Nota del redattore: pubblicato da Robert Quitsch, Product Lead dell'app mytaxi. La società, con sede ad Amburgo, ha creato un'app per collegare i taxi ai passeggeri in 100 città d'Europa. mytaxi utilizza la soluzione di ridesharing di Google Maps Platform per ottenere una maggiore precisione dei tempi di arrivo fino al 48%, ridurre la durata del viaggio del 4% e migliorare l'esperienza di navigazione dei tassisti.
Spesso le persone che prendono il taxi vogliono giungere a destinazione il prima possibile. Vogliono sapere quando arriverà il taxi e quando arriveranno a destinazione. Quando mytaxi ha aggiunto la soluzione di ridesharing di Google Maps Platform, ha aiutato i tassisti a localizzare i clienti in modo più preciso e veloce e ha ridotto l'incertezza sull'orario di arrivo stimato (ETA) per i passeggeri. Se i tassisti passano meno tempo a cercare i passeggeri, possono fare più corse al giorno. Se i veicoli arrivano in orario, i passeggeri passano meno tempo in attesa e sono meno propensi a cancellare la corsa.
Prima di integrare la soluzione di ridesharing di Google Maps Platform, i nostri tassisti dovevano aprire altre app come Google Maps o Waze per arrivare a destinazione. Perdevano di vista l'app mytaxi durante il tragitto. Grazie alla soluzione di ridesharing di Google Maps Platform incorporata nella nostra app, coinvolgiamo i tassisti e miglioriamo la loro esperienza e quella dei passeggeri con posizioni ed ETA più precisi. Ottenere posizioni più accurate ci aiuta a migliorare l'assegnazione dei tassisti ai passeggeri. Non disponendo di posizioni accurate per i tassisti, in passato abbiamo sottostimato o sovrastimato i nostri ETA del 64%, con tassisti che si presentavano all'appuntamento troppo presto o troppo tardi. Ciò creava poca fiducia nei nostri servizi e non consentiva ai tassisti di sfruttare al meglio il loro tempo.
La navigazione integrata ci aiuta a fornire percorsi ottimizzati per tassisti in base al traffico in tempo reale. Anche i tassisti più esperti, che potrebbero non aver mai utilizzato un'app di navigazione prima, traggono vantaggio dalla navigazione integrata, sempre attiva, con percorsi ottimizzati in base alle condizioni di traffico attuali. Grazie a un maggiore utilizzo della navigazione, a un posizionamento e un rilevamento più accurati forniti dalla soluzione di ridesharing di Google Maps Platform, la precisione di ETA è aumentata in media del 23% e addirittura del 48% in alcune città. Abbiamo anche riscontrato una diminuzione della durata media delle corse del 4%.
Pubblicato da Tim Sneath, Group Product Manager per Flutter
Durante l'evento Flutter Live del 4 dicembre scorso, abbiamo annunciato il rilascio di Flutter 1.0, la prima release stabile del toolkit UI di Google per la creazione di esperienze native incredibili per iOS e Android da un'unica base di codice.
Lo sviluppo di dispositivi mobili multipiattaforma oggi richiede molti compromessi. Gli sviluppatori sono obbligati a scegliere tra creare più volte la stessa app per diversi sistemi operativi e accettare una soluzione comune che rinunci a velocità e precisione native a favore della portabilità. Con Flutter, crediamo di poter offrire una soluzione che garantisca il meglio di entrambi i mondi: grafica e UI con accelerazione hardware e un codice ARM nativo applicabile a entrambi i noti sistemi operativi mobili.
Flutter non sostituisce i tradizionali modelli di app Apple e Android per lo sviluppo di app per dispositivi mobili; piuttosto, si tratta di un motore di app che può essere incorporato in un'applicazione esistente o utilizzato per un'applicazione del tutto nuova.
Ci piace pensare alle caratteristiche di Flutter distribuite su quattro dimensioni:
Se uniamo tutto questo e lo combiniamo con i migliori strumenti per Visual Studio Code, Android Studio, IntelliJ o qualsiasi altro editor di programmazione, ecco qui Flutter, un ambiente di sviluppo per la creazione di incredibili esperienze native per iOS e Android da un'unica base di codice.
Abbiamo annunciato la prima versione beta di Flutter dieci mesi fa, al Mobile World Congress, e siamo stati entusiasti di vedere con quanta velocità sia stata adottata dalla community, come evidenziato dalle migliaia di app Flutter già presenti negli store Apple e Google Play ancora prima della nostra release 1.0. Appare chiaro che gli sviluppatori siano pronti per un nuovo approccio allo sviluppo di UI.
Internamente, Flutter è stata adottata da Google per una vasta gamma di prodotti, tra cui Google Ads, che è passato a Flutter per le sue app iOS e Android. E ancora prima della 1.0, un ampio numero di clienti globali, inclusi Abbey Road Studios, Alibaba, Capital One, Groupon, Hamilton, JD.com, Philips Hue, Reflectly e Tencent, sta sviluppando o distribuendo app con Flutter.
