ලාභ:
- පුද්ගලිකත්වය, නොබැඳි අවශ්යතාවය, මාදිලියේ ප්රමාණය සහ බැටරි නිර්ණායක මත පදනම්ව උපාංගය මත හෝ වලාකුළු මත තීරණය කිරීමට සහ නිවැරදි මෙවලම (ML Kit, Core ML, TensorFlow Lite) තෝරා ගැනීමේ හැකියාව
- ආදර්ශ අනුකලනය තුළ ආකෘතියේ ලේඛනයෙන් ආදාන පෙර සැකසුම් (ප්රමාණය සහ සාමාන්යකරණය) සත්යාපනය කිරීමෙන් නිහඬ දෝෂ වැළැක්වීමේ හැකියාව
- අඩු විශ්වාසනීය පුරෝකථන නිරපේක්ෂ සත්යයක් ලෙස ඉදිරිපත් නොකර, පරිශීලක අනුමැතිය සහ සැබෑ උපාංගය මත විශ්වාස ලකුණු ඇගයීමට සහ ප්රතිඵලය මැනීමට ඇති හැකියාව.
මෙතෙක්, අපි සංවර්ධන ක්රියාවලිය වේගවත් කිරීම සඳහා ආධාරකයක් ලෙස AI භාවිතා කර ඇත. දැන් අපි AI හි දෙවන භූමිකාව වෙත යමු: යෙදුම තුළ අන්තර්ගත කුසලතා. නවීන දුරකථනවලට රූප හඳුනාගැනීම, පෙළ පරිවර්තනය, කථන පිටපත් කිරීම වැනි AI මාදිලි සෘජුවම උපාංගය මත ධාවනය කිරීමට බලය ඇත (උපාංගය තුළ — සේවාදායකයට නොගොස් දුරකථනයේ ම ප්රොසෙසරය තුළ). උපාංගයේ AI; එය වේගය, පෞද්ගලිකත්වය සහ නොබැඳි ක්රියාකාරිත්වය අනුව වලාකුළු විසඳුම්වලට වඩා විශාල වාසි ලබා දෙයි. මෙම ඒකකය තුළ, අපි iOS හි Core ML, හරස් වේදිකා TensorFlow Lite (දැන් LiteRT ලෙස හැඳින්වේ) සහ Google හි සූදානම් කළ විසඳුම් ML Kit සමඟ යෙදුමට AI කාවැද්දීම සහ මෙම ඒකාබද්ධතාවයේ සහායකයෙකු ලෙස AI භාවිතා කරන්නේ කෙසේදැයි ඉගෙන ගනිමු.
උපාංගය මතද වලාකුළුද?
මෙය පළමු හා වැදගත්ම වාස්තුවිද්යාත්මක තීරණයයි. උපාංගයේ AI දුරකථනයෙන් දත්ත ඉවත් නොකරයි - පුද්ගලිකත්වය සඳහා විශාල ජයග්රහණයක්. එය ද ක්ෂණික වන අතර ජාල ප්රමාදයක් නොමැති බැවින් නොබැඳිව ක්රියා කරයි. කෙසේ වෙතත්, එය උපාංගයේ සැකසුම් බලය සහ මතකය මගින් සීමා වේ; ඉතා විශාල මාදිලි (උදා: යෝධ දිව ආකෘති) දුරකථනයට නොගැලපේ හෝ බැටරිය බැස යයි. Cloud AI, අනෙක් අතට, අසීමිත බලයක් ලබා දෙයි, නමුත් සේවාදායකය වෙත දත්ත යවයි, ජාලයක් අවශ්ය වන අතර ප්රමාදය නිර්මාණය කරයි.
