این راهنما برای کمک به شما در ادغام کردن هوش مصنوعی زایا و راه‌حل‌های یادگیری ماشین (AI/ML) در برنامه‌هایتان طراحی شده است. این راهنما به شما کمک می‌کند تا در میان راه‌حل‌های مختلف هوش مصنوعی و یادگیری ماشین موجود، راه خود را پیدا کنید و بهترین گزینه را برای نیازهای خود انتخاب کنید. هدف این سند کمک به شما در تعیین ابزار مناسب و دلیل استفاده از آن با تمرکز بر نیازها و موارد استفاده شما است.
برای کمک به شما در انتخاب مناسب‌ترین راهکار هوش مصنوعی/یادگیری ماشین برای نیازهای خاصتان، این سند شامل راهنمای راهکارها است. با پاسخ دادن به مجموعه‌ای از پرسش‌ها درباره اهداف و محدودیت‌های پروژه، راهنما شما را به‌سمت مناسب‌ترین ابزارها و فناوری‌ها هدایت می‌کند.
این راهنما به شما کمک می‌کند بهترین راهکار هوش مصنوعی را برای برنامه‌تان انتخاب کنید. این عوامل را درنظر بگیرید: نوع داده (نوشتار، تصویر، صدا، ویدیو)، پیچیدگی تکلیف (خلاصه‌سازی ساده تا تکالیف پیچیده نیازمند دانش تخصصی)، و اندازه داده (ورودی‌های کوتاه دربرابر اسناد بزرگ). این کار به شما کمک می‌کند تصمیم بگیرید از Gemini Nano در دستگاهتان استفاده کنید یا از هوش مصنوعی ابری Firebase (Gemini Flash یا Gemini Pro).
از قدرت استنباط درون‌دستگاهی بهره ببرید
وقتی ویژگی‌های هوش مصنوعی و یادگیری ماشین را به برنامه Android خود اضافه می‌کنید، می‌توانید روش‌های مختلفی را برای ارائه آن‌ها انتخاب کنید – یا در دستگاه یا بااستفاده از فضای ابری.
راه‌حل‌های درون‌دستگاهی مانند Gemini Nano بدون هزینه اضافی نتیجه ارائه می‌دهند، حریم خصوصی کاربر را بهبود می‌بخشند، و عملکرد آفلاین قابل‌اعتمادی ارائه می‌دهند زیرا داده‌های ورودی به‌صورت محلی پردازش می‌شوند. این مزایا می‌تواند برای برخی موارد استفاده، مانند خلاصه کردن پیام، بسیار مهم باشد و هنگام انتخاب راهکارهای مناسب، استفاده از دستگاه را در اولویت قرار دهد.
Gemini Nano به شما امکان می‌دهد استنباط را مستقیماً در دستگاه مجهز به Android اجرا کنید. اگر با نوشتار، تصویر، یا صدا کار می‌کنید، برای راه‌حل‌های آماده، با واسط‌های برنامه‌سازی کاربردی GenAI در ML Kit شروع کنید. «میاناهای برنامه کاربردی هوش مصنوعی زایای ML Kit» با بهره‌گیری از AICore به‌عنوان خدمات سیستم زیربنایی، از Gemini Nano قدرت می‌گیرند و برای تکالیف درون‌دستگاهی خاص بهینه‌سازی شده‌اند. میاناهای برنامه‌سازی کاربردی ML Kit GenAI به‌دلیل سطح بالاتر میانای کاربری و مقیاس‌پذیری، مسیری ایده‌آل برای تولید برنامه‌های شما هستند. این «میاناهای برنامه‌سازی کاربردی» به شما امکان می‌دهند درخواست‌های زبان طبیعی را با ورودی‌های نوشتاری و تصویری ارسال کنید و از این طریق، موارد استفاده متنوعی مانند درک تصویر، ترجمه‌های کوتاه، خلاصه‌های هدایت‌شده، و غیره را فعال کنید.