Michael Jones, Senior Director di Engineering del team Capital One, afferma quanto segue riguardo all'esperienza con Flutter:
"Siamo entusiasti del contributo unico apportato da Flutter allo sviluppo multipiattaforma ad alte prestazioni. I nostri ingegneri hanno apprezzato la promessa di uno sviluppo rapido e le funzionalità di hot reload, e nel corso dell'ultimo anno abbiamo assistito a progressi incredibili per quanto riguarda il framework e soprattutto lo sviluppo delle integrazioni native". "Flutter consente a Capital One di considerare le funzionalità non nell'ottica 'iOS o Android', quanto piuttosto secondo un modello orientato ai dispositivi mobili indipendentemente dal sistema operativo. Siamo entusiasti di vedere Flutter 1.0 e siamo ancora una volta impressionati dal ritmo dell'avanzamento e dal fermento nella comunità ingegneristica".
"Siamo entusiasti del contributo unico apportato da Flutter allo sviluppo multipiattaforma ad alte prestazioni. I nostri ingegneri hanno apprezzato la promessa di uno sviluppo rapido e le funzionalità di hot reload, e nel corso dell'ultimo anno abbiamo assistito a progressi incredibili per quanto riguarda il framework e soprattutto lo sviluppo delle integrazioni native".
"Flutter consente a Capital One di considerare le funzionalità non nell'ottica 'iOS o Android', quanto piuttosto secondo un modello orientato ai dispositivi mobili indipendentemente dal sistema operativo. Siamo entusiasti di vedere Flutter 1.0 e siamo ancora una volta impressionati dal ritmo dell'avanzamento e dal fermento nella comunità ingegneristica".
Durante l'evento Flutter Live, il famoso servizio di pagamento Square ha annunciato due nuovi SDK Flutter che semplificheranno la modalità di accettazione di pagamenti per beni e servizi con Flutter, che ciò avvenga di persona usando un lettore di pagamenti Square o attraverso un'app per dispositivi mobili. Square ha mostrato un esempio di utilizzo del loro SDK per i pagamenti attraverso l'app di Collins Family Orchards, un'azienda agricola a conduzione familiare che coltiva e vende frutta nei mercati agricoli del Pacifico nord occidentale.
Lo sviluppatore dell'app di Collins Family Orchards, Dean Papastrat, in merito alla sua esperienza ha affermato:
"Sono rimasto sconvolto dalla velocità di tutte le animazioni e le transizioni nelle build di produzione. Come sviluppatore Web, è stato davvero facile eseguire la transizione a Flutter e non riesco a credere di essere riuscito a sviluppare un'app completamente funzionante in grado di ricevere pagamenti in solo una settimana".
A Flutter Live, inoltre, 2Dimensions ha annunciato la disponibilità immediata di Flare, un nuovo eccezionale strumento che consente ai designer di creare animazioni vettoriali che possono essere incorporate direttamente in un'app Flutter e manipolate mediante codice. Flare elimina la necessità di programmare in un'app, animare in un'altra e convertire il tutto in base alle risorse e al codice specifici per un dispositivo.
Le animazioni realizzate con Flare possono essere incorporate come widget in un'app Flutter esistente, in modo che possano partecipare all'intero processo di composizione e che sia possibile sovrapporre ad esse altro testo, livelli grafici o persino widget UI. Questa modalità di integrazione libera le animazioni dalle limitazioni di tipo "scatola nera" di altre architetture e rende possibile stabilire una collaborazione tra i designer e gli sviluppatori fino al completamento dell'app. Un'integrazione così stretta tra Flutter e Flare fornisce offerte uniche interessanti per designer e animatori digitali che desiderano creare esperienze per dispositivi mobili estremamente efficaci.
Un altro partner che ha scommesso su Flutter è Nevercode, un provider di strumenti di integrazione continua e delivery (CI/CD) per app per dispositivi mobili in rapida crescita. A Flutter Live ha annunciato Codemagic, un nuovo strumento progettato appositamente per Flutter con l'obiettivo di semplificare l'automazione del processo di sviluppo e creazione delle app Flutter per Android e per iOS con un'unica operazione. Oggi disponibile in versione beta, Codemagic consente di selezionare un repository GitHub contenente un progetto Flutter, creare con pochi clic dei flussi di build continui per l'esecuzione di test e generare app bundle binari che possono essere caricati negli store Apple e Google Play.
Abbiamo realizzato un breve video che illustra la quantità e la varietà delle app che gli sviluppatori hanno creato con Flutter a partire dalla versione beta:
A partire dalla prima versione beta, abbiamo lavorato per aggiungere funzionalità e dettagli a Flutter. In particolare, abbiamo arricchito il nostro servizio di assistenza per le app per iOS "pixel-perfect" di nuovi widget, esteso l'assistenza a quasi venti diversi servizi Firebase e lavorato per migliorare le prestazioni e ridurre le dimensioni delle app Flutter. Abbiamo anche risolto migliaia di problemi notificati dai feedback ricevuti dalla community.
