ഉപകരണത്തിലെ AI: കോർ ML, TensorFlow Lite, ML കിറ്റ്

നേട്ടങ്ങൾ:

• സ്വകാര്യത, ഓഫ്‌ലൈൻ ആവശ്യം, മോഡൽ വലുപ്പം, ബാറ്ററി മാനദണ്ഡം എന്നിവയെ അടിസ്ഥാനമാക്കി ഉപകരണത്തിലോ ക്ലൗഡിലോ തീരുമാനിക്കാനും ശരിയായ ഉപകരണം (ML കിറ്റ്, കോർ ML, TensorFlow Lite) തിരഞ്ഞെടുക്കാനുമുള്ള കഴിവ്
• മോഡൽ ഇൻ്റഗ്രേഷനിൽ മോഡലിൻ്റെ ഡോക്യുമെൻ്റിൽ നിന്ന് ഇൻപുട്ട് പ്രീപ്രോസസ്സിംഗ് (വലിപ്പവും നോർമലൈസേഷനും) പരിശോധിച്ച് നിശബ്ദ പിശകുകൾ തടയാനുള്ള കഴിവ്
• ആത്മവിശ്വാസം കുറഞ്ഞ പ്രവചനങ്ങളെ സമ്പൂർണ്ണ സത്യമായി അവതരിപ്പിക്കാതെ, ഉപയോക്തൃ അംഗീകാരത്തോടെയും യഥാർത്ഥ ഉപകരണത്തിൽ നിന്നും ആത്മവിശ്വാസ സ്കോർ വിലയിരുത്താനും ഫലം അളക്കാനുമുള്ള കഴിവ്.

ഇതുവരെ, വികസന പ്രക്രിയ വേഗത്തിലാക്കാൻ ഞങ്ങൾ AI ഒരു സഹായമായി ഉപയോഗിച്ചു. ഇപ്പോൾ നമ്മൾ AI-യുടെ രണ്ടാമത്തെ റോളിലേക്ക് നീങ്ങുന്നു: ആപ്ലിക്കേഷനിൽ ഉൾച്ചേർത്ത കഴിവുകൾ. ഇമേജ് റെക്കഗ്നിഷൻ, ടെക്സ്റ്റ് ട്രാൻസ്ലേഷൻ, സ്പീച്ച് ട്രാൻസ്ക്രിപ്ഷൻ തുടങ്ങിയ AI മോഡലുകൾ ഉപകരണത്തിൽ നേരിട്ട് പ്രവർത്തിപ്പിക്കാനുള്ള ശക്തി ആധുനിക ഫോണുകൾക്ക് ഉണ്ട് (ഉപകരണത്തിൽ — സെർവറിലേക്ക് പോകാതെ തന്നെ ഫോണിൻ്റെ സ്വന്തം പ്രൊസസറിൽ). ഉപകരണത്തിൽ AI; വേഗത, സ്വകാര്യത, ഓഫ്‌ലൈൻ പ്രവർത്തനം എന്നിവയിൽ ക്ലൗഡ് സൊല്യൂഷനുകളേക്കാൾ മികച്ച നേട്ടങ്ങൾ ഇത് വാഗ്ദാനം ചെയ്യുന്നു. ഈ യൂണിറ്റിൽ, iOS-ൻ്റെ Core ML, ക്രോസ്-പ്ലാറ്റ്ഫോം TensorFlow Lite (ഇപ്പോൾ LiteRT എന്നറിയപ്പെടുന്നു), Google-ൻ്റെ റെഡിമെയ്ഡ് സൊല്യൂഷൻ ML കിറ്റ് എന്നിവ ഉപയോഗിച്ച് AI എങ്ങനെ ആപ്ലിക്കേഷനിൽ ഉൾപ്പെടുത്താമെന്നും ഈ സംയോജനത്തിൽ AI എങ്ങനെ ഒരു സഹായിയായി ഉപയോഗിക്കാമെന്നും ഞങ്ങൾ പഠിക്കും.

