ਲਾਭ:
- ਗੋਪਨੀਯਤਾ, ਔਫਲਾਈਨ ਲੋੜ, ਮਾਡਲ ਆਕਾਰ ਅਤੇ ਬੈਟਰੀ ਮਾਪਦੰਡ ਦੇ ਆਧਾਰ 'ਤੇ ਡਿਵਾਈਸ ਜਾਂ ਕਲਾਉਡ ਦਾ ਫੈਸਲਾ ਕਰਨ ਅਤੇ ਸਹੀ ਟੂਲ (ML ਕਿੱਟ, ਕੋਰ ML, ਟੈਨਸਰਫਲੋ ਲਾਈਟ) ਦੀ ਚੋਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਮਾਡਲ ਏਕੀਕਰਣ ਵਿੱਚ ਮਾਡਲ ਦੇ ਦਸਤਾਵੇਜ਼ ਤੋਂ ਇਨਪੁਟ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ (ਆਕਾਰ ਅਤੇ ਸਧਾਰਣਕਰਨ) ਦੀ ਪੁਸ਼ਟੀ ਕਰਕੇ ਚੁੱਪ ਗਲਤੀਆਂ ਨੂੰ ਰੋਕਣ ਦੀ ਸਮਰੱਥਾ
- ਭਰੋਸੇ ਦੇ ਸਕੋਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਉਪਭੋਗਤਾ ਦੀ ਮਨਜ਼ੂਰੀ ਨਾਲ ਅਤੇ ਅਸਲ ਡਿਵਾਈਸ 'ਤੇ ਨਤੀਜੇ ਨੂੰ ਮਾਪਣ ਦੀ ਸਮਰੱਥਾ, ਘੱਟ ਭਰੋਸੇ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਪੂਰਨ ਸੱਚ ਵਜੋਂ ਪੇਸ਼ ਕੀਤੇ ਬਿਨਾਂ।
ਹੁਣ ਤੱਕ, ਅਸੀਂ ਵਿਕਾਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਏਆਈ ਨੂੰ ਇੱਕ ਸਹਾਇਤਾ ਵਜੋਂ ਵਰਤਿਆ ਹੈ। ਹੁਣ ਅਸੀਂ AI ਦੀ ਦੂਜੀ ਭੂਮਿਕਾ ਵੱਲ ਵਧਦੇ ਹਾਂ: ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਸ਼ਾਮਲ ਪ੍ਰਤਿਭਾ। ਆਧੁਨਿਕ ਫ਼ੋਨਾਂ ਵਿੱਚ AI ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਦੀ ਸ਼ਕਤੀ ਹੁੰਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ ਪਛਾਣ, ਟੈਕਸਟ ਅਨੁਵਾਦ, ਸਪੀਚ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ, ਆਦਿ ਨੂੰ ਡਿਵਾਈਸ 'ਤੇ ਸਿੱਧਾ (ਆਨ-ਡਿਵਾਈਸ — ਸਰਵਰ 'ਤੇ ਜਾਣ ਤੋਂ ਬਿਨਾਂ ਫ਼ੋਨ ਦੇ ਆਪਣੇ ਪ੍ਰੋਸੈਸਰ ਵਿੱਚ)। ਡਿਵਾਈਸ 'ਤੇ AI; ਇਹ ਗਤੀ, ਗੋਪਨੀਯਤਾ ਅਤੇ ਔਫਲਾਈਨ ਸੰਚਾਲਨ ਦੇ ਰੂਪ ਵਿੱਚ ਕਲਾਉਡ ਹੱਲਾਂ 'ਤੇ ਬਹੁਤ ਫਾਇਦੇ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਸਿਖਾਂਗੇ ਕਿ iOS ਦੇ ਕੋਰ ML, ਕਰਾਸ-ਪਲੇਟਫਾਰਮ ਟੈਂਸਰਫਲੋ ਲਾਈਟ (ਹੁਣ LiteRT ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ) ਅਤੇ Google ਦੇ ਤਿਆਰ-ਬਣਾਇਆ ਹੱਲ ML ਕਿੱਟ ਨਾਲ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ AI ਨੂੰ ਕਿਵੇਂ ਏਮਬੇਡ ਕਰਨਾ ਹੈ, ਅਤੇ ਇਸ ਏਕੀਕਰਣ ਵਿੱਚ ਇੱਕ ਸਹਾਇਕ ਵਜੋਂ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ।
ਔਨ-ਡਿਵਾਈਸ ਜਾਂ ਕਲਾਉਡ?