Inoltre, Flutter include l'ultima versione della piattaforma Dart, la 2.1, un aggiornamento di Dart 2 che offre dimensioni di codice ridotte, controlli di tipo più rapidi e una migliore usabilità per errori di tipo. Dart 2.1 consente di incrementare la produttività in fase di creazione di esperienze utente grazie alle sue nuove funzionalità del linguaggio. Gli sviluppatori che hanno già adottato Dart 2.1 affermano di riscontrare miglioramenti significativi della velocità già soltanto con il passaggio al motore più recente:
Sebbene il traguardo principale della release 1.0 siano state la stabilizzazione e la correzione di bug, presenteremo anche l'anteprima di due nuove funzionalità fondamentali che gli sviluppatori potranno provare in modalità anteprima e che, lo anticipiamo, sarà distribuita con la release del prossimo trimestre a febbraio 2019: Add to App e Platform Views.
Quando abbiamo creato Flutter ci siamo concentrati sulla produttività, tenendo a mente lo scenario in cui qualcuno voglia sviluppare una nuova applicazione da zero. Ma ovviamente non tutti hanno la fortuna di poter iniziare da zero. Parlando con alcuni dei nostri maggiori clienti, è risultato chiaro che volessero utilizzare Flutter per creare nuove esperienze e funzionalità per gli utenti all'interno di un'applicazione esistente o per convertire gradualmente la loro applicazione in un'app Flutter.
L'architettura di Flutter supporta bene questo modello; dopotutto, ogni app Flutter include un container Android e iOS host. Ciononostante ci siamo impegnati per semplificare il processo di adozione graduale di Flutter aggiornando i nostri modelli, gli strumenti e le guide per le app esistenti. Abbiamo fatto in modo che la condivisione di risorse tra Flutter e il codice host risulti più semplice. Inoltre, abbiamo rivisto gli strumenti per semplificare la modalità di collegamento a un processo Flutter esistente senza dover lanciare il debugger con l'applicazione.
Continueremo a lavorare per rendere questa esperienza sempre migliore. Nonostante molti clienti stiano già utilizzando la nostra guida per Add to App con successo, continueremo ad aggiungere esempi e a estendere l'assistenza a scenari più complessi. Nel frattempo, le nostre istruzioni per aggiungere Flutter alle app esistenti sono disponibili sul nostro wiki; inoltre, è possibile seguire il restante lavoro sul Project board di GitHub.
Sebbene Add to App rappresenti un modo utile per introdurre gradualmente Flutter in un'applicazione esistente, in alcuni casi risulta più utile procedere con l'operazione contraria e incorporare un controllo per piattaforma Android o iOS in un'app Flutter.
Pertanto abbiamo introdotto dei widget di visualizzazione delle piattaforme (AndroidView e UiKitView) che consentono di incorporare questo tipo di contenuti su ciascuna piattaforma. Abbiamo presentato in anteprima l'assistenza Android per un paio di mesi, ma ora la stiamo estendendo anche a iOS e stiamo iniziando ad aggiungere plug-in come Google Maps e WebView, che ne trarranno vantaggio.
AndroidView
UiKitView
Come altri componenti, i nostri widget di visualizzazione delle piattaforme fanno parte del modello di composizione, il che significa che è possibile integrarlo con altri contenuti Flutter. Ad esempio, nello screenshot in alto, il pulsante di azione mobile nell'angolo in basso a destra è un widget Flutter con colore di sfondo con 50% alpha. Ciò ben dimostra i vantaggi architetturali unici di Flutter.
Sebbene questo lavoro sia pronto per essere messo alla prova dagli sviluppatori, noi continuiamo a impegnarci per migliorare le prestazioni e la compatibilità dei dispositivi, pertanto raccomandiamo di fare attenzione in caso di distribuzione di app basate su Platform Views. Continuiamo a lavorare attivamente per ottimizzare le visualizzazioni delle piattaforme e prevediamo che saranno pronte per la produzione in tempo per l'aggiornamento del prossimo trimestre.
Gli obiettivi principali di Flutter finora sono stati iOS e Android. Ciononostante, le nostre ambizioni per Flutter si estendono ben oltre i dispositivi mobili, fino a raggiungere un'ampia serie di piattaforme. Infatti, sin dall'inizio Flutter è stato progettato come toolkit UI portatile sufficientemente flessibile da arrivare ovunque siano presenti dei pixel.
Parte di questo lavoro già è stata realizzata nel progetto open source. Flutter Desktop Embedding è un progetto in fase iniziale che porta Flutter ai sistemi operativi per desktop inclusi Windows, MacOS e Linux. Inoltre, abbiamo recentemente pubblicato informazioni informali sull'utilizzo di Flutter su Raspberry Pi per fornire una dimostrazione dell'assistenza per l'incorporamento di Flutter in dispositivi di dimensioni inferiori, che potrebbe non includere una ambiente desktop completo.
Questa settimana, a Flutter Live, abbiamo fornito la prima anteprima di un progetto sperimentale su cui stiamo lavorando nei nostri laboratori, il quale estende significativamente i confini che Flutter è in grado di raggiungere.
Hummingbird è un'implementazione basata su Web del runtime di Flutter che sfrutta la capacità della piattaforma Dart di compilare non solo il codice ARM nativo, ma anche JavaScript. Ciò consente di eseguire il codice Flutter sul Web basato su standard senza apportare modifiche.