برای تکالیف یادگیری ماشین سنتی، این انعطاف‌پذیری را دارید که مدل‌های سفارشی خودتان را پیاده‌سازی کنید. ابزارهای قدرتمندی مثل ML Kit، MediaPipe، LiteRT، و ویژگی‌های توزیع Google Play را برای ساده‌سازی فرایند توسعه شما ارائه می‌دهیم.
برای برنامه‌هایی که به راه‌حل‌های بسیار تخصصی نیاز دارند، می‌توانید از مدل سفارشی خودتان، مثل Gemma یا مدل دیگری که برای مورد استفاده خاص شما سفارشی‌سازی شده است، استفاده کنید. مدلتان را مستقیماً در دستگاه کاربر با LiteRT اجرا کنید. این ابزار معماری‌های مدل ازپیش طراحی‌شده‌ای برای عملکرد بهینه‌سازی‌شده ارائه می‌دهد.
ادغام مدل‌های پیشرفته Gemini
توسعه‌دهندگان Android می‌توانند قابلیت‌های پیشرفته هوش مصنوعی زایای Google، ازجمله مدل‌های قدرتمند Gemini Pro و Gemini Flash، را بااستفاده از کیت توسعه نرم‌افزار Firebase AI Logic در برنامه‌هایشان ادغام کنند. این کیت توسعه نرم‌افزار برای نیازهای داده‌ای بزرگ‌تر طراحی شده است و با فعال کردن دسترسی به این مدل‌های هوش مصنوعی چندوجهی با عملکرد بالا، قابلیت‌ها و سازگاری گسترده‌تری ارائه می‌دهد.
با «کیت توسعه نرم‌افزار Firebase AI Logic»، توسعه‌دهندگان می‌توانند با کمترین تلاش، تماس‌های سمت کارخواه با مدل‌های هوش مصنوعی Google برقرار کنند. این مدل‌ها، مثل Gemini Pro و Gemini Flash، استنباط را در فضای ابری اجرا می‌کنند و برنامه‌های Android را قادر می‌سازند انواع ورودی‌ها ازجمله تصویر، صدا، ویدیو، و نوشتار را پردازش کنند. Gemini Pro در استدلال درباره مسائل پیچیده و تجزیه‌وتحلیل داده‌های گسترده برتری دارد، درحالی‌که سری Gemini Flash سرعت فوق‌العاده و پنجره زمینه‌ای به اندازه کافی بزرگ برای اکثر کارها ارائه می‌دهد.
استنتاج ترکیبی
همچنین می‌توانید با بهره‌گیری از هر دو مدل درون‌دستگاهی و ابری، ساختن راهکار ترکیبی را درنظر بگیرید.
برنامه‌های تلفن همراه معمولاً از مدل‌های محلی برای داده‌های نوشتاری کوچک، مثل مکالمه‌های گپ یا مقاله‌های وبلاگ، استفاده می‌کنند. بااین‌حال، برای منابع داده بزرگ‌تر (مثل PDF) یا وقتی دانش بیشتری لازم باشد، ممکن است به راه‌حل ابری با مدل‌های Gemini قدرتمندتر نیاز باشد.
می‌توانید از کیت توسعه نرم‌افزار Firebase AI Logic به‌عنوان یک میانای یکپارچه برای انتقال یکپارچه بین استنباط درون‌دستگاهی و ابری استفاده کنید. یا اگر می‌خواهید مسیر استنباط را براساس عوامل هم‌زمان به‌صورت پویا تعیین کنید، می‌توانید منطق مسیریابی سفارشی را پیاده‌سازی کنید.
برای اطلاعات بیشتر درباره راه‌حل‌های ترکیبی، استنتاج ترکیبی را ببینید.