ਇਹ ਪਹਿਲਾ ਅਤੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਆਰਕੀਟੈਕਚਰਲ ਫੈਸਲਾ ਹੈ। ਆਨ-ਡਿਵਾਈਸ AI ਫੋਨ ਤੋਂ ਡੇਟਾ ਨੂੰ ਨਹੀਂ ਹਟਾਉਂਦਾ - ਗੋਪਨੀਯਤਾ ਲਈ ਇੱਕ ਵੱਡੀ ਜਿੱਤ। ਇਹ ਤਤਕਾਲ ਵੀ ਹੈ ਅਤੇ ਔਫਲਾਈਨ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਕੋਈ ਨੈੱਟਵਰਕ ਲੇਟੈਂਸੀ ਨਹੀਂ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਡਿਵਾਈਸ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਵਰ ਅਤੇ ਮੈਮੋਰੀ ਦੁਆਰਾ ਸੀਮਿਤ ਹੈ; ਬਹੁਤ ਵੱਡੇ ਮਾਡਲ (ਜਿਵੇਂ ਕਿ ਵਿਸ਼ਾਲ ਜੀਭ ਵਾਲੇ ਮਾਡਲ) ਫ਼ੋਨ ਵਿੱਚ ਫਿੱਟ ਨਹੀਂ ਹੋਣਗੇ ਜਾਂ ਬੈਟਰੀ ਖਤਮ ਹੋ ਜਾਣਗੇ। ਕਲਾਉਡ ਏਆਈ, ਦੂਜੇ ਪਾਸੇ, ਅਸੀਮਤ ਪਾਵਰ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ, ਪਰ ਸਰਵਰ ਨੂੰ ਡੇਟਾ ਭੇਜਦਾ ਹੈ, ਨੈੱਟਵਰਕ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ ਲੇਟੈਂਸੀ ਬਣਾਉਂਦਾ ਹੈ।
ਮਾਪਦੰਡ
ਡੀਵਾਈਸ 'ਤੇ
Cloud (Cloud API)
ਗੋਪਨੀਯਤਾ
ਡਾਟਾ ਡਿਵਾਈਸ 'ਤੇ ਰਹਿੰਦਾ ਹੈ, ਮਜ਼ਬੂਤ
ਡਾਟਾ ਸਰਵਰ 'ਤੇ ਜਾਂਦਾ ਹੈ, ਧਿਆਨ ਦੀ ਲੋੜ ਹੈ
ਗਤੀ
ਤਤਕਾਲ, ਕੋਈ ਨੈੱਟਵਰਕ ਨਹੀਂ
ਨੈੱਟਵਰਕ ਲੇਟੈਂਸੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ
ਔਫਲਾਈਨ
ਇਹ ਕੰਮ ਕਰਦਾ ਹੈ
ਕੰਮ ਨਹੀਂ ਕਰਦਾ
ਮਾਡਲ ਦਾ ਆਕਾਰ
ਸੀਮਿਤ (ਫੋਨ ਸਰੋਤ)
ਅਸੀਮਤ
ਬੈਟਰੀ/ਗਰਮੀ
ਭਾਰੀ ਵਰਤੋਂ ਨਾਲ ਪ੍ਰਭਾਵ
ਲੋਡ ਅਧੀਨ ਸਰਵਰ, ਡਿਵਾਈਸ ਆਰਾਮਦਾਇਕ ਹੈ
ਲਾਗਤ
ਮੁਫ਼ਤ (ਡਿਵਾਈਸ ਸਰੋਤ)
ਪ੍ਰਤੀ ਵਰਤੋਂ ਲਈ ਫੀਸ
ਫੈਸਲੇ ਦਾ ਨਿਯਮ: ਜੇਕਰ ਨਿੱਜੀ/ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ 'ਤੇ ਕਾਰਵਾਈ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ, ਔਫਲਾਈਨ ਕੰਮ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਜਾਂ ਤੁਰੰਤ ਜਵਾਬ ਜ਼ਰੂਰੀ ਹੈ ਤਾਂ ਔਨ-ਡਿਵਾਈਸ ਚੁਣੋ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਇੱਕ ਬਹੁਤ ਵੱਡੇ ਮਾਡਲ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਕਲਾਉਡ ਵੱਲ ਮੁੜੋ। ਇਹ ਯੂਨਿਟ ਔਨ-ਡਿਵਾਈਸ ਫੋਕਸ ਹੈ; ਅਸੀਂ ਅਗਲੀ ਯੂਨਿਟ ਵਿੱਚ ਕਲਾਉਡ AI ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ।