ഉപകരണത്തിലോ ക്ലൗഡിലോ?

ഇത് ആദ്യത്തേതും പ്രധാനപ്പെട്ടതുമായ വാസ്തുവിദ്യാ തീരുമാനമാണ്. ഉപകരണത്തിലെ AI ഫോണിൽ നിന്ന് ഡാറ്റ നീക്കം ചെയ്യുന്നില്ല - സ്വകാര്യതയ്ക്ക് വലിയ വിജയം. നെറ്റ്‌വർക്ക് ലേറ്റൻസി ഇല്ലാത്തതിനാൽ ഇത് തൽക്ഷണം പ്രവർത്തിക്കുകയും ഓഫ്‌ലൈനായി പ്രവർത്തിക്കുകയും ചെയ്യുന്നു. എന്നിരുന്നാലും, ഉപകരണത്തിൻ്റെ പ്രോസസ്സിംഗ് പവറും മെമ്മറിയും ഇത് പരിമിതപ്പെടുത്തിയിരിക്കുന്നു; വളരെ വലിയ മോഡലുകൾ (ഉദാ. ഭീമൻ നാവ് മോഡലുകൾ) ഫോണിൽ ഘടിപ്പിക്കില്ല അല്ലെങ്കിൽ ബാറ്ററി കളയുക. മറുവശത്ത്, ക്ലൗഡ് AI അൺലിമിറ്റഡ് പവർ വാഗ്ദാനം ചെയ്യുന്നു, പക്ഷേ സെർവറിലേക്ക് ഡാറ്റ അയയ്ക്കുന്നു, നെറ്റ്‌വർക്ക് ആവശ്യമാണ്, ലേറ്റൻസി സൃഷ്ടിക്കുന്നു.

മാനദണ്ഡം

ഉപകരണത്തിൽ

ക്ലൗഡ് (ക്ലൗഡ് API)

സ്വകാര്യത

ഉപകരണത്തിൽ ഡാറ്റ നിലനിൽക്കും, ശക്തമായി

ഡാറ്റ സെർവറിലേക്ക് പോകുന്നു, ശ്രദ്ധ ആവശ്യമാണ്

വേഗത

തൽക്ഷണം, നെറ്റ്‌വർക്ക് ഇല്ല

നെറ്റ്‌വർക്ക് ലേറ്റൻസിയെ ആശ്രയിച്ചിരിക്കുന്നു

ഓഫ്‌ലൈൻ

ഇത് പ്രവർത്തിക്കുന്നു

പ്രവർത്തിക്കുന്നില്ല

മോഡൽ വലിപ്പം

പരിമിതം (ഫോൺ ഉറവിടം)

പരിധിയില്ലാത്ത

ബാറ്ററി/ചൂട്

കനത്ത ഉപയോഗത്തോടെയുള്ള ഇഫക്റ്റുകൾ

സെർവർ ലോഡിന് കീഴിലാണ്, ഉപകരണം വിശ്രമിച്ചു

ചെലവ്

സൗജന്യം (ഉപകരണ ഉറവിടം)

ഓരോ ഉപയോഗത്തിനും ഫീസ്

തീരുമാന നിയമം: വ്യക്തിഗത/ സെൻസിറ്റീവ് ഡാറ്റ പ്രോസസ്സ് ചെയ്യുകയാണെങ്കിലോ ഓഫ്‌ലൈനിൽ പ്രവർത്തിക്കേണ്ടതുണ്ടോ അല്ലെങ്കിൽ തൽക്ഷണ പ്രതികരണം അനിവാര്യമാണെങ്കിൽ ഉപകരണത്തിൽ തന്നെ തിരഞ്ഞെടുക്കുക. നിങ്ങൾക്ക് വളരെ വലിയ മോഡൽ വേണമെങ്കിൽ, ക്ലൗഡിലേക്ക് തിരിയുക. ഈ യൂണിറ്റ് ഉപകരണത്തിൽ കേന്ദ്രീകരിച്ചിരിക്കുന്നു; അടുത്ത യൂണിറ്റിൽ ഞങ്ങൾ ക്ലൗഡ് AI കവർ ചെയ്യും.