چه زمانی از یادگیری ماشین سنتی استفاده کنیم
درحالی‌که هوش مصنوعی زایا برای ایجاد و ویرایش محتوا مثل نوشتار، تصویر، و کد مفید است، بسیاری از مشکلات دنیای واقعی بااستفاده از تکنیک‌های سنتی یادگیری ماشین (ML) بهتر حل می‌شوند. این روش‌های تثبیت‌شده در کارهایی که شامل پیش‌بینی، طبقه‌بندی، تشخیص، و درک الگوها در داده‌های موجود است، برتری دارند، اغلب با کارایی بیشتر، هزینه محاسباتی کمتر، و پیاده‌سازی ساده‌تر نسبت به مدل‌های زایا.
چارچوب‌های سنتی ML راه‌حل‌های قوی، بهینه‌سازی‌شده، و اغلب کاربردی‌تری برای برنامه‌هایی ارائه می‌دهند که بر تجزیه‌وتحلیل ورودی، شناسایی ویژگی‌ها، یا پیش‌بینی براساس الگوهای یادگیری تمرکز دارند—به‌جای تولید برونداد کاملاً جدید. ابزارهایی مانند ML Kit، LiteRT، و MediaPipe از Google قابلیت‌های قدرتمندی را ارائه می‌دهند که برای این موارد استفاده غیرتولیدی، به‌ویژه در محیط‌های محاسباتی تلفن همراه و لبه‌ای، طراحی شده‌اند.
ادغام یادگیری ماشین خود را با ML Kit شروع کنید
ML Kit راهکارهای آماده تولید و بهینه‌شده برای تلفن همراه برای تکالیف رایج یادگیری ماشین ارائه می‌دهد و نیازی به تخصص قبلی در یادگیری ماشین ندارد. این «کیت توسعه نرم‌افزار» تلفن همراه با کاربری آسان تخصص Google در زمینه یادگیری ماشین را مستقیماً به برنامه‌های Android و iOS شما می‌آورد و به شما امکان می‌دهد به‌جای آموزش و بهینه‌سازی مدل، روی توسعه ویژگی تمرکز کنید. ML Kit میاناهای برنامه‌سازی کاربردی ازپیش ساخته‌شده و مدل‌های آماده استفاده برای ویژگی‌هایی مثل اسکن بارکد، تشخیص نوشتار (OCR)، تشخیص چهره، برچسب‌گذاری تصویر، تشخیص و ردیابی شیء، تشخیص زبان، و پاسخ هوشمند ارائه می‌دهد.
این مدل‌ها معمولاً برای اجرای درون‌دستگاهی بهینه‌سازی می‌شوند و از این طریق تأخیر کم، عملکرد آفلاین، و حریم خصوصی بهبودیافته کاربر را تضمین می‌کنند، زیرا داده‌ها اغلب در دستگاه باقی می‌مانند. ML Kit را انتخاب کنید تا بدون نیاز به آموزش مدل‌ها یا نیاز به برونداد زایا، به‌سرعت ویژگی‌های ML تثبیت‌شده را به برنامه تلفن همراهتان اضافه کنید. این کتابخانه برای بهبود کارآمد برنامه‌ها با قابلیت‌های «هوشمند» بااستفاده از مدل‌های بهینه‌سازی‌شده Google یا با استقرار مدل‌های سفارشی TensorFlow Lite ایده‌آل است.
در سایت توسعه‌دهندگان ML Kit، با راهنماها و مستندات جامع ما شروع کنید.
استقرار یادگیری ماشین سفارشی با LiteRT
برای کنترل بیشتر یا استقرار مدل‌های یادگیری ماشین خودتان، از پشته یادگیری ماشین سفارشی ساخته‌شده روی LiteRT و خدمات Google Play استفاده کنید. این پشته موارد ضروری را برای استقرار ویژگی‌های یادگیری ماشین با عملکرد بالا فراهم می‌کند. LiteRT یک جعبه‌ابزار بهینه‌سازی‌شده برای اجرای کارآمد مدل‌های TensorFlow در دستگاه‌های همراه، جاسازی‌شده، و لبه‌ای با منابع محدود است که به شما امکان می‌دهد مدل‌های بسیار کوچک‌تر و سریع‌تری را اجرا کنید که حافظه، توان، و فضای ذخیره‌سازی کمتری مصرف می‌کنند. زمان اجرای LiteRT برای شتاب‌دهنده‌های سخت‌افزاری مختلف (GPU، DSP، NPU) در دستگاه‌های لبه‌ای بسیار بهینه‌سازی شده است و استنتاج با تأخیر کم را امکان‌پذیر می‌کند.
وقتی نیاز دارید مدل‌های ML آموزش‌دیده (معمولاً برای طبقه‌بندی، رگرسیون، یا تشخیص) را به‌طور کارآمد در دستگاه‌هایی با توان محاسباتی یا عمر باتری محدود، مانند تلفن‌های هوشمند، دستگاه‌های مجهز به اینترنت اشیا، یا ریزکنترل‌گرها، مستقر کنید، LiteRT را انتخاب کنید. این راهکار ترجیحی برای استقرار مدل‌های پیش‌بینی سفارشی یا استاندارد در لبه است که در آن سرعت و صرفه‌جویی در منابع اهمیت زیادی دارد.
درباره استقرار ML با LiteRT بیشتر بدانید.
با MediaPipe، درک هم‌زمان را در برنامه‌هایتان بسازید
MediaPipe راهکارهای متن‌باز، چندسکویی، و سفارشی‌سازی‌پذیر یادگیری ماشین را ارائه می‌دهد که برای رسانه‌های زنده و جاری‌سازی طراحی شده‌اند. از ابزارهای ازپیش ساخته‌شده و بهینه‌سازی‌شده برای تکالیف پیچیده مثل ردیابی دست، تخمین وضعیت، تشخیص مش صورت، و تشخیص اشیا بهره‌مند شوید. همه این‌ها تعامل هم‌زمان با عملکرد بالا را حتی در دستگاه‌های همراه ممکن می‌کنند.
خطوط لوله مبتنی بر گراف MediaPipe بسیار قابل‌سفارشی‌سازی هستند و به شما امکان می‌دهند راه‌حل‌هایی را برای برنامه‌های Android، iOS، وب، رایانه، و زیرینه طراحی کنید. وقتی برنامه‌تان نیاز دارد داده‌های حسگر زنده، به‌ویژه جاری‌سازی‌های ویدیویی، را برای موارد استفاده‌ای مانند تشخیص اشاره، جلوه‌های واقعیت افزوده، ردیابی تناسب اندام، یا کنترل چهرک به‌سرعت درک کند و به آن‌ها واکنش نشان دهد، MediaPipe را انتخاب کنید. همه این موارد بر تجزیه‌وتحلیل و تفسیر ورودی تمرکز دارند.
راه‌حل‌ها را کاوش کنید و با MediaPipe شروع به ساختن کنید.
ادغام کردن برنامه با دستیار دستگاه
درحالی‌که ادغام هوش مصنوعی سنتی بر «وارد کردن هوش مصنوعی به برنامه شما» تمرکز دارد، شما نیز می‌توانید «برنامه خود را وارد هوش مصنوعی کنید». با همیاری در عملکرد برنامه‌تان برای ویژگی‌های هوش مصنوعی سیستم، به دستیارهای سطح سیستم (مثل Gemini) اجازه می‌دهید قابلیت‌های برنامه‌تان را به‌صورت عامل‌دار کشف و فراخوانی کنند. AppFunctions روش اصلی برای دستیابی به این یکپارچه‌سازی است و به برنامه شما امکان می‌دهد در اکوسیستم هوش مصنوعی Android گسترده‌تر شرکت کند. درمقابل، وقتی برنامه‌تان میزبان کارگزاران درون‌برنامه‌ای است که باید میانای کاربر تعاملی را به کاربران برگردانند، از Jetpack Compose A2UI Renderer برای نمایش بومی واسط‌های کارگزارمحور استفاده کنید.