ਨੁਕਤਾ: ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ (ਸਿਹਤ, ਬਾਇਓਮੈਟ੍ਰਿਕਸ, ਟਿਕਾਣਾ) ਨੂੰ ਸੰਭਾਲਣ ਵਾਲੀ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ ਹਮੇਸ਼ਾਂ ਆਨ-ਡਿਵਾਈਸ ਨੂੰ ਆਪਣਾ ਡਿਫੌਲਟ ਬਣਾਓ। "ਡੇਟਾ ਡਿਵਾਈਸ ਨੂੰ ਨਹੀਂ ਛੱਡਦਾ" ਵਾਕੰਸ਼ ਗੋਪਨੀਯਤਾ ਦੀ ਪਾਲਣਾ ਅਤੇ ਉਪਭੋਗਤਾ ਵਿਸ਼ਵਾਸ ਦੋਵਾਂ ਲਈ ਅਨਮੋਲ ਹੈ, ਅਤੇ ਸਟੋਰ ਗੋਪਨੀਯਤਾ ਲੇਬਲ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਫਰਕ ਲਿਆਉਂਦਾ ਹੈ।
ਤਿੰਨ ਤਰੀਕੇ: ML ਕਿੱਟ, ਕੋਰ ML, TensorFlow Lite
ML ਕਿੱਟ (Google) ਸ਼ੁਰੂ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਆਸਾਨ ਤਰੀਕਾ ਹੈ: ਇਹ ਤਿਆਰ-ਕੀਤੀ ਸਮਰੱਥਾਵਾਂ ਦਿੰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਟੈਕਸਟ ਪਛਾਣ (OCR — ਇੱਕ ਚਿੱਤਰ ਵਿੱਚ ਟੈਕਸਟ ਪੜ੍ਹਨਾ), ਚਿਹਰੇ ਦੀ ਪਛਾਣ, ਬਾਰਕੋਡ ਰੀਡਿੰਗ, ਕੁਝ ਲਾਈਨਾਂ ਵਿੱਚ ਅਨੁਵਾਦ। ਤੁਹਾਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਕੋਰ ML (ਐਪਲ) ਤੁਹਾਡੇ ਆਪਣੇ ਮਾਡਲ ਜਾਂ ਆਈਓਐਸ 'ਤੇ ਤਿਆਰ ਮਾਡਲ ਨੂੰ ਚਲਾਉਣ ਦਾ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ; ਇਹ ਐਪਲ ਦੇ ਨਿਊਰਲ ਇੰਜਣ (ਨਕਲੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਪ੍ਰੋਸੈਸਰ) ਹਾਰਡਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। TensorFlow Lite/LiteRT ਇੱਕ ਕਰਾਸ-ਪਲੇਟਫਾਰਮ ਹੱਲ ਹੈ ਜੋ ਤੁਹਾਨੂੰ Android ਅਤੇ iOS ਦੋਵਾਂ 'ਤੇ ਆਪਣਾ ਖੁਦ ਦਾ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।
AI ਨਾਲ ਆਮ ਏਕੀਕਰਣ ਪ੍ਰਵਾਹ ਇਸ ਤਰ੍ਹਾਂ ਹੁੰਦਾ ਹੈ:
- ਪ੍ਰਤਿਭਾ ਦੀ ਪਰਿਭਾਸ਼ਾ. ਇੱਕ ਸਪਸ਼ਟ ਟੀਚਾ, ਜਿਵੇਂ ਕਿ "ਮੈਂ ਫੋਟੋ ਵਿੱਚ ਟੈਕਸਟ ਨੂੰ ਪੜ੍ਹਨਾ ਚਾਹੁੰਦਾ ਹਾਂ।"
- ਮਾਰਗ ਚੋਣ. ਜੇ ਤਿਆਰ ਪ੍ਰਤਿਭਾ ਹੈ, ML ਕਿੱਟ; ਕੋਰ ML/TF ਲਾਈਟ ਜੇਕਰ ਵਿਸ਼ੇਸ਼ ਮਾਡਲ ਉਪਲਬਧ ਹੋਵੇ।
- ਮਾਡਲ ਫਾਰਮੈਟ। .mlmodel (ਕੋਰ ML), .tflite (TF Lite)। AI ਪਰਿਵਰਤਨ ਦੇ ਕਦਮਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ।