നുറുങ്ങ്: സെൻസിറ്റീവ് ഡാറ്റ (ആരോഗ്യം, ബയോമെട്രിക്‌സ്, ലൊക്കേഷൻ) കൈകാര്യം ചെയ്യുന്ന ഒരു സവിശേഷതയ്ക്കായി എല്ലായ്‌പ്പോഴും ഉപകരണത്തിൽ നിങ്ങളുടെ ഡിഫോൾട്ട് ആക്കുക. “ഡാറ്റ ഉപകരണത്തിൽ നിന്ന് പുറത്തുപോകില്ല” എന്ന വാചകം സ്വകാര്യത പാലിക്കുന്നതിനും ഉപയോക്തൃ വിശ്വാസത്തിനും വിലമതിക്കാനാവാത്തതാണ്, കൂടാതെ സ്റ്റോർ സ്വകാര്യത ലേബലിൽ വലിയ വ്യത്യാസവും ഉണ്ടാക്കുന്നു.

മൂന്ന് വഴികൾ: ML കിറ്റ്, കോർ ML, TensorFlow Lite

എംഎൽ കിറ്റ് (ഗൂഗിൾ) ആരംഭിക്കാനുള്ള എളുപ്പവഴിയാണ്: ടെക്സ്റ്റ് റെക്കഗ്നിഷൻ (OCR — ഒരു ഇമേജിലെ വാചകം വായിക്കുക), മുഖം കണ്ടെത്തൽ, ബാർകോഡ് വായന, കുറച്ച് വരികളിൽ വിവർത്തനം തുടങ്ങിയ റെഡിമെയ്ഡ് കഴിവുകൾ ഇത് നൽകുന്നു. നിങ്ങളുടെ സ്വന്തം മോഡൽ പരിശീലിപ്പിക്കേണ്ടതില്ല. നിങ്ങളുടെ സ്വന്തം മോഡൽ അല്ലെങ്കിൽ iOS-ൽ ഒരു റെഡിമെയ്ഡ് മോഡൽ പ്രവർത്തിപ്പിക്കുന്നതിനുള്ള ഏറ്റവും കാര്യക്ഷമമായ മാർഗമാണ് കോർ ML (ആപ്പിൾ). ഇത് ആപ്പിളിൻ്റെ ന്യൂറൽ എഞ്ചിൻ (കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്ക് പ്രോസസർ) ഹാർഡ്‌വെയർ ഉപയോഗിക്കുന്നു. TensorFlow Lite/LiteRT എന്നത് Android, iOS എന്നിവയിൽ നിങ്ങളുടെ സ്വന്തം പരിശീലനം ലഭിച്ച മോഡൽ പ്രവർത്തിപ്പിക്കാൻ അനുവദിക്കുന്ന ഒരു ക്രോസ്-പ്ലാറ്റ്ഫോം പരിഹാരമാണ്.

AI-യുമായുള്ള പൊതുവായ സംയോജന പ്രവാഹം ഇങ്ങനെ പോകുന്നു:

1. പ്രതിഭയുടെ നിർവചനം. "എനിക്ക് ഫോട്ടോയിലെ വാചകം വായിക്കണം" എന്നതുപോലുള്ള വ്യക്തമായ ലക്ഷ്യം.
2. പാത തിരഞ്ഞെടുക്കൽ. തയ്യാറായ പ്രതിഭയുണ്ടെങ്കിൽ എം.എൽ.കിറ്റ്; പ്രത്യേക മോഡൽ ലഭ്യമാണെങ്കിൽ കോർ ML/TF ലൈറ്റ്.
3. മോഡൽ ഫോർമാറ്റ്. .mlmodel (Core ML), .tflite (TF Lite). AI പരിവർത്തന ഘട്ടങ്ങൾ വിശദീകരിക്കുന്നു.
4. സംയോജന കോഡ്. മോഡൽ ലോഡുചെയ്യുന്നു, ഇൻപുട്ട് പ്രീപ്രോസസ് ചെയ്യുന്നു, ഔട്ട്പുട്ട് വ്യാഖ്യാനിക്കുന്നു.
5. പ്രകടന പരിശോധന. യഥാർത്ഥ ഉപകരണത്തിൽ വേഗത, മെമ്മറി, ബാറ്ററി അളക്കൽ.

മുൻകരുതൽ: ഓൺ-ഡിവൈസ് മോഡൽ ഇൻ്റഗ്രേഷനിലെ ഏറ്റവും സാധാരണമായ AI തെറ്റ് ഇൻപുട്ട് പ്രീപ്രൊസസ്സിംഗ് ആണ് - മോഡൽ പ്രതീക്ഷിക്കുന്ന വലുപ്പത്തിലേക്കും വർണ്ണ ഫോർമാറ്റിലേക്കും ചിത്രം പരിവർത്തനം ചെയ്യുന്നു. മോഡൽ 224x224 പിക്സലുകൾ പ്രതീക്ഷിക്കുകയും നിങ്ങൾ അതിന് 300x300 നൽകുകയും ചെയ്താൽ, ഫലം അർത്ഥശൂന്യമായിരിക്കും, പക്ഷേ നിങ്ങൾക്ക് ഒരു പിശക് സന്ദേശം ലഭിക്കില്ല. മോഡലിൻ്റെ പ്രമാണത്തിൽ നിന്ന് പ്രീപ്രോസസ്സിംഗ് മൂല്യങ്ങൾ പരിശോധിക്കുക.

മോഡലിൻ്റെ പരിധികൾ അറിയുക

ഒരു ഉപകരണ മോഡൽ അത് പരിശീലിപ്പിച്ച ഡാറ്റയെ അടിസ്ഥാനമാക്കി തീരുമാനങ്ങൾ എടുക്കുന്നു. പകൽ സമയത്ത് എടുത്ത ഫോട്ടോകളിൽ മാത്രം പരിശീലിപ്പിച്ച ഒബ്ജക്റ്റ് റെക്കഗ്നിഷൻ മോഡൽ രാത്രി ചിത്രങ്ങളിൽ തെറ്റായിരിക്കും. മോഡലിന് ഒരു കോൺഫിഡൻസ് സ്‌കോർ ഉണ്ട് (ആത്മവിശ്വാസം - മോഡലിന് അതിൻ്റെ ഉത്തരത്തെക്കുറിച്ച് എത്രമാത്രം ആത്മവിശ്വാസമുണ്ട്, സാധാരണയായി 0 നും 1 നും ഇടയിൽ); ഉപയോക്താവിന് ആത്മവിശ്വാസം കുറഞ്ഞ ഫലങ്ങൾ കൃത്യതയോടെ അവതരിപ്പിക്കുന്നത് അപകടകരമാണ്. ഉദാഹരണത്തിന്, ഒരു സ്കിൻ സ്പോട്ട് സ്കാനിംഗ് ആപ്ലിക്കേഷൻ "തീർച്ചയായും ദോഷകരമല്ല" എന്ന് പറയരുത്, എന്നാൽ "മോഡലിൻ്റെ പ്രവചനം ഇതാണ്, ദയവായി ഒരു ഡോക്ടറെ സമീപിക്കുക" എന്ന് പറയണം. മാതൃകാ ഫലം ഒരു ശുപാർശയാണ്, രോഗനിർണയമല്ല.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - OCR ഉപയോഗിച്ചുള്ള ത്വരണം. ML കിറ്റ് ടെക്‌സ്‌റ്റ് തിരിച്ചറിയൽ ഉപയോഗിച്ച് രസീതുകൾ സ്വമേധയാ നൽകുന്നതിൻ്റെ ഭാരം ഒരു ചെലവ് ട്രാക്കിംഗ് ആപ്പ് നീക്കം ചെയ്‌തു. ഉപയോക്താവ് രസീതിൻ്റെ ഫോട്ടോ എടുക്കുകയും തുകയും തീയതിയും സ്വയമേവ പൂരിപ്പിക്കുകയും ചെയ്യുന്നു. മാനുവൽ എൻട്രി സമയം ഒരു രസീതിക്ക് 40 സെക്കൻഡിൽ നിന്ന് 8 സെക്കൻഡായി കുറഞ്ഞു. AI വായിച്ച തുക സ്ഥിരീകരിക്കാൻ ടീമിന് എപ്പോഴും ഉപയോക്താവുണ്ടായിരുന്നു; കാരണം ചുളിവുകളുള്ള രസീതുകൾക്ക് 6% മാർജിൻ പിശക് ഉണ്ടായിരുന്നു. ഓട്ടോമേഷൻ + മനുഷ്യ അംഗീകാരം ശരിയായ ബാലൻസ് ആയിരുന്നു.