انتخاب رویکرد
هنگام استفاده از هوش مصنوعی برای بهبود برنامه Android خود، باید سه رویکرد اصلی را درنظر بگیرید: انجام پردازش در دستگاه، استفاده از مدل‌های مبتنی بر ابر، یا افزودن عملکرد برنامه خود به هوش مصنوعی سطح سیستم. ابزارهایی مانند ML Kit، Gemini Nano، و LiteRT قابلیت‌های درون‌دستگاهی را فعال می‌کنند، درحالی‌که میاناهای برنامه‌سازی کاربردی ابری Gemini با Firebase AI Logic پردازش قدرتمند مبتنی بر ابر را ارائه می‌دهند. AppFunctions مسیر سومی را ارائه می‌دهد که به شما امکان می‌دهد با دردسترس قرار دادن ویژگی‌های برنامه خود برای سیستم، «برنامه‌تان را وارد هوش مصنوعی کنید».
هنگام انتخاب رویکرد خود، این عوامل را درنظر بگیرید:
| فاکتورگیری | راه‌حل‌های درون‌دستگاهی | راه‌حل‌های ابری |
|---|---|---|
| اتصال‌پذیری و عملکرد آفلاین | برای استفاده آفلاین ایده‌آل است؛ بدون اتصال شبکه کار می‌کند. | برای ارتباط با سرورهای راه دور به اتصال شبکه نیاز دارد. |
| حریم خصوصی داده‌ها | داده‌های حساس را به‌صورت محلی در دستگاه پردازش و ذخیره می‌کند. | داده‌ها به فضای ابری منتقل می‌شود و به امنیت ارائه‌دهنده نیاز دارد. |
| یافت‌پذیری و دسترسی | ادغام مستقیم سیستم‌عامل (AppFunctions) به دستیارها امکان می‌دهد ویژگی‌ها را پیدا کنند. | اکتشاف معمولاً به میانای کاربر داخلی برنامه یا ادغام‌های خاص میانای برنامه‌سازی کاربردی محدود می‌شود. |
| قابلیت‌های مدل | بهینه‌سازی‌شده برای تأخیر کم و تکالیف خاص و کمتر فشرده. | مدل‌های قدرتمند قادر به مدیریت پیچیدگی بالا و ورودی‌های بزرگ. |
| ملاحظات هزینه | بدون هزینه مستقیم برای هر استفاده؛ از سخت‌افزار دستگاه موجود استفاده می‌کند. | معمولاً شامل قیمت‌گذاری براساس مصرف یا هزینه‌های اشتراک جاری می‌شود. |
| منابع دستگاه | از فضای ذخیره‌سازی محلی، RAM، و عمر باتری استفاده می‌کند. | حداقل تأثیر محلی؛ محاسبات سنگین به سرور واگذار می‌شود. |
| ریزتنظیم | انعطاف‌پذیری محدود؛ محدودشده توسط قابلیت‌های سخت‌افزار محلی. | انعطاف‌پذیری بیشتر برای سفارشی‌سازی گسترده و بهینه‌سازی در مقیاس بزرگ. |
| یکنواختی چندسکویی | دردسترس بودن ممکن است بسته به سیستم‌عامل و پشتیبانی سخت‌افزار متفاوت باشد. | تجربه‌ای یکپارچه در هر پلاتفرمی که دسترسی به اینترنت داشته باشد. |
با درنظر گرفتن دقیق الزامات مورد استفاده و گزینه‌های دردسترس، می‌توانید راه‌حل هوش مصنوعی/یادگیری ماشین بی‌نقصی برای بهبود برنامه Android خود و ارائه تجربه‌های هوشمند و شخصی‌سازی‌شده به کاربران پیدا کنید.
راهنمای راهکارهای هوش مصنوعی/یادگیری ماشین
این راهنمای راه‌حل‌ها می‌تواند به شما در شناسایی ابزارهای توسعه‌دهنده مناسب برای ادغام فناوری‌های هوش مصنوعی/یادگیری ماشین در پروژه‌های Android کمک کند.