Abbiamo realizzato un articolo del blog dedicato a Medium che descrive i dettagli relativi all'implementazione tecnica di Hummingbird. E avremo molto altro da condividere su Hummingbird al Google I/O del 2019, speriamo di vederti lì!
Ovviamente, i dispositivi mobili rimangono la nostra immediata priorità, quindi nei prossimi mesi vedrai il nostro investimento applicato ai principali scenari che coinvolgono i dispositivi mobili.
Con Flutter 1.0 abbiamo creato un nuovo canale "stabile", in aggiunta ai canali beta, dev e master già esistenti. Il canale stabile viene aggiornato con minore frequenza rispetto agli altri canali, ma confidiamo fortemente nel suo livello di qualità poiché le build sono già state testate attraverso gli altri canali. Prevediamo di aggiornare il canale stabile su base trimestrale con le nostre build testate sul campo.
Puoi scaricare Flutter 1.0 dal nostro sito web all'indirizzo https://flutter.io, dove potrai trovare anche la documentazione per gli sviluppatori che effettuano il passaggio da altri framework, i code lab, un cookbook di esempi comuni e dei video tecnici.
Siamo fortemente in debito nei confronti dei primi utenti che si sono uniti a noi in questo viaggio finora, fornendo feedback, identificando problemi, creando contenuti e in generale dando forma al prodotto. La community di Flutter rappresenta una delle maggiori risorse intesa come progetto: è un gruppo disponibile, eterogeneo e cooperativo di persone che ci offrono il proprio aiuto in modo disinteressato perché, come noi, tengono a questo progetto open source. Grazie!
Flutter è pronto. Cosa creerai?
Pubblicato da Ben Murdoch, Software Engineer e Michael Wright, Android Framework Engineer
Lo schermo su un dispositivo mobile è fondamentale per garantire una buona esperienza utente. La funzione migliorata di Luminosità adattiva in Android P gestisce automaticamente il display in modo che corrisponda al livello di luminosità desiderato per offrirti un'esperienza ottimale, indipendentemente dall'illuminazione nell'ambiente in quel momento.
La luminosità dello schermo in Android è gestita tramite Impostazioni rapide o tramite l'app delle impostazioni
(Settings → Display → Brightness Level).
In Android Pie, la Luminosità adattiva (Adaptive Brightness) è abilitata per impostazione predefinita (Settings → Display → Adaptive Brightness).
Se questa funzione è abilitata, Android seleziona automaticamente la luminosità dello schermo adatta alle correnti condizioni di luce ambientale dell'utente. Prima di Android Pie, il cursore della luminosità non rappresentava il livello di luminosità dello schermo assoluto, ma un fattore di regolazione globale per aumentare o ridurre la curva di luminosità dello schermo predefinita dal produttore del dispositivo a tutti i livelli di luce ambientale. * L'impostazione del cursore al centro applicava il preset al dispositivo.
* L'impostazione del cursore a sinistra rispetto al centro applicava un fattore di scala negativo, che rendeva lo schermo meno luminoso del preset.
* L'impostazione del cursore a destra rispetto al centro applicava un fattore di scala positivo, che rendeva lo schermo più luminoso del preset. Pertanto, in condizioni di scarsa luce ambientale, potresti preferire uno schermo più luminoso rispetto al livello preset e spostare il cursore della luminosità di conseguenza. Tuttavia, poiché tale regolazione aumenterebbe la luminosità a tutti i livelli di luce ambientale, potresti trovarti a dover spostare il cursore della luminosità di nuovo in condizioni ambientali più luminose. E così via, avanti e indietro.
Per migliorare questa esperienza, abbiamo introdotto due importanti modifiche alla luminosità dello schermo in Android Pie:
Il controllo del cursore ora rappresenta la luminosità dello schermo assoluta piuttosto che il fattore di regolazione globale. Ciò significa che potresti vederlo muoversi da solo se la Luminosità adattiva è attivata. Questo è il comportamento previsto!
Le persone percepiscono la luminosità su una scala logaritmica piuttosto che lineare1. Vale a dire che i cambiamenti di luminosità dello schermo sono molto più evidenti quando uno schermo è scuro rispetto a uno chiaro. Per rispecchiare questa differenza di percezione, abbiamo aggiornato l'UI del cursore della luminosità nell'ombra della notifica e l'app System Settings per operare su una scala più simile a quella umana. Ciò significa che potrebbe essere necessario spostare il cursore più a destra rispetto a quello delle versioni precedenti di Android per ottenere la stessa luminosità assoluta dello schermo e che,quando imposti la luminosità dello schermo scuro, hai un controllo maggiore su quale luminosità impostare esattamente.