കേസ് 2 - പ്രീപ്രോസസിംഗ് പിശക്. ഒരു ടീം TensorFlow Lite-മായി ഒരു പ്ലാൻ്റ് റെക്കഗ്നിഷൻ മോഡൽ സംയോജിപ്പിച്ചു; ടെസ്റ്ററിൽ, ഫലങ്ങൾ ക്രമരഹിതമായിരുന്നു. AI സൃഷ്ടിച്ച കോഡ്, പ്രതീക്ഷിച്ച മോഡലിൻ്റെ [0,1] ശ്രേണിയിലേക്ക് ഇമേജിനെ നോർമലൈസ് ചെയ്തില്ല എന്നതാണ് പ്രശ്നം (പിക്സൽ മൂല്യങ്ങൾ 0-255 ൽ അവശേഷിക്കുന്നു). നോർമലൈസേഷൻ ചേർത്തപ്പോൾ, കൃത്യത 30% ൽ നിന്ന് 89% ആയി വർദ്ധിച്ചു. പാഠം: പ്രീപ്രോസസ്സിംഗ് നിശബ്ദമാണ്, പക്ഷേ മാരകമാണ്.

കേസ് 3 - സ്വകാര്യത നേട്ടം. ഉപകരണത്തിലെ കോർ ML മോഡലിലുള്ള ഹൃദയമിടിപ്പ് ഡാറ്റയിൽ നിന്ന് ഒരു ആരോഗ്യ ആപ്ലിക്കേഷൻ അപാകത കണ്ടെത്തി. ഡാറ്റ ഒരിക്കലും സെർവറിലേക്ക് പോയിട്ടില്ല. ഈ ചോയ്‌സ് ആപ്പ് സ്റ്റോർ സ്വകാര്യതാ ലേബലിൽ "ഡാറ്റ ശേഖരിക്കുന്നില്ല" എന്ന വാചകം സ്വീകരിക്കുന്നതിന് അപ്ലിക്കേഷനെ പ്രാപ്‌തമാക്കുകയും എതിരാളികളെ അപേക്ഷിച്ച് അതിൻ്റെ ഡൗൺലോഡ് നിരക്ക് വർദ്ധിപ്പിക്കുകയും ചെയ്തു. ഉപകരണത്തിലെ തിരഞ്ഞെടുപ്പ് ധാർമ്മികവും വാണിജ്യപരമായി ലാഭകരവുമായിരുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ നിർദ്ദേശം: "എൻ്റെ ആപ്പിലേക്ക് ഇമേജ് തിരിച്ചറിയൽ ചേർക്കുക."