هدف اصلی ویژگی مبتنی بر هوش مصنوعی چیست؟
- الف) تولید محتوای جدید (نوشتار، شرح تصویر)، یا انجام پردازش نوشتار ساده (خلاصه کردن، نمونه‌خوانی، یا بازنویسی نوشتار)؟ → رفتن به هوشواره زایا
- ب) آیا داده‌ها/ورودی‌های موجود را برای پیش‌بینی، طبقه‌بندی، تشخیص، درک الگوها، یا پردازش جاری‌سازی‌های هم‌زمان (مثل ویدیو/صدا) تجزیه‌وتحلیل می‌کنید؟ → به یادگیری ماشین سنتی و ادراک بروید
- ج) بهبود کارکرد برنامه برای ادغام با ویژگی‌های هوش مصنوعی سیستم (برنامه شما در هوش مصنوعی قرار می‌گیرد)؟ → به وارد کردن برنامه در هوش مصنوعی بروید
- د) آیا میانای کاربر تعاملی و پویایی که توسط عامل‌های هوش مصنوعی تولید شده است ارائه می‌شود؟ → با نحوه استفاده از عامل‌ها برای تولید رابط کاربری آشنا شوید
یادگیری ماشین سنتی و ادراک
باید براساس الگوهای یادگرفته‌شده ورودی را تجزیه‌وتحلیل کنید، ویژگی‌ها را شناسایی کنید، یا پیش‌بینی کنید، نه اینکه برونداد کاملاً جدیدی تولید کنید.
چه وظیفه خاصی را انجام می‌دهید؟
- الف) آیا به یکپارچه‌سازی سریع ویژگی‌های ML تلفن همراه ازپیش ساخته‌شده و رایج نیاز دارید؟
(برای نمونه، اسکن بارکد، تشخیص نوشتار (OCR)، تشخیص چهره، برچسب‌گذاری تصویر، تشخیص و ردیابی شیء، تشخیص زبان، پاسخ هوشمند ساده)
- → استفاده: ML Kit (میاناهای برنامه‌سازی کاربردی سنتی)
- چرا: ساده‌ترین ادغام برای تکالیف ML تلفن همراه تثبیت‌شده، که اغلب برای استفاده در دستگاه بهینه‌سازی شده‌اند (تأخیر کم، آفلاین، حریم خصوصی).
- ب) برای انجام وظایف ادراکی نیاز به پردازش داده‌های جاری‌سازی هم‌زمان (مانند ویدیو یا صدا) دارید؟ (برای نمونه، ردیابی دست، تخمین ژست، مش چهره،
تشخیص و بخش‌بندی هم‌زمان شیء در ویدیو)
- → استفاده: MediaPipe
- چرا: چارچوب تخصصی برای خطوط لوله ادراک هم‌زمان با عملکرد بالا در پلاتفرم‌های مختلف.
- ج) نیاز دارید مدل یادگیری ماشین سفارشی آموزش‌دیده خودتان را به‌طور کارآمد روی دستگاه اجرا کنید (مثلاً برای طبقه‌بندی، رگرسیون، تشخیص)، و عملکرد و استفاده کم از منابع را در اولویت قرار دهید؟
- → استفاده: LiteRT (زمان اجرای TensorFlow Lite)
- چرا: زمان اجرای بهینه‌سازی‌شده برای استقرار کارآمد مدل‌های سفارشی در دستگاه‌های همراه و لبه‌ای (اندازه کوچک، استنباط سریع، شتاب سخت‌افزاری).
- د) برای تکلیف خاصی نیاز به آموزش مدل سفارشی یادگیری ماشین خودتان دارید؟
- → استفاده: LiteRT (زمان اجرای TensorFlow Lite) + آموزش مدل سفارشی
- هدف: ابزارهایی برای آموزش و استقرار مدل‌های سفارشی ارائه می‌دهد که برای دستگاه‌های تلفن همراه و لبه‌ای بهینه‌سازی شده‌اند.
