ஆதாயங்கள்:
- தனியுரிமை, ஆஃப்லைன் தேவை, மாதிரி அளவு மற்றும் பேட்டரி அளவுகோல்களின் அடிப்படையில் சாதனம் அல்லது கிளவுட் மற்றும் சரியான கருவியைத் தேர்ந்தெடுக்கும் திறன் (ML Kit, Core ML, TensorFlow Lite)
- மாதிரி ஒருங்கிணைப்பில் மாதிரியின் ஆவணத்திலிருந்து உள்ளீடு முன் செயலாக்கத்தை (அளவு மற்றும் இயல்பாக்கம்) சரிபார்ப்பதன் மூலம் அமைதியான பிழைகளைத் தடுக்கும் திறன்
- நம்பிக்கை மதிப்பெண்ணை மதிப்பிடும் திறன் மற்றும் பயனர் ஒப்புதலுடன் மற்றும் உண்மையான சாதனத்தில், குறைந்த நம்பிக்கை கணிப்புகளை முழுமையான உண்மையாக முன்வைக்காமல் முடிவுகளை அளவிடும் திறன்.
இதுவரை, வளர்ச்சி செயல்முறையை விரைவுபடுத்த AI ஐ ஒரு உதவியாகப் பயன்படுத்தினோம். இப்போது நாம் AI இன் இரண்டாவது பாத்திரத்திற்கு செல்கிறோம்: பயன்பாட்டில் பொதிந்துள்ள திறமை. நவீன ஃபோன்கள் AI மாடல்களான படத்தை அறிதல், உரை மொழிபெயர்ப்பு, பேச்சு டிரான்ஸ்கிரிப்ஷன் போன்றவற்றை நேரடியாக சாதனத்தில் (சாதனத்தில் — சேவையகத்திற்குச் செல்லாமல் போனின் சொந்த செயலியில்) இயக்கும் ஆற்றலைக் கொண்டுள்ளன. சாதனத்தில் AI; வேகம், தனியுரிமை மற்றும் ஆஃப்லைன் செயல்பாடு ஆகியவற்றின் அடிப்படையில் கிளவுட் தீர்வுகளை விட இது சிறந்த நன்மைகளை வழங்குகிறது. இந்த யூனிட்டில், iOS இன் Core ML, கிராஸ்-பிளாட்ஃபார்ம் TensorFlow Lite (இப்போது LiteRT என அழைக்கப்படுகிறது) மற்றும் Google இன் ஆயத்த தீர்வு ML கிட் ஆகியவற்றுடன் AI ஐ எவ்வாறு உட்பொதிப்பது மற்றும் இந்த ஒருங்கிணைப்பில் AI ஐ எவ்வாறு உதவியாளராகப் பயன்படுத்துவது என்பதைக் கற்றுக்கொள்வோம்.
சாதனம் அல்லது மேகம்?
இது முதல் மற்றும் மிக முக்கியமான கட்டிடக்கலை முடிவு. சாதனத்தில் உள்ள AI ஆனது ஃபோனிலிருந்து தரவை அகற்றாது - தனியுரிமைக்கான மிகப்பெரிய வெற்றி. நெட்வொர்க் தாமதம் இல்லாததால் இது உடனடி மற்றும் ஆஃப்லைனில் வேலை செய்கிறது. இருப்பினும், இது சாதனத்தின் செயலாக்க சக்தி மற்றும் நினைவகத்தால் வரையறுக்கப்பட்டுள்ளது; மிகப் பெரிய மாடல்கள் (எ.கா. ராட்சத நாக்கு மாதிரிகள்) தொலைபேசியில் பொருந்தாது அல்லது பேட்டரியை வடிகட்டிவிடும். மறுபுறம், Cloud AI ஆனது வரம்பற்ற ஆற்றலை வழங்குகிறது, ஆனால் சேவையகத்திற்கு தரவை அனுப்புகிறது, நெட்வொர்க் தேவைப்படுகிறது மற்றும் தாமதத்தை உருவாக்குகிறது.