Prima di Android P, durante lo sviluppo di un nuovo dispositivo Android, il produttore del dispositivo determinava una mappatura di riferimento, dalla luminosità dell'ambiente alla luminosità dello schermo, in base alle raccomandazioni del produttore dello schermo e un po' di sperimentazione. Tutti gli utenti di quel dispositivo ricevevano la stessa mappatura di riferimento e, mentre usavano il dispositivo, dovevano spostare il cursore della luminosità per impostare il fattore di regolazione generale. Per determinare la luminosità dello schermo finale, il sistema doveva prima analizzare la luminosità nella stanza e la mappatura di riferimento per trovare la luminosità dello schermo predefinita in quella situazione e poi applicare il fattore di regolazione generale.
Quello che abbiamo scoperto è che in molti casi questo fattore di regolazione generale non acquisiva adeguatamente le preferenze personali, ossia gli utenti tendevano a spostare spesso il cursore in ambienti con illuminazioni diverse.
Per Android Pie abbiamo collaborato con i ricercatori di DeepMind allo scopo di creare un modello di machine learning che osservasse le interazioni dell'utente con il cursore della luminosità dello schermo, addestrandolo sul dispositivo, per personalizzare la mappatura del livello di luce ambientale in base alla luminosità dello schermo.
Vale a dire che Android imparerà la corretta luminosità dello schermo per l'utente in un determinato ambiente di illuminazione. L'utente insegna al modello regolando manualmente il cursore e, poiché il software viene addestrato nel tempo, l'utente dovrebbe aver bisogno di effettuare meno regolazioni manuali. Nel testare questa funzionalità, abbiamo osservato che, dopo una settimana, quasi la metà degli utenti che ha partecipato al test eseguiva meno regolazioni manuali e il numero totale delle interazioni degli utenti con il cursore in tutti i test interni si era ridotto di oltre il 10%. Il modello che abbiamo sviluppato è aggiornabile e sarà ottimizzato in base al suo utilizzo del mondo reale in seguito al rilascio di Android Pie. Ciò significa che il modello continuerà a migliorare nel tempo.
Crediamo che la luminosità dello schermo sia un aspetto che dovrebbe funzionare correttamente senza problemi e questi cambiamenti in Android Pie rappresentano un passo in tale direzione. Per prestazioni ottimali indipendentemente da dove ti trovi, i modelli vengono eseguiti direttamente sul dispositivo invece che sul cloud, e vengono addestrati di notte quando il dispositivo si ricarica.
La nuova funzione Luminosità adattiva è ora disponibile sui dispositivi Pixel e stiamo lavorando con i nostri partner OEM per incorporarla anche nelle build Android Pie dei loro dispositivi.
https://en.wikipedia.org/wiki/Weber%E2%80%93Fechner_law#Vision ↩
A nessuno piace la spazzatura, quindi perché ci conviviamo? Influisce direttamente sulla salute, sulla sicurezza e sul potenziale economico di una comunità. A Rubbish, pensiamo che le persone dovrebbero potersi godere il luogo dove vivono. Ecco perché abbiamo creato l'app Rubbish che consente ai quartieri di affrontare il problema dei rifiuti a livello locale, fotografandoli e segnalandoli, condividendo e analizzando i dati, e coinvolgendo i partner nella comunità a pulire insieme. La nostra missione è creare comunità più forti e più sane con meno rifiuti, strade più belle, residenti più contenti, e non possiamo fare tutto questo senza l'aiuto di Firebase.
Ecco un breve video per capire meglio Rubbish.
L'idea di Rubbish è nata da un momento di panico e frustrazione: mentre passeggiavamo (Elena ed Emin, cofondatori di Rubbish) per le strade di New York, il cane di Elena, Larsen, si è quasi strozzato con un osso di pollo. Fortunatamente lui sta bene ma noi due, no. Perché i rifiuti devono essere un parte scomoda della vita in città, senza una soluzione efficace per affrontarla?
Ecco Larsen. È un bravo cagnolino.
Abbiamo deciso di affrontare questo problema e trovare insieme una soluzione innovativa. Abbiamo iniziato a documentare i rifiuti ogni giorno, notando le aree problematiche delle nostre comunità e scattando foto, che presto sono diventate migliaia, e sono state archiviate in un album condiviso ma poco utilizzato. Ci serviva un modo migliore per archiviare e organizzare le informazioni che stavamo raccogliendo, per poterle usare efficacemente. Ci serviva anche un modo per condividere le foto e i loro metadati con i diversi segmenti di pubblico (enti governativi, partner della comunità) e sui diversi canali di social media tramite la nostra app. Ogni piattaforma aveva il proprio set di requisiti e specifiche, quindi l'idea di creare un'infrastruttura che soddisfacesse tutte queste esigenze è stata abbastanza scoraggiante fino a quando non abbiamo trovato Firebase.
Per combattere il problema dei rifiuti e apportare cambiamenti concreti, avevamo bisogno di un metodo rapido e semplice per raccogliere, elaborare e condividere tutte le informazioni su ogni pezzo di spazzatura documentato.
Abbiamo valutato molte opzioni, ma Firebase si è contraddistinto perché ha fornito un set completo di strumenti che ci ha permesso di creare rapidamente l'infrastruttura di backend dell'app Rubbish e affrontare le diverse problematiche di archiviazione, convalida, elaborazione e distribuzione dei dati.
