Daromadlar:
- Qurilmada yoki bulutda qaror qabul qilish va maxfiylik, oflayn ehtiyoj, model hajmi va batareya mezonlari asosida to'g'ri vositani (ML Kit, Core ML, TensorFlow Lite) tanlash qobiliyati
- Model integratsiyasida model hujjatidan kirishni oldindan qayta ishlashni (hajmi va normalizatsiyasini) tekshirish orqali jim xatolarni oldini olish qobiliyati
- Ishonch darajasi past bo'lgan bashoratlarni mutlaq haqiqat sifatida ko'rsatmasdan, foydalanuvchi ma'qullagan holda va haqiqiy qurilmada ishonch ballini baholash va natijani o'lchash qobiliyati.
Hozirgacha biz AIdan rivojlanish jarayonini tezlashtirish uchun yordam sifatida foydalandik. Endi biz AIning ikkinchi roliga o'tamiz: dasturga kiritilgan iste'dod. Zamonaviy telefonlar tasvirni aniqlash, matnni tarjima qilish, nutqni transkripsiyalash kabi sunʼiy intellekt modellarini bevosita qurilmada (qurilmada — serverga bormasdan telefonning oʻz protsessorida) ishga tushirish quvvatiga ega. qurilmadagi AI; Tezlik, maxfiylik va oflayn rejimda ishlash bo'yicha bulutli echimlarga nisbatan katta afzalliklarni taqdim etadi. Ushbu boʻlimda biz AIni iOS’ning Core ML, kross-platforma TensorFlow Lite (hozirda LiteRT nomi bilan tanilgan) va Google’ning tayyor ML Kit yechimi yordamida ilovaga qanday kiritishni va ushbu integratsiyada yordamchi sifatida sunʼiy intellektdan qanday foydalanishni oʻrganamiz.
Qurilmadami yoki bulutdami?
Bu birinchi va eng muhim me'moriy qaror. Qurilmadagi sun'iy intellekt telefondan ma'lumotlarni olib tashlamaydi - maxfiylik uchun katta yutuq. Shuningdek, u bir zumda ishlaydi va tarmoqning kechikishi yo'qligi sababli oflayn rejimda ishlaydi. Biroq, u qurilmaning qayta ishlash quvvati va xotirasi bilan cheklangan; Juda katta modellar (masalan, gigant tilli modellar) telefonga sig'maydi yoki batareya quvvatini sarflaydi. Boshqa tomondan, Cloud AI cheksiz quvvatni taklif qiladi, lekin ma'lumotlarni serverga yuboradi, tarmoqni talab qiladi va kechikishni yaratadi.
mezon
Qurilmada
Bulut (bulutli API)
Maxfiylik
Ma'lumotlar qurilmada qoladi, kuchli
Ma'lumotlar serverga o'tadi, diqqat kerak
tezlik
Bir zumda, tarmoq yo'q
Tarmoqning kechikishiga bog'liq
oflayn
Bu ishlaydi
Ishlamaydi
Model hajmi
Cheklangan (telefon manbasi)
cheksiz
batareya / issiqlik
Og'ir foydalanish bilan ta'sir
Server yuk ostida, qurilma tinchlandi
Narxi
Bepul (qurilma manbai)
Foydalanish uchun to'lov
Qaror qabul qilish qoidasi: Agar shaxsiy/maxfiy maʼlumotlar qayta ishlansa, oflayn rejimda ishlashi kerak boʻlsa yoki tezkor javob zarur boʻlsa, qurilmada tanlang. Agar sizga juda katta model kerak bo'lsa, bulutga murojaat qiling. Bu birlik qurilmaga qaratilgan; Keyingi bo'limda bulutli AIni qamrab olamiz.
Maslahat: Nozik maʼlumotlarni (salomatlik, biometrik maʼlumotlar, joylashuv) qayta ishlovchi funksiya uchun har doim qurilmani birlamchi qilib qoʻying. "Ma'lumotlar qurilmani tark etmaydi" iborasi ham maxfiylikka rioya qilish, ham foydalanuvchi ishonchi uchun bebahodir va do'kon maxfiylik yorlig'ida katta farq qiladi.
Uchta usul: ML Kit, Core ML, TensorFlow Lite
ML Kit (Google) - boshlashning eng oson yo'li: u matnni aniqlash (OCR — rasmdagi matnni o'qish), yuzni aniqlash, shtrix-kodni o'qish, bir necha qatorda tarjima qilish kabi tayyor imkoniyatlarni beradi. O'zingizning modelingizni o'rgatishning hojati yo'q. Core ML (Apple) o'z modelingizni yoki iOS-da tayyor modelni ishga tushirishning eng samarali usulidir; U Apple kompaniyasining Neural Engine (sun'iy neyron tarmoq protsessori) uskunasidan foydalanadi. TensorFlow Lite/LiteRT bu oʻzaro platformali yechim boʻlib, Android va iOS-da oʻz oʻrgatilgan modelingizni ishga tushirish imkonini beradi.