அளவுகோல்
சாதனத்தில்
கிளவுட் (கிளவுட் ஏபிஐ)
தனியுரிமை
சாதனத்தில் தரவு வலுவாக இருக்கும்
தரவு சேவையகத்திற்கு செல்கிறது, கவனம் தேவை
வேகம்
உடனடி, நெட்வொர்க் இல்லை
பிணைய தாமதத்தைப் பொறுத்தது
ஆஃப்லைனில்
இது வேலை செய்கிறது
வேலை செய்யாது
மாதிரி அளவு
வரையறுக்கப்பட்ட (தொலைபேசி ஆதாரம்)
வரம்பற்ற
பேட்டரி/வெப்பம்
கடுமையான பயன்பாட்டுடன் விளைவுகள்
சேவையகம் சுமையில் உள்ளது, சாதனம் தளர்த்தப்பட்டது
செலவு
இலவசம் (சாதன ஆதாரம்)
பயன்பாட்டிற்கான கட்டணம்
முடிவெடுக்கும் விதி: தனிப்பட்ட/உணர்திறன் தரவு செயலாக்கப்பட்டால், ஆஃப்லைனில் வேலை செய்ய வேண்டுமா அல்லது உடனடி பதில் அவசியம் எனில் சாதனத்தைத் தேர்வுசெய்யவும். உங்களுக்கு மிகப் பெரிய மாதிரி தேவைப்பட்டால், மேகக்கணிக்கு திரும்பவும். இந்த அலகு சாதனத்தில் கவனம் செலுத்துகிறது; அடுத்த யூனிட்டில் கிளவுட் AIஐப் பற்றிப் பார்ப்போம்.
உதவிக்குறிப்பு: முக்கியமான தரவை (உடல்நலம், பயோமெட்ரிக்ஸ், இருப்பிடம்) கையாளும் அம்சத்திற்காக எப்போதும் உங்கள் சாதனத்தை இயல்புநிலையாக மாற்றவும். "தரவு சாதனத்தை விட்டு வெளியேறாது" என்ற சொற்றொடர் தனியுரிமை இணக்கம் மற்றும் பயனர் நம்பிக்கை ஆகிய இரண்டிற்கும் விலைமதிப்பற்றது, மேலும் ஸ்டோர் தனியுரிமை லேபிளில் பெரிய வித்தியாசத்தை ஏற்படுத்துகிறது.
மூன்று வழிகள்: எம்எல் கிட், கோர் எம்எல், டென்சர்ஃப்ளோ லைட்
ML Kit (Google) தொடங்குவதற்கான எளிதான வழி: இது உரை அங்கீகாரம் (OCR — ஒரு படத்தில் உள்ள உரையை வாசிப்பது), முகம் கண்டறிதல், பார்கோடு வாசிப்பு, சில வரிகளில் மொழிபெயர்ப்பு போன்ற ஆயத்த திறன்களை வழங்குகிறது. உங்கள் சொந்த மாதிரியைப் பயிற்றுவிக்க வேண்டிய அவசியமில்லை. கோர் எம்எல் (ஆப்பிள்) என்பது உங்கள் சொந்த மாடலை அல்லது iOS இல் ஆயத்த மாதிரியை இயக்குவதற்கான மிகச் சிறந்த வழியாகும்; இது ஆப்பிளின் நியூரல் என்ஜின் (செயற்கை நரம்பியல் நெட்வொர்க் செயலி) வன்பொருளைப் பயன்படுத்துகிறது. TensorFlow Lite/LiteRT என்பது உங்கள் சொந்த பயிற்சி பெற்ற மாதிரியை Android மற்றும் iOS இரண்டிலும் இயக்க அனுமதிக்கும் குறுக்கு-தளம் தீர்வாகும்.
AI உடனான பொதுவான ஒருங்கிணைப்பு ஓட்டம் பின்வருமாறு:
- திறமை வரையறை. "புகைப்படத்தில் உள்ள உரையைப் படிக்க விரும்புகிறேன்" போன்ற தெளிவான இலக்கு.
- பாதை தேர்வு. தயாராக திறமை இருந்தால், ML கிட்; சிறப்பு மாதிரி இருந்தால் கோர் எம்எல்/டிஎஃப் லைட்.
- மாதிரி வடிவம். .mlmodel (Core ML), .tflite (TF Lite). AI மாற்றும் படிகளை விளக்குகிறது.
- ஒருங்கிணைப்பு குறியீடு. மாதிரியை ஏற்றுதல், உள்ளீட்டை முன் செயலாக்குதல், வெளியீட்டை விளக்குதல்.
- செயல்திறன் சோதனை. உண்மையான சாதனத்தில் வேகம், நினைவகம், பேட்டரி அளவீடு.