Ad esempio, abbiamo affrontato la problematica di archiviare e tracciare rapidamente le foto generate dagli utenti. Cloud Storage e Firestore ci hanno permesso di tenere traccia di ciò che viene segnalato e dove. Un'altra problematica è stata la verifica del materiale inviato dagli utenti, in particolare ciò che richiedeva attenzione prioritaria da parte di terzi, come i report che necessitano l'intervento di agenzie locali. Con l'aiuto di Cloud Functions for Firebase, abbiamo creato un dashboard per riassumere i dati e generare report in un’unica posizione. Abbiamo anche sfruttato Cloud Functions come rete di sicurezza per aiutarci nel controllo della qualità. Ad esempio, prima che i report vengano formattati automaticamente e inviati alle agenzie governative locali, come il 311 di San Francisco per un intervento, le funzioni verificano che le richieste provengano da utenti convalidati, con una buona reputazione e ubicati nelle vicinanze dell'agenzia. Utilizziamo Cloud Functions per attivare una verifica della convalida tramite il backend e le email, ogni volta che viene caricata una foto. Successivamente un membro del nostro team valuta l'immagine caricata per assicurarsi che sia chiara e pertinente. Ciò rende facile e automatico un processo altrimenti complicato.
Inoltre, utilizziamo le regole di autenticazione e sicurezza di Firebase per garantire che vengano condivise solo le informazioni previste per proteggere la privacy e la sicurezza di ciascun utente. Firebase ci consente di integrare perfettamente i nostri dati con le API delle agenzie governative locali, dei social network e della nostra app grazie a poche righe di codice. Con Firebase, Rubbish può effettivamente archiviare, condividere ed elaborare i dati per creare un impatto e informazioni reali. Oltre a Firebase, utilizziamo anche alcune API di Google Cloud Platform, quali ad esempio API Fogli Google, SDK Maps for iOS, API Places, API Geocoding, API Cloud Runtime Configuration.
Il dashboard basato su Firebase che consente di gestire i contributi degli utenti.
Questo è uno dei dashboard creato per monitorare le tendenze del quartiere.
In seguito all'espansione del team di sviluppo software, eravamo preoccupati per il tempo e le risorse necessarie a rendere subito operativi e produttivi i nuovi membri del team. Firebase ci ha fornito un onboarding semplice grazie a risorse di formazione facili da usare, come esempi di progetti validi, video divertenti per sviluppatori, documentazione tecnica utile e molto altro. In effetti, le nostre nuove reclute sono onboarded e pronte a contribuire in un terzo del tempo, facendoci risparmiare risorse importanti che ora possiamo dedicare altrove. Abbiamo ridotto i tempi di sviluppo delle nuove funzionalità e quelli necessari per la manutenzione, la gestione della sicurezza e l'onboarding degli sviluppatori, per massimizzare la produttività.
In breve, Firebase consente ai team di start-up come noi di comunicare in modo efficace, condividere informazioni e crescere. Valutiamo moltissimo il fatto che Firebase ci abbia permesso di coinvolgere nel modo giusto una tale varietà di persone competenti e appassionate.
I membri del nostro team con il loro prodotto Firebase o snack preferito.
Poiché Firebase fornisce l'infrastruttura backend dell'app e facilita la collaborazione tra i membri del team, possiamo concentrarci sull'espansione del testing in campo e sulle relazioni con i partner importanti. Abbiamo lanciato un programma pilota per Polk Street a San Francisco nell'agosto 2018 lavorando con la comunità per sponsorizzare la pulizia delle strade effettuata dai residenti. Usiamo i dati che raccogliamo per informare gli sponsor locali e i residenti sui progressi ottenuti, compresi report sul numero e sul tipo di rifiuti raccolti, e tutto ciò non sarebbe stato possibile senza Firebase.
Abbiamo anche collaborato con i San Francisco Community Benefit District e l'ente governativo locale di San Francisco per ottimizzare e tenere traccia dei miglioramenti ottenuti con Rubbish. Ad esempio, abbiamo individuato la più grande fonte di mozziconi di sigarette, ossia i clienti dei bar e ristoranti, e abbiamo collaborato con queste attività per installare contenitori per le sigarette. Non vediamo l'ora di poter individuare tendenze ancora più intrinseche e nuovi modi per analizzare e risolvere il problema dei rifiuti.
Anche se Rubbish continua a mappare e tracciare i rifiuti, stiamo scoprendo che i modelli dei rifiuti per strada possono essere dinamici come quelli del traffico. Gli eventi locali, il tempo e l'ora del giorno giocano un ruolo determinante sulle condizioni della strada quando esci a fare la tua prossima passeggiata mattutina. I dati che raccogliamo forniscono informazioni sulle tendenze importanti come queste e vengono utilizzati per aiutare le comunità locali a sponsorizzare e tenere traccia degli sforzi compiuti in modo concreto. Facendo affidamento su Firebase per archiviare, elaborare e analizzare una quantità crescente di dati, siamo fiduciosi di poter coinvolgere e responsabilizzare individui, comunità ed enti governativi per affrontare grandi problemi apparentemente irrisolvibili, come quello dei rifiuti.