AI bilan umumiy integratsiya oqimi quyidagicha bo'ladi:
- Iste'dod ta'rifi. "Men fotosuratdagi matnni o'qishni xohlayman" kabi aniq maqsad.
- Yo'l tanlash. Agar tayyor iste'dod bo'lsa, ML Kit; Agar maxsus model mavjud bo'lsa, Core ML/TF Lite.
- Model formati. .mlmodel (Core ML), .tflite (TF Lite). AIni o'zgartirish bosqichlarini tushuntiradi.
- Integratsiya kodi. Modelni yuklash, kirishni oldindan qayta ishlash, chiqishni sharhlash.
- Ishlash testi. Haqiqiy qurilmada tezlik, xotira, batareyani o'lchash.
Diqqat: Qurilmadagi modelni integratsiyalashda eng keng tarqalgan AI xatosi kirishni oldindan qayta ishlashdir - tasvirni model kutgan o'lcham va rang formatiga aylantirish. Agar model 224x224 pikselni kutsa va siz unga 300x300 bersangiz, natija ma'nosiz bo'ladi, lekin siz xato xabarini olmaysiz. Model hujjatidagi dastlabki ishlov berish qiymatlarini tekshiring.
Modelning chegaralarini bilish
Qurilmadagi model o'rganilgan ma'lumotlarga asoslanib qarorlar qabul qiladi. Faqat kun davomida olingan fotosuratlarda o'qitilgan ob'ektni aniqlash modeli tungi tasvirlarda noto'g'ri bo'ladi. Model ishonch balliga ega (ishonch — model o‘z javobiga qanchalik ishonchli, odatda 0 dan 1 gacha); Ishonch darajasi past natijalarni foydalanuvchiga to'g'ri deb ko'rsatish xavfli. Misol uchun, teri dog'larini skanerlash ilovasida "albatta yaxshi" deb aytilmasligi kerak, lekin "model bashorati shunday, shifokor bilan maslahatlashing" deb yozilishi kerak. Model natijasi tashxis emas, balki tavsiyadir.
uchta mini holat
1-holat - OCR bilan tezlashtirish. Xarajatlarni kuzatish ilovasi ML Kit matnni tanib olish bilan cheklarni qo‘lda kiritish yukini olib tashladi. Foydalanuvchi chekni suratga oladi, summa va sana avtomatik ravishda to‘ldiriladi. Qo'lda kiritish vaqti har bir kvitansiya uchun 40 soniyadan 8 soniyagacha kamaydi. Jamoa har doim foydalanuvchidan AI o'qigan miqdorni tasdiqlashi kerak edi; chunki ajinlangan kvitansiyalar 6% xatolik chegarasiga ega edi. Avtomatlashtirish + insonning roziligi to'g'ri muvozanat edi.
2-holat - Oldindan ishlov berish xatosi. Bir jamoa TensorFlow Lite bilan o'simliklarni aniqlash modelini birlashtirdi; Sinovchida natijalar tasodifiy edi. Muammo shundaki, AI yaratgan kod tasvirni model kutilgan [0,1] diapazoniga normallashtirmadi (piksel qiymatlari 0-255 da qoldirildi). Normalizatsiya qo'shilganda, aniqlik 30% dan 89% gacha oshdi. Dars: oldindan ishlov berish jim, ammo halokatli.
3-holati - Maxfiylik foydasi. Sog‘liqni saqlash ilovasi qurilmadagi Core ML modelida yurak urish tezligi ma’lumotlaridan anomaliya aniqladi. Ma'lumotlar hech qachon serverga tushmagan. Bu tanlov ilovaga App Store maxfiylik yorlig‘ida “ma’lumotlarni yig‘maydi” iborasini olish imkonini berdi va raqobatchilarga nisbatan yuklab olish tezligini oshirdi. Qurilmadagi tanlov ham axloqiy, ham tijoriy jihatdan foydali edi.
Zaif taklif / Kuchli taklif
Zaif taklif: "Mening ilovamga rasmni aniqlashni qo'shing."
Kuchli soʻrov: “Android/Kotlin ilovamga miqdor va sanani oʻqish funksiyasini qoʻshing. - Google ML Kit matnni aniqlash funksiyasidan foydalaning (qurilmada, oflayn) - Kamera yoki galereyadan suratga oling - Regex yordamida tanilgan matndan miqdor va sanani chiqarib oling - Natijani EDITABLE maydonida tasdiqlash uchun foydalanuvchiga taqdim eting. oldindan ishlov berish va xatolik holatlari, qadamlarni tushuntiring."