- ه) به طبقه‌بندی پیشرفته محتوا، تحلیل احساسات، یا
ترجمه به بسیاری از زبان‌ها با ظرافت بالا نیاز دارید؟
- بررسی کنید که آیا مدل‌های سنتی یادگیری ماشین (که احتمالاً بااستفاده از LiteRT یا ابر مستقر شده‌اند) مناسب هستند یا اینکه NLU پیشرفته به مدل‌های زایا نیاز دارد (به «شروع» برگردید و گزینه «الف» را انتخاب کنید). برای طبقه‌بندی، احساسات، یا ترجمه ابری:
- → استفاده: راه‌حل‌های مبتنی بر ابر (برای نمونه، Google Cloud Natural Language API، Google Cloud Translation API، احتمالاً بااستفاده از زیرینه سفارشی یا پلاتفرم نماینده Gemini Enterprise). (اولویت پایین‌تر از گزینه‌های درون‌دستگاهی درصورت آفلاین بودن یا اهمیت حریم خصوصی).
- چرا: راه‌حل‌های ابری مدل‌های قدرتمند و پشتیبانی گسترده از زبان‌ها را ارائه می‌دهند، اما به اتصال‌پذیری نیاز دارند و ممکن است هزینه‌هایی را دربر بگیرند.
هوش مصنوعی زایا
باید محتوای جدید ایجاد کنید، خلاصه کنید، بازنویسی کنید، یا تکالیف تعامل یا درک پیچیده انجام دهید.
آیا نیاز دارید هوش مصنوعی آفلاین کار کند، به حداکثر حریم خصوصی داده (نگهداری داده‌های کاربر در دستگاه) نیاز دارید، یا می‌خواهید از هزینه‌های استنباط ابری اجتناب کنید؟
- الف) بله، آفلاین بودن، حداکثر حریم خصوصی، یا بدون هزینه ابری بودن حیاتی است.
- → به هوشواره زایای درون‌دستگاهی بروید
- ب) نه، اتصال‌پذیری دردسترس و قابل‌قبول است، قابلیت‌های ابری و
مقیاس‌پذیری مهم‌تر است، یا ویژگی‌های خاصی به ابر نیاز دارند.
- → رفتن به هوشواره زایای ابری
هوش مصنوعی زایای درون‌دستگاهی (بااستفاده از Gemini Nano)
نکات مهم: به دستگاه‌های Android سازگار نیاز دارد، پشتیبانی از iOS محدود است، مدل‌ها قدرت کمتری نسبت‌به همتایان ابری دارند.
با «میانای برنامه‌سازی کاربردی پیام‌واره» ML Kit می‌توانید درخواست‌های زبان طبیعی را با ورودی‌های فقط نوشتاری یا نوشتاری و تصویری برای انواع موارد استفاده، مثل درک تصویر، ترجمه‌های کوتاه، و خلاصه‌های هدایت‌شده ارسال کنید. اگر موارد استفاده شما با این محدودیت‌های کد برآورده می‌شود، «واسط‌های برنامه‌سازی کاربردی هوش مصنوعی زایا در ML Kit» بهترین گزینه برای هوش مصنوعی زایای درون‌دستگاهی است. ML Kit همچنین واسط‌های برنامه‌نویسی کاربردی ساده‌ای برای کارهای رایج مثل خلاصه کردن و پاسخ هوشمند ارائه می‌دهد.
- → استفاده: میاناهای برنامه‌سازی کاربردی ML Kit GenAI (با پشتیبانی Gemini Nano)
- چرا: ساده‌ترین راه برای ادغام کردن تکالیف هوش مصنوعی زایا در دستگاه بااستفاده از پیام‌واره‌های زبان طبیعی، بالاترین اولویت برای راه‌حل درون‌دستگاهی.