Sia che si tratti di rivoluzionare la catena di fornitura per la manifattura di abbigliamento o accelerare il business e-commerce, le aziende di ogni settore si stanno rivolgendo sempre più all'IA per progredire ove possibile. Eppure, per molte aziende, accettare totalmente l'IA è un processo complesso.
Il nostro obiettivo è fare in modo che l'IA sia alla portata di tutte le aziende, ma farlo significa ridurre al minimo le barriere iniziali. Ecco perché creiamo tutte le nostre soluzioni IA tenendo conto di tre principi: renderle semplici, in modo che un numero maggiore di aziende possa adottarle, renderle utili, alla più ampia gamma possibile di organizzazioni, e renderle veloci, in modo che le aziende possano eseguirle e avanzare più rapidamente.
All'inizio di quest'anno abbiamo annunciato AutoML per consentire alle aziende con conoscenze e competenze ML limitate di creare i propri modelli ML personalizzati. Abbiamo investito in formazione e certificazioni specializzate per incrementare le competenze ML in un ambito più ampio. Forniamo risorse aziendali come Advanced Solutions Lab che offrono la collaborazione in loco con ingegneri ML di Google. Tutti questi fattori hanno contribuito a incrementare l'adozione IA nelle aziende. Ad oggi, abbiamo più di 15.000 clienti paganti che utilizzano i nostri servizi IA in molti settori diversi.
Un altro modo in cui cerchiamo di rendere l'IA più veloce, semplice e utile è aiutare i data scientist a essere più efficaci. Anche se ci sono circa 20 milioni di sviluppatori al mondo, solo 2 milioni sono data scientist. Hanno bisogno di strumenti che favoriscano la scalabilità dei loro sforzi e le organizzazioni devono trovare altri modi di trarre vantaggio dai risultati dei data scientist per renderli accessibili ai propri sviluppatori e ingegneri. Ora annunciamo l'aggiunta al nostro portafoglio di molti nuovi prodotti IA che svolgono esattamente questa funzione.
Rendere disponibile l'intelligenza artificiale a più aziende significa semplificare la scoperta, la condivisione e il riutilizzo degli strumenti esistenti, e farli funzionare. Ma fino a poco tempo fa, la scarsità delle conoscenze ML nel mondo del lavoro ha reso difficile la creazione di una risorsa completa. Il lancio di AI Hub risponde proprio a questa esigenza.
AI Hub è una soluzione unica per contenuti ML plug-and-play, inclusi pipeline, notebook Jupyter, moduli TensorFlow e altro ancora. Offre due vantaggi importanti. Il primo è la creazione di risorse ML di alta qualità, sviluppate da Google Cloud AI, Google Research e altri team di Google pubblicamente disponibili per tutte le aziende. Il secondo è fornire un hub privato e sicuro su cui le aziende possono caricare e condividere risorse ML all'interno delle proprie organizzazioni. In tal modo per le aziende è facile riutilizzare le pipeline e implementarle in produzione nell'ambito di GCP o di infrastrutture ibride grazie al sistema Kubeflow Pipelines, in pochi passaggi.
Nella versione alpha, AI Hub fornirà queste risorse sviluppate da Google e i controlli di condivisione privati. Nella versione beta si espanderà per includere altri tipi di risorse e una gamma di contenuti pubblici più ampia, comprese le soluzioni dei partner.
Non è sufficiente fornire un luogo in cui le organizzazioni possano scoprire, condividere e riutilizzare le risorse ML, c'è anche bisogno di un metodo per crearle e impacchettarle in modo che siano il più utile possibile alla gamma più ampia di utenti interni. Ecco perché stiamo introducendo Kubeflow Pipelines.
Kubeflow Pipelines è un nuovo componente di Kubeflow, un popolare progetto open source avviato da Google per il packaging del codice ML (in modo simile alla creazione di un'app), che anche gli altri utenti all'interno di un'organizzazione possono riutilizzare. Kubeflow Pipelines fornisce un workbench per comporre, distribuire e gestire i flussi di lavoro di machine learning end-to-end riutilizzabili, offrendo così una soluzione ibrida senza lock-in, dalla prototipazione alla produzione. Offre inoltre una sperimentazione rapida e affidabile che consente agli utenti di provare molte tecniche ML per identificare la soluzione ideale per la loro applicazione.
La correttezza è uno dei nostri principi guida per quanto riguarda l'IA ed è un argomento di cui parliamo con i clienti Cloud che decidono di adottare il ML nelle loro attività. Kubeflow Pipelines consente di trarre vantaggio dalle librerie open source TensorFlow Extended (TFX) di Google che affrontano problemi di produzione ML, come l'analisi del modello, la convalida dei dati, l'obliquità del training-serving, la deriva dei dati e altro ancora. Ciò migliora l'accuratezza, la pertinenza e l'equità dei risultati delle aziende. Puoi iniziare con Kubeflow Pipelines su GitHub.