Nusxalanadigan shablonlar
Yo‘lni tanlash shablonini: "Men quyidagi xususiyatni yaratmoqchiman: [xususiyat]. Bu qurilmadami yoki bulutda bo‘lishi kerakmi? Solishtiring: maxfiylik, oflayn ehtiyoj, model hajmi, batareya, narx. Tegishli vositani tavsiya eting (ML Kit / Core ML / TF Lite) va asoslang."
Integratsiya shablonlari: "[platforma] uchun [model/qobiliyat] integratsiyasini yozing: 1) Modelni yuklash2) Kirishni oldindan qayta ishlash (kutilayotgan o'lcham va normallashtirish) 3) Xulosa chaqiruvi4) Chiqishni talqin qilish va ishonch ballini tekshirish5) Ishonch darajasi past bo'lgan natija haqida foydalanuvchiga ogohlantirish. Hujjatning dastlabki ishlov berish qiymatini tekshirishni eslatib o'ting."
Ishonch balli shabloni:"Ushbu xulosa kodidagi ishonch ballini ko'rib chiqing:- Natijani chegaradan pastda "aniq" ko'rsating (masalan, 0,6) - Foydalanuvchiga "bu taxmin" eslatmasini ko'rsating - Agar muhim hudud (sog'liq, xavfsizlik) [kod] bo'lsa, mutaxassisga murojaat qiling"
Ishlashni tekshirish shabloni: "Ushbu qurilmadagi model integratsiyasi uchun haqiqiy qurilmada oʻlchashim kerak boʻlgan koʻrsatkichlarni sanab oʻting: xulosa chiqarish vaqti, xotirani oshirish, batareya taʼsiri, isitish. Har biri uchun oʻlchash usulini ayting."
Umumiy xatolar
- Oldindan ishlov berishni o'tkazib yuborish yoki uni noto'g'ri bajarish. Noto'g'ri o'lcham/normalizatsiya jimgina noto'g'ri natija beradi.
- Ishonch balliga e'tibor bermaslik. Ishonch darajasi past bo'lgan taxminni to'g'ri deb ko'rsatish foydalanuvchini chalg'itadi.
- Modelni emulyatorda sinab ko'rish. Haqiqiy qurilma tezligi va batareyasi juda farq qiladi; har doim haqiqiy apparatda o'lchash.
- Nozik ma'lumotlarni bulutga keraksiz yuborish. Qurilmada mumkin bo'lganda bulutni tanlash maxfiylikka xavf tug'diradi.
- Model o'lchamiga e'tibor bermaslik. Katta model ilovalari yuklab olish hajmini oshirib yuboradi va kam uskunada ishlamay qoladi.
- Modelning o'qitish chegarasini unutish. Model ko'rmaydigan holatda xato qiladi (tun, boshqa til); Buni foydalanuvchiga aniq tushuntiring.
qisqa bayoni; yakunida
Qurilmadagi AI telefonda ma'lumotlarni saqlash orqali maxfiylik, tezlik va oflayn rejimda ishlashni ta'minlaydi; Cheklov qurilma quvvati va model o'lchamidir. ML to'plami tayyor imkoniyatlar uchun, Core ML (iOS) va TensorFlow Lite (o'zaro platformalar) maxsus modellar uchun ishlatiladi. Integratsiyaning jim qotili noto'g'ri ishlov berishdir; Kirish hajmi va normalizatsiyasi model hujjatlaridan tasdiqlangan. Har bir natija ishonch balli bilan birga keladi va past ishonch bashoratlari mutlaq haqiqat sifatida taqdim etilmaydi. Qarorlar emulyatorda emas, balki haqiqiy qurilmada o'lchanadi.
Ilova vazifasi
“Fotosuratdan matnni o‘qish” yoki “shtrix-kodni o‘qish” funksiyasi uchun sun’iy intellektdan “Yo‘l tanlash shablonli” qurilmada yoki bulutda bo‘lishini so‘rang, so‘ngra “Integratsiya shabloniga” ega ML to‘plamiga asoslangan loyihani so‘rang. Kodda oldindan ishlov berish bosqichi va foydalanuvchi tasdiqlash/tahrirlash oqimi mavjudligini tekshiring. Ishonch darajasi chegarasini belgilang va agar ishonch past bo'lsa, nima qilishingizni yozing.
nazorat ro'yxati
- [ ] Mezonlar asosida qurilmada/bulutda qaror qabul qildim
- [ ] Men toʻgʻri vositani tanladim (ML Kit / Core ML / TF Lite)
- [ ] Men model hujjatlaridan oldindan ishlov berish o‘lchamini va normallashtirishni tasdiqladim
- [ ] Ishonch ballini tekshirdim va ishonch darajasi pastligi haqida ogohlantirdim
- [ ] Natijani ma'qullash/tahrirlash bilan foydalanuvchiga taqdim etdim, uni ko'r-ko'rona saqlamadim
- [ ] Men emulyatorda emas, balki haqiqiy qurilmada ishlashni o‘lchaganman