هوشواره زایای ابری
از مدل‌های قدرتمندتری استفاده می‌کند، به اتصال‌پذیری نیاز دارد، معمولاً شامل هزینه‌های استنباط می‌شود، دسترسی به دستگاه‌های بیشتری را فراهم می‌کند و سازگاری بین پلاتفرم‌ها (Android و iOS) را آسان‌تر می‌کند.
اولویت شما چیست: سهولت یکپارچه‌سازی در Firebase یا حداکثر انعطاف‌پذیری/کنترل؟
- الف) ادغام آسان‌تر، تجربه API مدیریت‌شده را ترجیح می‌دهید و احتمالاً
ازقبل از Firebase استفاده می‌کنید؟
- → استفاده: کیت توسعه نرم‌افزار Firebase AI Logic → رفتن به Firebase AI Logic
- ب) به حداکثر انعطاف‌پذیری، دسترسی به گسترده‌ترین طیف مدل‌ها
(ازجمله شخص ثالث/سفارشی)، تنظیم دقیق پیشرفته نیاز دارید و مایلید
ادغام زیرینه خودتان را مدیریت کنید (پیچیده‌تر است)؟
- → استفاده: «میانای برنامه‌سازی کاربردی Gemini» با «زیرینه ابری سفارشی» (بااستفاده از Google Cloud Platform)
- دلیل: بیشترین کنترل، گسترده‌ترین دسترسی به مدل، و گزینه‌های آموزش سفارشی را ارائه می‌دهد اما به تلاش قابل‌توجهی برای توسعه زیرساخت نیاز دارد. برای نیازهای پیچیده، در مقیاس بزرگ، یا بسیار سفارشی‌سازی‌شده مناسب است.
(کیت توسعه نرم‌افزار Firebase AI Logic را انتخاب کردید) به چه نوع وظیفه زایا و نمای عملکردی نیاز دارید؟
- الف) به توازنی بین عملکرد و هزینه نیاز دارید که برای تولید نوشتار عمومی، خلاصه‌سازی، یا برنامه‌های گپ که در آن‌ها سرعت مهم است مناسب باشد؟
- → استفاده: کیت توسعه نرم‌افزار Firebase AI Logic با Gemini Flash
- چرا: برای سرعت و کارایی در محیط مدیریت‌شده Google Cloud بهینه‌سازی شده است.
- ب) برای تولید نوشتار پیچیده، استدلال، NLU پیشرفته، یا پیروی از دستورالعمل به کیفیت و توانایی بالاتری نیاز دارید؟
- → استفاده از: کیت توسعه نرم‌افزار Firebase AI Logic با Gemini Pro
- هدف: مدل نوشتاری قدرتمندتر برای تکلیف‌های دشوار، که ازطریق Firebase دردسترس است.
کارکردهای برنامه
باید کارکرد برنامه‌تان را بهبود دهید تا با ویژگی‌های هوش مصنوعی سیستم ادغام شود (برنامه‌تان را وارد هوش مصنوعی کنید).
- → استفاده: AppFunctions
- چرا: ویژگی‌های هوش مصنوعی سیستم، مثل «دستیار»، را قادر می‌سازد قابلیت‌های برنامه‌تان را کشف و فراخوانی کند.
از عامل‌ها برای تولید میانای کاربری که از Jetpack Compose و Material 3 استفاده می‌کند استفاده کنید
باید واسط کاربر تعاملی تولیدشده یا درخواست‌شده توسط نمایندگان هوش مصنوعی را در برنامه خود ارائه دهید.
- → استفاده: پردازنده A2UI در Jetpack Compose
- چرا: به نمایندگان امکان می‌دهد بااستفاده از پروتکل نماینده به رابط کاربری (A2UI) «با رابط کاربری صحبت کنند»، پاسخ‌های پویای نماینده را به‌عنوان عناصر بومی Jetpack Compose و Material 3 با مدیریت کامل وضعیت و رویداد ارائه دهند.