ" ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ, "ಪಾತ್ ಆಯ್ಕೆ ಟೆಂಪ್ಲೇಟ್" ನೊಂದಿಗೆ ಸಾಧನದಲ್ಲಿ ಅಥವಾ ಕ್ಲೌಡ್ ಆಗಿರಬೇಕೆ ಎಂದು AI ಅನ್ನು ಕೇಳಿ, ನಂತರ "ಇಂಟಿಗ್ರೇಷನ್ ಟೆಂಪ್ಲೇಟ್" ನೊಂದಿಗೆ ML ಕಿಟ್ ಆಧಾರಿತ ಬ್ಲೂಪ್ರಿಂಟ್ ಅನ್ನು ಕೇಳಿ. ಕೋಡ್‌ನಲ್ಲಿ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ ಹಂತ ಮತ್ತು ಬಳಕೆದಾರರ ಅನುಮೋದನೆ/ಸಂಪಾದನೆ ಹರಿವು ಇದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ. ಟ್ರಸ್ಟ್ ಸ್ಕೋರ್ ಥ್ರೆಶೋಲ್ಡ್ ಅನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ಫಲಿತಾಂಶವು ಕಡಿಮೆ ನಂಬಿಕೆಯಾಗಿದ್ದರೆ ನೀವು ಏನು ಮಾಡುತ್ತೀರಿ ಎಂದು ಬರೆಯಿರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಮಾನದಂಡದ ಆಧಾರದ ಮೇಲೆ ಸಾಧನ/ಕ್ಲೌಡ್ ನಿರ್ಧಾರವನ್ನು ಮಾಡಿದ್ದೇನೆ
• [ ] ನಾನು ಸರಿಯಾದ ಸಾಧನವನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇನೆ (ML ಕಿಟ್ / ಕೋರ್ ML / TF ಲೈಟ್)
• [ ] ನಾನು ಮಾದರಿಯ ದಾಖಲಾತಿಯಿಂದ ಪೂರ್ವ ಸಂಸ್ಕರಣೆಯ ಆಯಾಮ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ
• [ ] ನಾನು ಟ್ರಸ್ಟ್ ಸ್ಕೋರ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ ಮತ್ತು ಕಡಿಮೆ ವಿಶ್ವಾಸಾರ್ಹ ಫಲಿತಾಂಶಗಳ ಬಗ್ಗೆ ಎಚ್ಚರಿಸಿದೆ
• [ ] ನಾನು ಬಳಕೆದಾರರಿಗೆ ಅನುಮೋದನೆ/ಸಂಪಾದನೆಯೊಂದಿಗೆ ಫಲಿತಾಂಶವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿದ್ದೇನೆ, ನಾನು ಅದನ್ನು ಕುರುಡಾಗಿ ಉಳಿಸಲಿಲ್ಲ
• [ ] ನಾನು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೈಜ ಸಾಧನದಲ್ಲಿ ಅಳೆಯಿದ್ದೇನೆ, ಎಮ್ಯುಲೇಟರ್ ಅಲ್ಲ