- ਏਕੀਕਰਣ ਕੋਡ। ਮਾਡਲ ਨੂੰ ਲੋਡ ਕਰਨਾ, ਇੰਪੁੱਟ ਨੂੰ ਪ੍ਰੀਪ੍ਰੋਸੈਸ ਕਰਨਾ, ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ।
- ਪ੍ਰਦਰਸ਼ਨ ਟੈਸਟ. ਅਸਲ ਡਿਵਾਈਸ 'ਤੇ ਸਪੀਡ, ਮੈਮੋਰੀ, ਬੈਟਰੀ ਮਾਪ।
ਸਾਵਧਾਨ: ਔਨ-ਡਿਵਾਈਸ ਮਾਡਲ ਏਕੀਕਰਣ ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ AI ਗਲਤੀ ਇਨਪੁਟ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਹੈ — ਚਿੱਤਰ ਨੂੰ ਆਕਾਰ ਅਤੇ ਰੰਗ ਦੇ ਫਾਰਮੈਟ ਵਿੱਚ ਬਦਲਣਾ ਜਿਸਦੀ ਮਾਡਲ ਦੀ ਉਮੀਦ ਹੈ। ਜੇਕਰ ਮਾਡਲ 224x224 ਪਿਕਸਲ ਦੀ ਉਮੀਦ ਕਰਦਾ ਹੈ ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ 300x300 ਦਿੰਦੇ ਹੋ, ਤਾਂ ਨਤੀਜਾ ਅਰਥਹੀਣ ਹੋਵੇਗਾ, ਪਰ ਤੁਹਾਨੂੰ ਕੋਈ ਗਲਤੀ ਸੁਨੇਹਾ ਨਹੀਂ ਮਿਲੇਗਾ। ਮਾਡਲ ਦੇ ਦਸਤਾਵੇਜ਼ ਤੋਂ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਮੁੱਲਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
ਮਾਡਲ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਜਾਣਨਾ
ਇੱਕ ਔਨ-ਡਿਵਾਈਸ ਮਾਡਲ ਉਸ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਫੈਸਲੇ ਲੈਂਦਾ ਹੈ ਜਿਸ 'ਤੇ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ। ਸਿਰਫ ਦਿਨ ਵੇਲੇ ਲਈਆਂ ਗਈਆਂ ਫੋਟੋਆਂ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇਕ ਵਸਤੂ ਪਛਾਣ ਮਾਡਲ ਰਾਤ ਦੀਆਂ ਤਸਵੀਰਾਂ 'ਤੇ ਗਲਤ ਹੋਵੇਗਾ। ਮਾਡਲ ਦਾ ਇੱਕ ਭਰੋਸੇ ਦਾ ਸਕੋਰ ਹੈ (ਵਿਸ਼ਵਾਸ — ਮਾਡਲ ਆਪਣੇ ਜਵਾਬ ਬਾਰੇ ਕਿੰਨਾ ਭਰੋਸੇਮੰਦ ਹੈ, ਆਮ ਤੌਰ 'ਤੇ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ); ਉਪਭੋਗਤਾ ਨੂੰ ਘੱਟ-ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸਹੀ ਵਜੋਂ ਪੇਸ਼ ਕਰਨਾ ਖ਼ਤਰਨਾਕ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਸਕਿਨ ਸਪਾਟ ਸਕੈਨਿੰਗ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ "ਨਿਸ਼ਚਤ ਤੌਰ 'ਤੇ ਸੁਭਾਵਕ" ਨਹੀਂ ਕਹਿਣਾ ਚਾਹੀਦਾ ਹੈ, ਪਰ "ਮਾਡਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਇਹ ਹੈ, ਕਿਰਪਾ ਕਰਕੇ ਕਿਸੇ ਡਾਕਟਰ ਨਾਲ ਸਲਾਹ ਕਰੋ" ਕਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਾਡਲ ਦਾ ਨਤੀਜਾ ਇੱਕ ਸਿਫ਼ਾਰਸ਼ ਹੈ, ਇੱਕ ਨਿਦਾਨ ਨਹੀਂ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — OCR ਨਾਲ ਪ੍ਰਵੇਗ। ਇੱਕ ਖਰਚਾ ਟਰੈਕਿੰਗ ਐਪ ਨੇ ML ਕਿੱਟ ਟੈਕਸਟ ਮਾਨਤਾ ਦੇ ਨਾਲ ਹੱਥੀਂ ਰਸੀਦਾਂ ਦਾਖਲ ਕਰਨ ਦੇ ਬੋਝ ਨੂੰ ਹਟਾ ਦਿੱਤਾ ਹੈ। ਉਪਭੋਗਤਾ ਰਸੀਦ ਦੀ ਇੱਕ ਫੋਟੋ ਲੈਂਦਾ ਹੈ, ਅਤੇ ਰਕਮ ਅਤੇ ਮਿਤੀ ਆਪਣੇ ਆਪ ਭਰ ਜਾਂਦੀ ਹੈ। ਮੈਨੁਅਲ ਐਂਟਰੀ ਸਮਾਂ 40 ਸਕਿੰਟਾਂ ਤੋਂ ਘਟ ਕੇ 8 ਸਕਿੰਟ ਪ੍ਰਤੀ ਰਸੀਦ ਹੋ ਗਿਆ ਹੈ। ਟੀਮ ਨੇ ਹਮੇਸ਼ਾਂ ਉਪਭੋਗਤਾ ਨੂੰ ਏਆਈ ਦੁਆਰਾ ਪੜ੍ਹੀ ਗਈ ਰਕਮ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਸੀ; ਕਿਉਂਕਿ ਝੁਰੜੀਆਂ ਵਾਲੀਆਂ ਰਸੀਦਾਂ ਵਿੱਚ ਗਲਤੀ ਦਾ 6% ਮਾਰਜਿਨ ਸੀ। ਆਟੋਮੇਸ਼ਨ + ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਸਹੀ ਸੰਤੁਲਨ ਸੀ.
ਕੇਸ 2 - ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਗਲਤੀ। ਇੱਕ ਟੀਮ ਨੇ TensorFlow Lite ਦੇ ਨਾਲ ਇੱਕ ਪਲਾਂਟ ਮਾਨਤਾ ਮਾਡਲ ਨੂੰ ਜੋੜਿਆ; ਟੈਸਟਰ 'ਤੇ, ਨਤੀਜੇ ਬੇਤਰਤੀਬੇ ਸਨ। ਸਮੱਸਿਆ ਇਹ ਸੀ ਕਿ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਨੇ ਮਾਡਲ ਦੀ ਉਮੀਦ ਕੀਤੀ [0,1] ਰੇਂਜ ਤੱਕ ਚਿੱਤਰ ਨੂੰ ਆਮ ਨਹੀਂ ਕੀਤਾ (ਪਿਕਸਲ ਮੁੱਲ 0-255 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਗਿਆ ਸੀ)। ਜਦੋਂ ਸਧਾਰਣਕਰਨ ਨੂੰ ਜੋੜਿਆ ਗਿਆ, ਤਾਂ ਸ਼ੁੱਧਤਾ 30% ਤੋਂ 89% ਤੱਕ ਵਧ ਗਈ। ਸਬਕ: ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਚੁੱਪ ਹੈ ਪਰ ਘਾਤਕ ਹੈ।
ਕੇਸ 3 - ਪਰਦੇਦਾਰੀ ਲਾਭ। ਇੱਕ ਹੈਲਥ ਐਪਲੀਕੇਸ਼ਨ ਨੇ ਔਨ-ਡਿਵਾਈਸ ਕੋਰ ML ਮਾਡਲ ਦੇ ਨਾਲ ਦਿਲ ਦੀ ਗਤੀ ਦੇ ਡੇਟਾ ਤੋਂ ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਇਆ। ਡਾਟਾ ਕਦੇ ਵੀ ਸਰਵਰ 'ਤੇ ਨਹੀਂ ਗਿਆ। ਇਸ ਚੋਣ ਨੇ ਐਪ ਸਟੋਰ ਗੋਪਨੀਯਤਾ ਲੇਬਲ ਵਿੱਚ "ਡਾਟਾ ਇਕੱਠਾ ਨਹੀਂ ਕਰਦਾ" ਵਾਕਾਂਸ਼ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਇਆ ਅਤੇ ਪ੍ਰਤੀਯੋਗੀਆਂ ਦੇ ਮੁਕਾਬਲੇ ਇਸਦੀ ਡਾਊਨਲੋਡ ਦਰ ਨੂੰ ਵਧਾ ਦਿੱਤਾ। ਔਨ-ਡਿਵਾਈਸ ਚੋਣ ਨੈਤਿਕ ਅਤੇ ਵਪਾਰਕ ਤੌਰ 'ਤੇ ਲਾਭਦਾਇਕ ਸੀ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਮੇਰੇ ਐਪ ਵਿੱਚ ਚਿੱਤਰ ਪਛਾਣ ਸ਼ਾਮਲ ਕਰੋ।"