ശക്തമായ നിർദ്ദേശം: "എൻ്റെ ആൻഡ്രോയിഡ്/കോട്ട്ലിൻ ആപ്ലിക്കേഷനിലേക്ക് തുകയും തീയതി റീഡിംഗ് ഫീച്ചറും ചേർക്കുക. - Google ML കിറ്റ് ടെക്‌സ്‌റ്റ് റെക്കഗ്നിഷൻ ഉപയോഗിക്കുക (ഉപകരണത്തിൽ, ഓഫ്‌ലൈൻ) - ക്യാമറയിൽ നിന്നോ ഗാലറിയിൽ നിന്നോ ചിത്രമെടുക്കുക - regex ഉപയോഗിച്ച് അംഗീകൃത ടെക്‌സ്‌റ്റിൽ നിന്ന് തുകയും തീയതിയും എക്‌സ്‌ട്രാക്‌റ്റ് ചെയ്യുക - അംഗീകാരത്തിനായി ഉപയോക്താവിന് ഫലം അവതരിപ്പിക്കുക - എഡിറ്റ് ചെയ്യാവുന്നതും ക്യാമറയുടെ അനുമതി ഡൗൺ മുൻകൂർ-സേവ് ഫീൽഡിൽ ഹാൻഡ് ചെയ്യൂ. പിശക് സാഹചര്യങ്ങൾ, ഘട്ടങ്ങൾ വിശദീകരിക്കുക."

പകർത്താവുന്ന ടെംപ്ലേറ്റുകൾ

പാത തിരഞ്ഞെടുക്കൽ ടെംപ്ലേറ്റ്: "എനിക്ക് ഇനിപ്പറയുന്ന ഫീച്ചർ നിർമ്മിക്കണം: [ഫീച്ചർ]. അത് ഉപകരണത്തിലോ ക്ലൗഡിലോ വേണോ? ഇവയെ അടിസ്ഥാനമാക്കി താരതമ്യം ചെയ്യുക: സ്വകാര്യത, ഓഫ്‌ലൈൻ ആവശ്യകത, മോഡൽ വലുപ്പം, ബാറ്ററി, ചെലവ്. ഉചിതമായ ഉപകരണം (ML കിറ്റ് / കോർ ML / TF ലൈറ്റ്) ശുപാർശ ചെയ്ത് ന്യായീകരിക്കുക."

ഇൻ്റഗ്രേഷൻ ടെംപ്ലേറ്റ്:"[പ്ലാറ്റ്ഫോം]:1) മോഡൽ ലോഡിംഗ്2) ഇൻപുട്ട് പ്രീപ്രോസസിംഗ് (പ്രതീക്ഷിച്ച വലുപ്പവും നോർമലൈസേഷനും) 3) അനുമാന കോൾ4) ഔട്ട്പുട്ട് വ്യാഖ്യാനവും കോൺഫിഡൻസ് സ്കോർ പരിശോധിക്കലും 5) ആത്മവിശ്വാസം കുറഞ്ഞ ഉപയോക്താവിന് മുന്നറിയിപ്പ്.

കോൺഫിഡൻസ് സ്‌കോർ ടെംപ്ലേറ്റ്:"ഈ അനുമാന കോഡിലെ കോൺഫിഡൻസ് സ്‌കോർ പരിഗണിക്കുക:- ത്രെഷോൾഡിന് താഴെ 'കൃത്യം' ഫലം അവതരിപ്പിക്കുക (ഉദാ. 0.6)- 'ഇത് ഒരു എസ്റ്റിമേറ്റ്' കുറിപ്പാണ് ഉപയോക്താവിനെ കാണിക്കുക- നിർണായക മേഖലയാണെങ്കിൽ (ആരോഗ്യം, സുരക്ഷ)[കോഡ്]"