නිර්ණායකය
උපාංගය මත
වලාකුළු (Cloud API)
පෞද්ගලිකත්වය
දත්ත උපාංගය මත පවතී, ශක්තිමත්
දත්ත සේවාදායකය වෙත යයි, අවධානය අවශ්ය වේ
වේගය
ක්ෂණික, ජාලයක් නැත
ජාල ප්රමාදය මත රඳා පවතී
නොබැඳි
එය ක්රියා කරයි
වැඩ කරන්නේ නැහැ
මාදිලියේ ප්රමාණය
සීමිත (දුරකථන සම්පත)
අසීමිත
බැටරි / තාපය
අධික භාවිතය සමඟ බලපෑම්
සේවාදායකය පැටවීම යටතේ, උපාංගය ලිහිල් කර ඇත
පිරිවැය
නිදහස් (උපාංග මූලාශ්රය)
භාවිතය සඳහා ගාස්තුව
තීරණ රීතිය: පුද්ගලික/සංවේදී දත්ත සකසන්නේ නම්, නොබැඳිව ක්රියා කිරීමට අවශ්ය නම්, හෝ ක්ෂණික ප්රතිචාරය අත්යවශ්ය නම් උපාංගය මත තෝරන්න. ඔබට ඉතා විශාල ආකෘතියක් අවශ්ය නම්, වලාකුළ වෙත හැරෙන්න. මෙම ඒකකය උපාංගය මත අවධානය යොමු කර ඇත; අපි ඊළඟ ඒකකයෙන් cloud AI ආවරණය කරන්නෙමු.
ඉඟිය: සංවේදී දත්ත (සෞඛ්යය, ජෛවමිතික, ස්ථානය) හසුරුවන විශේෂාංගයක් සඳහා සැමවිටම උපාංගය මත ඔබේ පෙරනිමි කරන්න. "දත්ත උපාංගයෙන් ඉවත් නොවේ" යන වාක්ය ඛණ්ඩය රහස්යතා අනුකූලතාවය සහ පරිශීලක විශ්වාසය යන දෙකටම අගනා වන අතර ගබඩා රහස්යතා ලේබලය තුළ විශාල වෙනසක් සිදු කරයි.
ක්රම තුනක්: ML Kit, Core ML, TensorFlow Lite
ML Kit (ගූගල්) ආරම්භ කිරීමට ඇති පහසුම ක්රමයයි: එය පෙළ හඳුනාගැනීම (OCR — රූපයක අකුරු කියවීම), මුහුණු හඳුනාගැනීම, තීරු කේත කියවීම, පේළි කිහිපයකින් පරිවර්තනය වැනි සූදානම් කළ හැකියා ලබා දෙයි. ඔබ ඔබේම ආකෘතියක් පුහුණු කිරීමට අවශ්ය නොවේ. Core ML (Apple) යනු iOS මත ඔබේම ආකෘතියක් හෝ සූදානම් කළ ආකෘතියක් ධාවනය කිරීමට වඩාත් කාර්යක්ෂම ක්රමයයි; එය Apple's Neural Engine (කෘතිම ස්නායු ජාල ප්රොසෙසරය) දෘඩාංග භාවිතා කරයි. TensorFlow Lite/LiteRT යනු ඔබේම පුහුණු ආකෘතියක් Android සහ iOS යන දෙකෙහිම ධාවනය කිරීමට ඉඩ සලසන හරස් වේදිකා විසඳුමකි.
AI සමඟ සාමාන්ය ඒකාබද්ධ ප්රවාහය මේ ආකාරයට සිදු වේ:
- දක්ෂතා නිර්වචනය. "මට ඡායාරූපයේ ඇති පෙළ කියවීමට අවශ්යයි" වැනි පැහැදිලි ඉලක්කයක්.
- මාර්ගය තෝරාගැනීම. සූදානම් දක්ෂතා තිබේ නම්, ML Kit; විශේෂ මාදිලිය තිබේ නම් Core ML/TF Lite.
- ආදර්ශ ආකෘතිය. .mlmodel (Core ML), .tflite (TF Lite). AI පරිවර්තන පියවර පැහැදිලි කරයි.
- ඒකාබද්ධ කිරීමේ කේතය. ආකෘතිය පූරණය කිරීම, ආදානය පෙර සැකසුම් කිරීම, ප්රතිදානය අර්ථ නිරූපණය කිරීම.
- කාර්ය සාධන පරීක්ෂණය. සැබෑ උපාංගයේ වේගය, මතකය, බැටරි මැනීම.