எச்சரிக்கை: சாதனத்தில் உள்ள மாதிரி ஒருங்கிணைப்பில் மிகவும் பொதுவான AI தவறு உள்ளீடு முன் செயலாக்கம் ஆகும் - மாதிரி எதிர்பார்க்கும் அளவு மற்றும் வண்ண வடிவத்திற்கு படத்தை மாற்றுகிறது. மாடல் 224x224 பிக்சல்களை எதிர்பார்க்கிறது மற்றும் நீங்கள் அதற்கு 300x300 கொடுத்தால், விளைவு அர்த்தமற்றதாக இருக்கும், ஆனால் நீங்கள் ஒரு பிழை செய்தியைப் பெற மாட்டீர்கள். மாதிரியின் ஆவணத்திலிருந்து முன் செயலாக்க மதிப்புகளைச் சரிபார்க்கவும்.
மாதிரியின் வரம்புகளை அறிவது
சாதனத்தில் உள்ள மாதிரியானது பயிற்சியளிக்கப்பட்ட தரவின் அடிப்படையில் முடிவுகளை எடுக்கிறது. பகலில் எடுக்கப்பட்ட புகைப்படங்களில் மட்டுமே பயிற்சியளிக்கப்பட்ட பொருள் அங்கீகார மாதிரியானது இரவுப் படங்களில் தவறாக இருக்கும். மாடலுக்கு நம்பிக்கை மதிப்பெண் உள்ளது (நம்பிக்கை — மாடல் அதன் பதிலைப் பற்றி எவ்வளவு நம்பிக்கையுடன் உள்ளது, பொதுவாக 0 மற்றும் 1 க்கு இடையில்); குறைந்த நம்பிக்கை முடிவுகளை பயனருக்கு துல்லியமாக வழங்குவது ஆபத்தானது. எடுத்துக்காட்டாக, ஸ்கின் ஸ்பாட் ஸ்கேனிங் பயன்பாடு "நிச்சயமாக தீங்கற்றது" என்று கூறக்கூடாது, ஆனால் "மாடலின் கணிப்பு இதுதான், தயவுசெய்து மருத்துவரை அணுகவும்" என்று கூற வேண்டும். மாதிரி முடிவு ஒரு பரிந்துரை, நோயறிதல் அல்ல.
மூன்று சிறிய வழக்குகள்
வழக்கு 1 - OCR உடன் முடுக்கம். ML Kit உரை அங்கீகாரத்துடன் ரசீதுகளை கைமுறையாக உள்ளிடுவதன் சுமையை ஒரு செலவு கண்காணிப்பு ஆப்ஸ் நீக்கியுள்ளது. பயனர் ரசீதின் புகைப்படத்தை எடுக்கிறார், மேலும் தொகையும் தேதியும் தானாகவே நிரப்பப்படும். கைமுறை நுழைவு நேரம் ஒரு ரசீதுக்கு 40 வினாடிகளில் இருந்து 8 வினாடிகளாக குறைக்கப்பட்டது. குழு எப்பொழுதும் பயனர் AI படித்த அளவை உறுதிப்படுத்த வேண்டும்; ஏனெனில் சுருக்கமான ரசீதுகளில் 6% மார்ஜின் பிழை இருந்தது. ஆட்டோமேஷன் + மனித ஒப்புதல் சரியான சமநிலை.
வழக்கு 2 - முன் செயலாக்க பிழை. ஒரு குழு டென்சர்ஃப்ளோ லைட்டுடன் தாவர அங்கீகார மாதிரியை ஒருங்கிணைத்தது; சோதனையாளரில், முடிவுகள் சீரற்றவை. பிரச்சனை என்னவென்றால், AI உருவாக்கிய குறியீடு எதிர்பார்த்த மாதிரியின் [0,1] வரம்பிற்கு படத்தை இயல்பாக்கவில்லை (பிக்சல் மதிப்புகள் 0-255 இல் விடப்பட்டது). இயல்பாக்கம் சேர்க்கப்படும் போது, துல்லியம் 30% இலிருந்து 89% ஆக அதிகரித்தது. பாடம்: முன்செயலாக்கம் அமைதியானது ஆனால் கொடியது.
வழக்கு 3 - தனியுரிமை ஆதாயம். சாதனத்தில் உள்ள கோர் எம்எல் மாடலுடன் இதயத் துடிப்புத் தரவிலிருந்து ஒரு சுகாதாரப் பயன்பாடு ஒழுங்கின்மையைக் கண்டறிந்தது. தரவு சேவையகத்திற்கு செல்லவில்லை. இந்தத் தேர்வு ஆப் ஸ்டோர் தனியுரிமை லேபிளில் "தரவைச் சேகரிக்கவில்லை" என்ற சொற்றொடரைப் பெற பயன்பாட்டை இயக்கியது மற்றும் போட்டியாளர்களுடன் ஒப்பிடும்போது அதன் பதிவிறக்க வீதத்தை அதிகரித்தது. சாதனத்தின் தேர்வு நெறிமுறை மற்றும் வணிக ரீதியாக லாபகரமானதாக இருந்தது.