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ: "ਮੇਰੀ ਐਂਡਰੌਇਡ/ਕੋਟਲਿਨ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਮਾਤਰਾ ਅਤੇ ਤਾਰੀਖ ਪੜ੍ਹਨ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਸ਼ਾਮਲ ਕਰੋ। - Google ML ਕਿੱਟ ਟੈਕਸਟ ਪਛਾਣ (ਆਨ-ਡਿਵਾਈਸ, ਔਫਲਾਈਨ) ਦੀ ਵਰਤੋਂ ਕਰੋ - ਕੈਮਰੇ ਜਾਂ ਗੈਲਰੀ ਤੋਂ ਚਿੱਤਰ ਲਓ - regex ਦੇ ਨਾਲ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਟੈਕਸਟ ਤੋਂ ਰਕਮ ਅਤੇ ਮਿਤੀ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ - ਸੰਪਾਦਨਯੋਗ ਖੇਤਰ ਵਿੱਚ ਪ੍ਰਵਾਨਗੀ ਲਈ ਉਪਭੋਗਤਾ ਨੂੰ ਨਤੀਜਾ ਪੇਸ਼ ਕਰੋ, ਆਟੋ-ਡਾਊਨ ਕੈਮਰਾ ਅਤੇ ਹੈਨਫਲੋ-ਡਾਊਨ-ਡਾਊਨ. ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਗਲਤੀ ਸਥਿਤੀਆਂ, ਕਦਮਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰੋ।"
ਨਕਲ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟਸ
ਮਾਰਗ ਚੋਣ ਟੈਮਪਲੇਟ: "ਮੈਂ ਹੇਠ ਲਿਖੀ ਵਿਸ਼ੇਸ਼ਤਾ ਬਣਾਉਣਾ ਚਾਹੁੰਦਾ ਹਾਂ: [ਵਿਸ਼ੇਸ਼ਤਾ]। ਕੀ ਇਹ ਔਨ-ਡਿਵਾਈਸ ਜਾਂ ਕਲਾਉਡ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ? ਇਸ ਦੇ ਆਧਾਰ 'ਤੇ ਤੁਲਨਾ ਕਰੋ: ਗੋਪਨੀਯਤਾ, ਔਫਲਾਈਨ ਲੋੜ, ਮਾਡਲ ਦਾ ਆਕਾਰ, ਬੈਟਰੀ, ਲਾਗਤ। ਉਚਿਤ ਟੂਲ (ਐਮਐਲ ਕਿੱਟ / ਕੋਰ ਐਮਐਲ / ਟੀਐਫ ਲਾਈਟ) ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰੋ ਅਤੇ ਜਾਇਜ਼ ਠਹਿਰਾਓ।"
ਏਕੀਕਰਣ ਟੈਮਪਲੇਟ: "[ਪਲੇਟਫਾਰਮ] ਲਈ [ਮਾਡਲ/ਸਮਰੱਥਾ] ਏਕੀਕਰਣ ਲਿਖੋ: 1) ਮਾਡਲ ਲੋਡਿੰਗ 2) ਇਨਪੁਟ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ (ਉਮੀਦਿਤ ਆਕਾਰ ਅਤੇ ਸਧਾਰਣਕਰਨ) 3) ਇਨਫਰੈਂਸ ਕਾਲ4) ਆਉਟਪੁੱਟ ਵਿਆਖਿਆ ਅਤੇ ਵਿਸ਼ਵਾਸ ਸਕੋਰ ਦੀ ਜਾਂਚ 5) ਘੱਟ-ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਨਤੀਜੇ 'ਤੇ ਉਪਭੋਗਤਾ ਨੂੰ ਚੇਤਾਵਨੀ.