අවවාදයයි: උපාංගයේ ආකෘති ඒකාබද්ධ කිරීමේදී වඩාත් පොදු AI දෝෂය වන්නේ ආදාන පෙර සැකසුම් - ආකෘතිය අපේක්ෂා කරන ප්රමාණයට සහ වර්ණ ආකෘතියට රූපය පරිවර්තනය කිරීමයි. ආකෘතිය පික්සල 224x224 අපේක්ෂා කරන අතර ඔබ එය 300x300 ලබා දෙන්නේ නම්, ප්රතිඵලය අර්ථ විරහිත වනු ඇත, නමුත් ඔබට දෝෂ පණිවිඩයක් නොලැබේ. ආකෘතියේ ලේඛනයෙන් පෙර සැකසුම් අගයන් තහවුරු කරන්න.
ආකෘතියේ සීමාවන් දැන ගැනීම
උපාංග ආකෘතියක් එය පුහුණු කළ දත්ත මත පදනම්ව තීරණ ගනී. දිවා කාලයේ ගත් ඡායාරූප මත පමණක් පුහුණු කරන ලද වස්තු හඳුනාගැනීමේ ආකෘතියක් රාත්රී රූපවල වැරදියි. ආකෘතියට විශ්වාස ලකුණු ඇත (විශ්වාසය - ආකෘතිය එහි පිළිතුර ගැන කෙතරම් විශ්වාසද, සාමාන්යයෙන් 0 සහ 1 අතර); අඩු විශ්වාසනීය ප්රතිඵල නිවැරදි ලෙස පරිශීලකයාට ඉදිරිපත් කිරීම අනතුරුදායකය. උදාහරණයක් ලෙස, සමේ පැල්ලම් ස්කෑනිං යෙදුමක් "අනිවාර්යෙන්ම හිතකර" යැයි පැවසිය යුතු නැත, නමුත් "ආකෘතියේ පුරෝකථනය මෙයයි, කරුණාකර වෛද්යවරයෙකුගෙන් විමසන්න" යැයි පැවසිය යුතුය. ආදර්ශ ප්රතිඵලය නිර්දේශයක් මිස රෝග විනිශ්චය නොවේ.
කුඩා නඩු තුනක්
නඩුව 1 - OCR සමඟ ත්වරණය. ML Kit පෙළ හඳුනාගැනීම් සමඟින් අතින් රිසිට්පත් ඇතුළත් කිරීමේ බර වියදම් ලුහුබැඳීමේ යෙදුමක් ඉවත් කර ඇත. පරිශීලකයා රිසිට්පතේ ඡායාරූපයක් ගන්නා අතර, මුදල සහ දිනය ස්වයංක්රීයව පුරවනු ලැබේ. අතින් ඇතුළත් වීමේ කාලය එක් කුවිතාන්සියකට තත්පර 40 සිට තත්පර 8 දක්වා අඩු විය. කණ්ඩායමට සෑම විටම පරිශීලකයා AI කියවූ ප්රමාණය තහවුරු කළේය; රැලි සහිත රිසිට්පත් වල 6% ක දෝෂයක් තිබූ බැවිනි. ස්වයංක්රීයකරණය + මානව අනුමැතිය නිවැරදි ශේෂය විය.
නඩුව 2 - පෙර සැකසුම් දෝෂය. එක් කණ්ඩායමක් TensorFlow Lite සමඟ ශාක හඳුනාගැනීමේ ආකෘතියක් ඒකාබද්ධ කරන ලදී; පරීක්ෂකයේ, ප්රතිඵල අහඹු විය. ගැටළුව වූයේ AI විසින් ජනනය කරන ලද කේතය මඟින් අපේක්ෂිත ආකෘතිය [0,1] පරාසයට රූපය සාමාන්යකරණය නොකිරීමයි (පික්සල් අගයන් 0-255 ලෙස ඉතිරිව ඇත). සාමාන්යකරණය එකතු කළ විට, නිරවද්යතාවය 30% සිට 89% දක්වා වැඩි විය. පාඩම: පෙර සැකසුම් නිහඬ නමුත් මාරාන්තික වේ.
3 වන අවස්ථාව - පුද්ගලිකත්වය ලබා ගැනීම. සෞඛ්ය යෙදුමක් උපාංගයේ Core ML ආකෘතිය සමඟ හෘද ස්පන්දන දත්ත වලින් විෂමතාවයක් අනාවරණය කර ඇත. දත්ත කිසි විටෙකත් සේවාදායකයට ගියේ නැත. මෙම තේරීම App Store රහස්යතා ලේබලය තුළ "දත්ත රැස් නොකරයි" යන වාක්ය ඛණ්ඩය ලබා ගැනීමට යෙදුමට හැකියාව ලබා දුන් අතර තරඟකරුවන්ට සාපේක්ෂව එහි බාගත කිරීමේ අනුපාතය වැඩි කරන ලදී. උපාංගය මත තේරීම සදාචාරාත්මක සහ වාණිජමය වශයෙන් ලාභදායී විය.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල විමසුම: "මගේ යෙදුමට රූප හඳුනාගැනීම එක් කරන්න."