பலவீனமான வரியில் / வலுவான வரியில்
பலவீனமான அறிவுறுத்தல்: "எனது பயன்பாட்டில் பட அங்கீகாரத்தைச் சேர்."
சக்திவாய்ந்த அறிவுறுத்தல்: "எனது Android/Kotlin பயன்பாட்டில் தொகை மற்றும் தேதி வாசிப்பு அம்சத்தைச் சேர்க்கவும். - Google ML Kit Text Recognition ஐப் பயன்படுத்தவும் (சாதனத்தில், ஆஃப்லைனில்) - கேமரா அல்லது கேலரியில் இருந்து படத்தை எடுக்கவும் - regex மூலம் அங்கீகரிக்கப்பட்ட உரையிலிருந்து தொகை மற்றும் தேதியைப் பிரித்தெடுக்கவும் - பயனர் ஒப்புதலுக்காக முடிவை வழங்கவும். மற்றும் பிழை சூழ்நிலைகள், படிகளை விளக்குங்கள்."
நகலெடுக்கக்கூடிய வார்ப்புருக்கள்
பாதை தேர்வு டெம்ப்ளேட்: "நான் பின்வரும் அம்சத்தை உருவாக்க விரும்புகிறேன்: [அம்சம்]. இது சாதனத்தில் அல்லது மேகக்கணியாக இருக்க வேண்டுமா? இதன் அடிப்படையில் ஒப்பிடுக: தனியுரிமை, ஆஃப்லைன் தேவை, மாதிரி அளவு, பேட்டரி, செலவு. பொருத்தமான கருவியை (ML Kit / Core ML / TF Lite) பரிந்துரைத்து நியாயப்படுத்தவும்."
ஒருங்கிணைப்பு டெம்ப்ளேட்:"[தளம்]:1) மாடல் ஏற்றுதல்2) உள்ளீடு முன் செயலாக்கம் (எதிர்பார்க்கப்படும் அளவு மற்றும் இயல்பாக்கம்) 3) அனுமான அழைப்பு4) வெளியீட்டு விளக்கம் மற்றும் நம்பக மதிப்பெண் சரிபார்ப்பு 5) குறைந்த நம்பிக்கையில் பயனருக்கு எச்சரிக்கை விளைவு முன்செயலாக்கத்தின் மதிப்பை சரிபார்க்க எனக்கு நினைவூட்டவும்.
நம்பிக்கை மதிப்பெண் டெம்ப்ளேட்:"இந்த அனுமானக் குறியீட்டில் நம்பிக்கை மதிப்பெண்ணைக் கருதுங்கள்:- தற்போதைய முடிவு 'சரியானது' வரம்பிற்குக் கீழே (எ.கா. 0.6)- 'இது ஒரு மதிப்பீடு' குறிப்பைப் பயனருக்குக் காட்டு- முக்கியமான பகுதி என்றால் (உடல்நலம், பாதுகாப்பு)[குறியீடு]"
செயல்திறன் சரிபார்ப்பு டெம்ப்ளேட்: "இந்த சாதனத்தில் உள்ள மாதிரி ஒருங்கிணைப்புக்கான உண்மையான சாதனத்தில் நான் அளவிட வேண்டிய அளவீடுகளை பட்டியலிடவும்: அனுமான நேரம், நினைவக அதிகரிப்பு, பேட்டரி தாக்கம், வெப்பமாக்கல். ஒவ்வொன்றிற்கும் அளவீட்டு முறையைக் கூறுங்கள்."
பொதுவான தவறுகள்
- முன் செயலாக்கத்தைத் தவிர்த்தல் அல்லது தவறாகச் செய்தல். தவறான அளவு/சாதாரணமாக்கல் அமைதியாக தவறான முடிவை உருவாக்குகிறது.
- நம்பிக்கை மதிப்பெண்ணை புறக்கணித்தல். குறைந்த நம்பிக்கை மதிப்பீட்டை துல்லியமாக வழங்குவது பயனரை தவறாக வழிநடத்தும்.
- முன்மாதிரியில் மாதிரியை சோதிக்கிறது. உண்மையான சாதன வேகம் மற்றும் பேட்டரி மிகவும் வேறுபட்டவை; எப்போதும் உண்மையான வன்பொருளில் அளவிடவும்.