ਭਰੋਸੇ ਦਾ ਸਕੋਰ ਟੈਮਪਲੇਟ: "ਇਸ ਅਨੁਮਾਨ ਕੋਡ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਸਕੋਰ 'ਤੇ ਗੌਰ ਕਰੋ:- ਮੌਜੂਦਾ ਨਤੀਜਾ 'ਸਹੀ' ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਹੇਠਾਂ ਹੈ (ਉਦਾਹਰਨ ਲਈ 0.6)- ਉਪਭੋਗਤਾ ਨੂੰ 'ਇਹ ਅੰਦਾਜ਼ਾ ਹੈ' ਨੋਟ ਦਿਖਾਓ- ਜੇਕਰ ਨਾਜ਼ੁਕ ਖੇਤਰ (ਸਿਹਤ, ਸੁਰੱਖਿਆ)[ਕੋਡ] ਤਾਂ ਮਾਹਰ ਨੂੰ ਵੇਖੋ"
ਪ੍ਰਦਰਸ਼ਨ ਤਸਦੀਕ ਟੈਮਪਲੇਟ: "ਇਸ ਔਨ-ਡਿਵਾਈਸ ਮਾਡਲ ਏਕੀਕਰਣ ਲਈ ਅਸਲ ਡਿਵਾਈਸ 'ਤੇ ਮਾਪਣ ਲਈ ਲੋੜੀਂਦੇ ਮੈਟ੍ਰਿਕਸ ਦੀ ਸੂਚੀ ਬਣਾਓ: ਅਨੁਮਾਨ ਸਮਾਂ, ਮੈਮੋਰੀ ਵਾਧਾ, ਬੈਟਰੀ ਪ੍ਰਭਾਵ, ਹੀਟਿੰਗ। ਹਰੇਕ ਲਈ ਮਾਪ ਵਿਧੀ ਦੱਸੋ।"
ਆਮ ਗਲਤੀਆਂ
- ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਛੱਡਣਾ ਜਾਂ ਇਸ ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਕਰਨਾ। ਗਲਤ ਆਕਾਰ/ਆਮੀਕਰਨ ਚੁੱਪਚਾਪ ਗਲਤ ਨਤੀਜਾ ਪੈਦਾ ਕਰਦਾ ਹੈ।
- ਆਤਮ-ਵਿਸ਼ਵਾਸ ਸਕੋਰ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਘੱਟ-ਵਿਸ਼ਵਾਸ ਅਨੁਮਾਨ ਨੂੰ ਸਹੀ ਵਜੋਂ ਪੇਸ਼ ਕਰਨਾ ਉਪਭੋਗਤਾ ਨੂੰ ਗੁੰਮਰਾਹ ਕਰੇਗਾ।
- ਏਮੂਲੇਟਰ ਵਿੱਚ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਅਸਲ ਡਿਵਾਈਸ ਦੀ ਗਤੀ ਅਤੇ ਬੈਟਰੀ ਬਹੁਤ ਵੱਖਰੀ ਹੈ; ਹਮੇਸ਼ਾ ਅਸਲੀ ਹਾਰਡਵੇਅਰ 'ਤੇ ਮਾਪ.
- ਬੇਲੋੜੇ ਤੌਰ 'ਤੇ ਕਲਾਉਡ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਭੇਜਣਾ। ਜਦੋਂ ਔਨ-ਡਿਵਾਈਸ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਕਲਾਉਡ ਦੀ ਚੋਣ ਕਰਨਾ ਇੱਕ ਗੋਪਨੀਯਤਾ ਜੋਖਮ ਹੈ।
- ਮਾਡਲ ਆਕਾਰ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਵੱਡੇ ਮਾਡਲ ਐਪਸ ਡਾਊਨਲੋਡ ਦਾ ਆਕਾਰ ਵਧਾਉਂਦੇ ਹਨ ਅਤੇ ਘੱਟ ਹਾਰਡਵੇਅਰ 'ਤੇ ਕ੍ਰੈਸ਼ ਹੁੰਦੇ ਹਨ।
- ਮਾਡਲ ਦੀ ਸਿਖਲਾਈ ਸੀਮਾ ਨੂੰ ਭੁੱਲਣਾ. ਮਾਡਲ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਗਲਤੀ ਹੈ ਜਿੱਥੇ ਇਹ ਨਹੀਂ ਦੇਖਦਾ (ਰਾਤ, ਵੱਖਰੀ ਭਾਸ਼ਾ); ਉਪਭੋਗਤਾ ਨੂੰ ਇਹ ਸਪੱਸ਼ਟ ਕਰੋ.