ප්රබල විමසුම: "මගේ Android/Kotlin යෙදුමට ප්රමාණය සහ දිනය කියවීමේ විශේෂාංගය එක් කරන්න. - Google ML Kit Text Recognition භාවිතා කරන්න (උපාංගය මත, නොබැඳි) - කැමරාවෙන් හෝ ගැලරියෙන් රූපය ගන්න - regex සමඟින් පිළිගත් පාඨයෙන් ප්රමාණය සහ දිනය උපුටා ගන්න - ප්රතිඵලය අනුමත කිරීම සඳහා පරිශීලකයාට ඉදිරිපත් කරන්න - EDITABLE සහ ප්රවාහ ප්රවාහ ප්රවාහයට පෙර අවසරය ප්රතික්ෂේප කරන්න. සහ දෝෂ තත්වයන්, පියවර පැහැදිලි කරන්න."
පිටපත් කළ හැකි සැකිලි
මාර්ග තේරීමේ අච්චුව: "මට පහත විශේෂාංගය සෑදීමට අවශ්යයි: [විශේෂාංගය]. එය උපාංගයේ හෝ වලාකුළු විය යුතුද? සසඳන්න: පුද්ගලිකත්වය, නොබැඳි අවශ්යතාවය, මාදිලියේ ප්රමාණය, බැටරි, පිරිවැය. සුදුසු මෙවලම (ML Kit / Core ML / TF Lite) නිර්දේශ කර සාධාරණීකරණය කරන්න."
ඒකාබද්ධ කිරීමේ අච්චුව:"[වේදිකාව]:1 සඳහා [ආකෘතිය/හැකියාව] අනුකලනය ලියන්න:1) මාදිලිය පැටවීම2) ආදාන පූර්ව සැකසුම් (අපේක්ෂිත ප්රමාණය සහ සාමාන්යකරණය)3) අනුමාන ඇමතුම4) ප්රතිදාන අර්ථ නිරූපණය සහ විශ්වාස ලකුණු පරීක්ෂා කිරීම5) අඩු විශ්වාසයෙන් පරිශීලකයාට අනතුරු ඇඟවීම ප්රතිඵලය පූර්ව සැකසුම් අගයන් සත්යාපනය කිරීමට මට මතක් කරන්න."
විශ්වාස ලකුණු අච්චුව:"මෙම අනුමාන කේතයේ විශ්වාස ලකුණු සලකා බලන්න:- වර්තමාන ප්රතිඵලය 'නිවැරදි' එළිපත්තට පහළින් (උදා. 0.6)- පරිශීලකයාට 'මෙය ඇස්තමේන්තුවක්' සටහනක් පෙන්වන්න- විවේචනාත්මක ප්රදේශයක් නම් (සෞඛ්යය, ආරක්ෂාව)[කේතය]"
කාර්ය සාධන සත්යාපන අච්චුව: "මෙම උපාංගයේ මාදිලි අනුකලනය සඳහා සත්ය උපාංගයේ මට මැනීමට අවශ්ය ප්රමිතික ලැයිස්තුගත කරන්න: අනුමාන කාලය, මතකය වැඩි කිරීම, බැටරි බලපෑම, උණුසුම. එක් එක් සඳහා මිනුම් ක්රමය කියන්න."
පොදු වැරදි
- පෙර සැකසුම් මඟ හැරීම හෝ එය වැරදි ලෙස කිරීම. වැරදි ප්රමාණය/සාමාන්යකරණය නිහඬව වැරදි ප්රතිඵල ඇති කරයි.
- විශ්වාස ලකුණු නොසලකා හැරීම. අඩු විශ්වාසනීය ඇස්තමේන්තුවක් නිවැරදි ලෙස ඉදිරිපත් කිරීම පරිශීලකයා නොමඟ යවයි.