- தேவையில்லாமல் மேகக்கணிக்கு முக்கியமான தரவை அனுப்புகிறது. சாதனத்தில் மேகக்கணியைத் தேர்ந்தெடுப்பது தனியுரிமை அபாயமாகும்.
- மாதிரி அளவைப் புறக்கணித்தல். பெரிய மாடல் பயன்பாடுகள் பதிவிறக்க அளவை அதிகரிக்கின்றன மற்றும் குறைந்த வன்பொருளில் செயலிழக்கச் செய்கின்றன.
- மாதிரியின் பயிற்சி வரம்பை மறந்துவிட்டது. அது பார்க்காத நிலையில் (இரவு, வேறு மொழி) மாதிரி தவறாக உள்ளது; இதை பயனருக்கு தெளிவுபடுத்துங்கள்.
சுருக்கமாக
சாதனத்தில் உள்ள AI ஆனது தொலைபேசியில் தரவை வைத்திருப்பதன் மூலம் தனியுரிமை, வேகம் மற்றும் ஆஃப்லைன் செயல்பாட்டை வழங்குகிறது; வரம்பு சாதனத்தின் சக்தி மற்றும் மாதிரி அளவு. ML Kit ஆனது அவுட்-ஆஃப்-பாக்ஸ் திறன்களுக்குப் பயன்படுத்தப்படுகிறது, Core ML (iOS) மற்றும் TensorFlow Lite (கிராஸ்-பிளாட்ஃபார்ம்) ஆகியவை தனிப்பயன் மாதிரிகளுக்குப் பயன்படுத்தப்படுகின்றன. ஒருங்கிணைப்பின் அமைதியான கொலையாளி முறையற்ற முன்செயலாக்கமாகும்; உள்ளீட்டு அளவு மற்றும் இயல்பாக்கம் மாதிரியின் ஆவணங்களில் இருந்து சரிபார்க்கப்பட்டது. ஒவ்வொரு முடிவும் நம்பிக்கை மதிப்பெண்ணுடன் வருகிறது, மேலும் குறைந்த நம்பிக்கை கணிப்புகள் முழுமையான உண்மையாக வழங்கப்படுவதில்லை. முடிவுகள் உண்மையான சாதனத்தில் அளவிடப்படுகின்றன, முன்மாதிரி அல்ல.
விண்ணப்ப பணி
"புகைப்படத்திலிருந்து உரை வாசிப்பு" அல்லது "பார்கோடு வாசிப்பு" அம்சத்திற்கு, அது சாதனத்தில் உள்ளதா அல்லது "பாதை தேர்வு டெம்ப்ளேட்" உடன் கிளவுட் ஆக இருக்க வேண்டுமா என்று AIயிடம் கேட்கவும், பின்னர் "ஒருங்கிணைப்பு டெம்ப்ளேட்" உடன் ML கிட் அடிப்படையிலான வரைபடத்தைக் கேட்கவும். குறியீட்டில் முன்செயலாக்கப் படி மற்றும் பயனர் ஒப்புதல்/திருத்து ஓட்டம் உள்ளனவா என்பதைச் சரிபார்க்கவும். நம்பிக்கை மதிப்பெண் வரம்பை அமைத்து, நம்பிக்கை குறைவாக இருந்தால் என்ன செய்வீர்கள் என்று எழுதவும்.
சரிபார்ப்பு பட்டியல்
- [ ] நிபந்தனைகளின் அடிப்படையில் சாதனம்/கிளவுட் முடிவை எடுத்தேன்
- [ ] நான் சரியான கருவியைத் தேர்ந்தெடுத்தேன் (எம்எல் கிட் / கோர் எம்எல் / டிஎஃப் லைட்)
- [ ] மாதிரியின் ஆவணங்களில் இருந்து முன் செயலாக்க பரிமாணம் மற்றும் இயல்பாக்கம் ஆகியவற்றை நான் சரிபார்த்தேன்
- [ ] நான் நம்பிக்கை மதிப்பெண்ணை சரிபார்த்தேன் மற்றும் குறைந்த நம்பிக்கை முடிவுகளை எச்சரித்தேன்
- [ ] நான் ஒப்புதல்/திருத்தத்துடன் முடிவைப் பயனருக்கு வழங்கினேன், நான் அதை கண்மூடித்தனமாக சேமிக்கவில்லை
- [ ] உண்மையான சாதனத்தில் செயல்திறனை அளந்தேன், எமுலேட்டரில் அல்ல