ਸਾਰੰਸ਼ ਵਿੱਚ
ਆਨ-ਡਿਵਾਈਸ AI ਫੋਨ 'ਤੇ ਡਾਟਾ ਰੱਖ ਕੇ ਗੋਪਨੀਯਤਾ, ਗਤੀ ਅਤੇ ਔਫਲਾਈਨ ਕਾਰਵਾਈ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ; ਸੀਮਾ ਡਿਵਾਈਸ ਪਾਵਰ ਅਤੇ ਮਾਡਲ ਦਾ ਆਕਾਰ ਹੈ। ML ਕਿੱਟ ਦੀ ਵਰਤੋਂ ਬਾਕਸ ਤੋਂ ਬਾਹਰ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਕੋਰ ML (iOS) ਅਤੇ TensorFlow Lite (ਕ੍ਰਾਸ-ਪਲੇਟਫਾਰਮ) ਨੂੰ ਕਸਟਮ ਮਾਡਲਾਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਏਕੀਕਰਣ ਦਾ ਚੁੱਪ ਕਾਤਲ ਗਲਤ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਹੈ; ਮਾਡਲ ਦੇ ਦਸਤਾਵੇਜ਼ਾਂ ਤੋਂ ਇੰਪੁੱਟ ਆਕਾਰ ਅਤੇ ਸਧਾਰਣਕਰਨ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਹਰੇਕ ਨਤੀਜਾ ਇੱਕ ਭਰੋਸੇ ਦੇ ਸਕੋਰ ਦੇ ਨਾਲ ਆਉਂਦਾ ਹੈ, ਅਤੇ ਘੱਟ ਭਰੋਸੇ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਪੂਰਨ ਸੱਚ ਵਜੋਂ ਪੇਸ਼ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਫੈਸਲਿਆਂ ਨੂੰ ਅਸਲ ਡਿਵਾਈਸ 'ਤੇ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ, ਨਾ ਕਿ ਏਮੂਲੇਟਰ 'ਤੇ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
"ਫੋਟੋ ਤੋਂ ਟੈਕਸਟ ਰੀਡਿੰਗ" ਜਾਂ "ਬਾਰਕੋਡ ਰੀਡਿੰਗ" ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ, AI ਨੂੰ ਪੁੱਛੋ ਕਿ ਕੀ ਇਹ "ਪਾਥ ਚੋਣ ਟੈਮਪਲੇਟ" ਦੇ ਨਾਲ ਆਨ-ਡਿਵਾਈਸ ਜਾਂ ਕਲਾਉਡ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਫਿਰ "ਏਕੀਕਰਣ ਟੈਮਪਲੇਟ" ਦੇ ਨਾਲ ਇੱਕ ML ਕਿੱਟ-ਆਧਾਰਿਤ ਬਲੂਪ੍ਰਿੰਟ ਦੀ ਮੰਗ ਕਰੋ। ਪੁਸ਼ਟੀ ਕਰੋ ਕਿ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਪੜਾਅ ਅਤੇ ਉਪਭੋਗਤਾ ਦੀ ਪ੍ਰਵਾਨਗੀ/ਸੰਪਾਦਨ ਪ੍ਰਵਾਹ ਕੋਡ ਵਿੱਚ ਮੌਜੂਦ ਹਨ। ਇੱਕ ਟਰੱਸਟ ਸਕੋਰ ਥ੍ਰੈਸ਼ਹੋਲਡ ਸੈਟ ਕਰੋ ਅਤੇ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਕੀ ਕਰੋਗੇ ਜੇਕਰ ਨਤੀਜਾ ਘੱਟ ਭਰੋਸਾ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਮਾਪਦੰਡ ਦੇ ਆਧਾਰ 'ਤੇ ਔਨ-ਡਿਵਾਈਸ/ਕਲਾਊਡ ਫੈਸਲਾ ਲਿਆ ਹੈ
- [ ] ਮੈਂ ਸਹੀ ਟੂਲ ਚੁਣਿਆ (ML ਕਿੱਟ / ਕੋਰ ML / TF ਲਾਈਟ)
- [ ] ਮੈਂ ਮਾਡਲ ਦੇ ਦਸਤਾਵੇਜ਼ਾਂ ਤੋਂ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਮਾਪ ਅਤੇ ਸਧਾਰਣਕਰਨ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ
- [ ] ਮੈਂ ਟਰੱਸਟ ਸਕੋਰ ਦੀ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਘੱਟ ਭਰੋਸੇ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਚੇਤਾਵਨੀ ਦਿੱਤੀ
- [ ] ਮੈਂ ਉਪਭੋਗਤਾ ਨੂੰ ਪ੍ਰਵਾਨਗੀ/ਸੰਪਾਦਨ ਦੇ ਨਾਲ ਨਤੀਜਾ ਪੇਸ਼ ਕੀਤਾ, ਮੈਂ ਇਸਨੂੰ ਅੰਨ੍ਹੇਵਾਹ ਸੇਵ ਨਹੀਂ ਕੀਤਾ
- [ ] ਮੈਂ ਅਸਲ ਡਿਵਾਈਸ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਮਾਪਿਆ, ਨਾ ਕਿ ਇਮੂਲੇਟਰ 'ਤੇ