പ്രകടന സ്ഥിരീകരണ ടെംപ്ലേറ്റ്: "ഈ ഉപകരണത്തിലെ മോഡൽ സംയോജനത്തിനായി യഥാർത്ഥ ഉപകരണത്തിൽ എനിക്ക് അളക്കേണ്ട അളവുകൾ ലിസ്റ്റ് ചെയ്യുക: അനുമാന സമയം, മെമ്മറി വർദ്ധനവ്, ബാറ്ററി ഇംപാക്റ്റ്, ഹീറ്റിംഗ്. ഓരോന്നിനും അളക്കൽ രീതി പറയുക."

സാധാരണ തെറ്റുകൾ

• പ്രീപ്രോസസിംഗ് ഒഴിവാക്കുകയോ തെറ്റായി ചെയ്യുകയോ ചെയ്യുക. തെറ്റായ വലുപ്പം / സാധാരണവൽക്കരണം നിശബ്ദമായി തെറ്റായ ഫലം നൽകുന്നു.
• ആത്മവിശ്വാസ സ്കോർ അവഗണിക്കുന്നു. ആത്മവിശ്വാസം കുറഞ്ഞ എസ്റ്റിമേറ്റ് കൃത്യതയുള്ളതായി അവതരിപ്പിക്കുന്നത് ഉപയോക്താവിനെ തെറ്റിദ്ധരിപ്പിക്കും.
• എമുലേറ്ററിൽ മോഡൽ പരിശോധിക്കുന്നു. യഥാർത്ഥ ഉപകരണ വേഗതയും ബാറ്ററിയും വളരെ വ്യത്യസ്തമാണ്; എല്ലായ്പ്പോഴും യഥാർത്ഥ ഹാർഡ്‌വെയറിൽ അളക്കുക.
• ക്ലൗഡിലേക്ക് അനാവശ്യമായി സെൻസിറ്റീവ് ഡാറ്റ അയയ്ക്കുന്നു. ഉപകരണത്തിൽ സാധ്യമാകുമ്പോൾ ക്ലൗഡ് തിരഞ്ഞെടുക്കുന്നത് ഒരു സ്വകാര്യത അപകടമാണ്.
• മോഡൽ വലുപ്പം അവഗണിക്കുന്നു. വലിയ മോഡൽ ആപ്പുകൾ ഡൗൺലോഡ് വലുപ്പം വർദ്ധിപ്പിക്കുകയും കുറഞ്ഞ ഹാർഡ്‌വെയറിൽ ക്രാഷ് ചെയ്യുകയും ചെയ്യുന്നു.
• മോഡലിൻ്റെ പരിശീലന പരിധി മറക്കുന്നു. മോഡൽ അത് കാണാത്ത അവസ്ഥയിൽ തെറ്റിദ്ധരിക്കപ്പെടുന്നു (രാത്രി, വ്യത്യസ്ത ഭാഷ); ഇത് ഉപയോക്താവിന് വ്യക്തമാക്കുക.