- ඉමුලේටරය තුළ ආකෘතිය පරීක්ෂා කිරීම. සැබෑ උපාංග වේගය සහ බැටරිය බෙහෙවින් වෙනස් ය; සෑම විටම සැබෑ දෘඩාංග මත මැන බලන්න.
- අනවශ්ය ලෙස Cloud වෙත සංවේදී දත්ත යැවීම. උපාංගය මත ඇති වලාකුළු තෝරාගැනීම පුද්ගලිකත්ව අවදානමකි.
- ආකෘති ප්රමාණය නොසලකා හැරීම. විශාල මාදිලියේ යෙදුම් බාගැනීම් ප්රමාණය වැඩි කරන අතර අඩු දෘඪාංග මත කඩා වැටේ.
- ආකෘතියේ පුහුණු සීමාව අමතක කිරීම. එය නොපෙනෙන තත්ත්වය තුළ ආකෘතිය වැරදියි (රාත්රිය, විවිධ භාෂාව); පරිශීලකයාට මෙය පැහැදිලි කරන්න.
සාරාංශයකින්
උපාංගයේ AI දුරකථනයේ දත්ත තබා ගැනීමෙන් පුද්ගලිකත්වය, වේගය සහ නොබැඳි මෙහෙයුම් සපයයි; සීමාව වන්නේ උපාංගයේ බලය සහ මාදිලියේ ප්රමාණයයි. ML Kit පෙට්ටියෙන් පිටත හැකියාවන් සඳහා භාවිතා වේ, Core ML (iOS) සහ TensorFlow Lite (හරස් වේදිකාව) අභිරුචි ආකෘති සඳහා භාවිතා වේ. ඒකාබද්ධතාවයේ නිහඬ ඝාතකයා නුසුදුසු පූර්ව සැකසුම් ය; ආදාන ප්රමාණය සහ සාමාන්යකරණය ආකෘතියේ ලේඛනයෙන් සත්යාපනය කර ඇත. සෑම ප්රතිඵලයක්ම විශ්වාස ලකුණු සමඟ එන අතර අඩු විශ්වාසනීය අනාවැකි නිරපේක්ෂ සත්ය ලෙස ඉදිරිපත් නොකෙරේ. තීරණ මනිනු ලබන්නේ සැබෑ උපාංගය මත මිස ඉමුලේටරය මත නොවේ.
යෙදුම් කාර්යය
"ඡායාරූපයෙන් පෙළ කියවීම" හෝ "බාර්කෝඩ් කියවීම" විශේෂාංගය සඳහා, එය උපාංගය මත හෝ "මාර්ග තේරීමේ අච්චුව" සමඟ වලාකුළු විය යුතුද යන්න AI වෙතින් විමසන්න, ඉන්පසු "ඒකාබද්ධ අච්චුව" සමඟ ML කට්ටලය මත පදනම් වූ සැලැස්මක් ඉල්ලා සිටින්න. පෙර සැකසුම් පියවර සහ පරිශීලක අනුමැතිය/සංස්කරණ ප්රවාහය කේතයේ ඇති බව තහවුරු කරන්න. විශ්වාස ලකුණු සීමාවක් සකසා ප්රතිඵලය අඩු විශ්වාසයක් නම් ඔබ කරන්නේ කුමක්දැයි ලියන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම නිර්ණායක මත පදනම්ව උපාංගය මත/වලාකුළු තීරණය ගත්තා
- [ ] මම නිවැරදි මෙවලම තෝරා ගත්තා (ML Kit / Core ML / TF Lite)
- [ ] මම ආකෘතියේ ලේඛනයෙන් පූර්ව සැකසුම් මානය සහ සාමාන්යකරණය සත්යාපනය කළෙමි
- [ ] මම විශ්වාස ලකුණු පරීක්ෂා කර අඩු විශ්වාසනීය ප්රතිඵල ගැන අනතුරු ඇඟවීය
- [ ] මම අනුමැතිය/සංස්කරණය සමඟ ප්රතිඵලය පරිශීලකයාට ඉදිරිපත් කළෙමි, මම එය අන්ධ ලෙස සුරැකුවේ නැත
- [ ] මම කාර්ය සාධනය මැන බැලුවේ සැබෑ උපාංගයේ මිස ඉමුලේටරය මත නොවේ