ചുരുക്കത്തിൽ

ഫോണിലെ ഡാറ്റ സൂക്ഷിക്കുന്നതിലൂടെ ഉപകരണത്തിലെ AI സ്വകാര്യതയും വേഗതയും ഓഫ്‌ലൈൻ പ്രവർത്തനവും നൽകുന്നു; ഉപകരണത്തിൻ്റെ ശക്തിയും മോഡൽ വലുപ്പവുമാണ് പരിധി. ബോക്‌സിന് പുറത്തുള്ള കഴിവുകൾക്കായി ML കിറ്റ് ഉപയോഗിക്കുന്നു, ഇഷ്ടാനുസൃത മോഡലുകൾക്ക് Core ML (iOS), TensorFlow Lite (ക്രോസ്-പ്ലാറ്റ്‌ഫോം) എന്നിവ ഉപയോഗിക്കുന്നു. ഏകീകരണത്തിൻ്റെ നിശബ്ദ കൊലയാളി അനുചിതമായ പ്രീപ്രോസസ്സിംഗ് ആണ്; ഇൻപുട്ട് വലുപ്പവും നോർമലൈസേഷനും മോഡലിൻ്റെ ഡോക്യുമെൻ്റേഷനിൽ നിന്ന് പരിശോധിച്ചുറപ്പിച്ചിരിക്കുന്നു. ഓരോ ഫലവും ഒരു കോൺഫിഡൻസ് സ്‌കോറോടെയാണ് വരുന്നത്, കുറഞ്ഞ ആത്മവിശ്വാസമുള്ള പ്രവചനങ്ങൾ കേവല സത്യമായി അവതരിപ്പിക്കപ്പെടുന്നില്ല. തീരുമാനങ്ങൾ അളക്കുന്നത് യഥാർത്ഥ ഉപകരണത്തിലാണ്, എമുലേറ്ററിലല്ല.

ആപ്ലിക്കേഷൻ ടാസ്ക്

“ഫോട്ടോയിൽ നിന്നുള്ള ടെക്‌സ്‌റ്റ് റീഡിംഗ്” അല്ലെങ്കിൽ “ബാർകോഡ് റീഡിംഗ്” ഫീച്ചറിന്, അത് ഉപകരണത്തിലാണോ അതോ “പാത്ത് സെലക്ഷൻ ടെംപ്ലേറ്റ്” ഉള്ള ക്ലൗഡാണോ എന്ന് AI-യോട് ചോദിക്കുക, തുടർന്ന് “ഇൻ്റഗ്രേഷൻ ടെംപ്ലേറ്റ്” ഉള്ള ഒരു ML കിറ്റ് അടിസ്ഥാനമാക്കിയുള്ള ബ്ലൂപ്രിൻ്റ് ആവശ്യപ്പെടുക. പ്രീപ്രോസസിംഗ് ഘട്ടവും ഉപയോക്തൃ അംഗീകാരം/എഡിറ്റ് ഫ്ലോയും കോഡിൽ ഉണ്ടെന്ന് പരിശോധിക്കുക. ഒരു ട്രസ്റ്റ് സ്കോർ ത്രെഷോൾഡ് സജ്ജീകരിച്ച് ഫലം കുറഞ്ഞ വിശ്വാസ്യതയാണെങ്കിൽ നിങ്ങൾ എന്തുചെയ്യുമെന്ന് എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] മാനദണ്ഡങ്ങൾ അടിസ്ഥാനമാക്കിയാണ് ഞാൻ ഉപകരണത്തിൽ/ക്ലൗഡ് തീരുമാനമെടുത്തത്
• [ ] ഞാൻ ശരിയായ ടൂൾ തിരഞ്ഞെടുത്തു (ML കിറ്റ് / കോർ ML / TF ലൈറ്റ്)
• [ ] ഞാൻ മോഡലിൻ്റെ ഡോക്യുമെൻ്റേഷനിൽ നിന്ന് പ്രീപ്രോസസിംഗ് അളവും നോർമലൈസേഷനും പരിശോധിച്ചു
• [ ] ഞാൻ ട്രസ്റ്റ് സ്കോർ പരിശോധിക്കുകയും കുറഞ്ഞ ട്രസ്റ്റ് ഫലങ്ങളെക്കുറിച്ച് മുന്നറിയിപ്പ് നൽകുകയും ചെയ്തു
• [ ] ഞാൻ അംഗീകാരം/എഡിറ്റ് സഹിതം ഉപയോക്താവിന് ഫലം അവതരിപ്പിച്ചു, ഞാൻ അത് അന്ധമായി സംരക്ഷിച്ചില്ല
• [ ] ഞാൻ പ്രകടനം അളന്നത് യഥാർത്ഥ ഉപകരണത്തിലാണ്, എമുലേറ്ററിലല്ല