Continuiamo inoltre ad ampliare le funzionalità degli elementi costitutivi di IA per renderli ancora più utili alle aziende, compresa la versione beta di tre funzioni della nostra API Video Cloud che punta a risolvere le comuni problematiche delle aziende che lavorano molto con i video. Il rilevamento del testo ora riesce a determinare dove e quando il testo appare in un video, rendendo quest'ultimo più facile da trovare e supporta oltre 50 lingue. Il tracciamento degli oggetti può identificare più di 500 classi di oggetti in un video. La trascrizione vocale per video può trascrivere l'audio, rendendo possibile la creazione semplificata di didascalie e sottotitoli nonché una maggiore ricercabilità dei suoi contenuti. Per saperne di più sugli elementi costitutivi dell'IA, vai sul nostro sito web.
Stiamo abbassando continuamente le barriere computazioni di IA grazie alle nostre Tensor Processing Unit (TPU). Questi chip ASIC personalizzati, progettati da Google per i carichi di lavoro di machine learning, accelerano notevolmente le attività ML e sono facilmente accessibili tramite la cloud.
A luglio abbiamo annunciato che le nostre TPU di seconda generazione sono generalmente disponibili e alla portata di qualsiasi utente Cloud, inclusi gli utenti di livello gratuito. A ottobre abbiamo annunciato la versione beta delle Cloud TPU, raffreddate a liquido, di terza generazione e abbiamo reso PyTorch disponibile su Google Cloud, e presto sarà disponibile per l'uso sulle TPU. Recentemente abbiamo anche annunciato i prezzi dei nostri V2 TPU Pod. Questi aggiornamenti mirano a rendere il machine learning ad alta capacità computazionale più veloce e accessibile alle aziende di tutto il mondo. Per saperne di più sulle TPU, vai al nostro sito web.
Prossimamente
Negli ultimi mesi molti dei nostri clienti ci hanno riferito di aver utilizzato con successo l'IA per risolvere particolari problematiche aziendali.
Meredith Corporation, una società di media, utilizza il machine learning per automatizzare la classificazione dei contenuti, applicando una tassonomia universale personalizzata con Cloud AutoML e Natural Language. Il machine learning consente di rendere la classificazione dei contenuti più ripetibile e scalabile, risparmiando tempo e ottimizzando l'esperienza dei lettori.
"Alla Meredith Corporation, ci concentriamo sulla creazione di contenuti interessanti su piattaforme e in fasi di vita diverse per marchi come PEOPLE, Better Homes & Gardens, Martha Stewart Living, Allrecipes e Food & Wine", afferma Alysia Borsa, Chief Marketing & Data Officer, Meredith Corporation. "Utilizzando i servizi di Natural language e AutoML per applicare questa tassonomia universale personalizzata ai nostri contenuti, siamo in grado di identificare e rispondere meglio alle tendenze emergenti, abilitare un targeting dettagliato solido e fornire al nostro pubblico esperienze più pertinenti e coinvolgenti".
La Emory University combina i dati clinici, il machine learning e l'infrastruttura scalabile di GCP per sviluppare un motore di previsione della sepsi che utilizza l'analisi in tempo reale con lo scopo di fornire una migliore assistenza ai pazienti a rischio e tenere sotto controllo i costi medici al tempo stesso.
"Con la sepsi, la diagnosi precoce è fondamentale", afferma il dott. Ashish Sharma, ricercatore del dipartimento di informatica biomedica, facoltà di medicina dell'Università Emory. "Convertendo il nostro algoritmo di previsione della sepsi basato su TensorFlow in un'app che eseguiamo sul Google App Engine, siamo in grado di fornire informazioni nel lasso di tempo in cui i medici possono ancora effettuare interventi risolutivi per un paziente. Ciò che conta di più è migliorare i risultati medici dei pazienti nelle unità di terapia intensiva e il machine learning è fondamentale per ottimizzare l'assistenza ai malati".
Geotab utilizza BigQuery ML e BigQuery GIS per prevedere potenziali aree di guida pericolose a Chicago, promuovere il processo decisionale guidato dai dati e abilitare iniziative "smart city".
"Geotab fornisce approfondimenti basati sui dati dei veicoli della flotta commerciale in qualsiasi continente", afferma Mike Branch, Vice Presidente Data & Analytics, Geotab. "Sfruttando il machine learning e BigQuery, oltre alle altre informazioni di smart city, siamo stati in grado di sviluppare una soluzione per i clienti che prevede le aree di guida particolarmente pericolose in una città, in base al tempo e al flusso del traffico. Siamo molto contenti di adoperare la tecnologia machine learning di Google Cloud per creare soluzioni migliori per i nostri clienti e la community".
Siamo anche felici di vedere la continua crescita della community di Kubeflow. Organizzazioni come NVIDIA, Cisco e Intel sono solo alcuni dei contributori a questo progetto open source e collaborano con noi per adottare Kubeflow Pipelines. NVIDIA sta già integrando RAPIDS, una nuova suite di librerie open source di data science in Kubeflow. La libreria RAPIDS sfrutta le GPU per fornire un'accelerazione superiore di un ordine di grandezza per la pre-elaborazione dei dati e il machine learning, integrando perfettamente Kubeflow.
"Il machine learning sta rapidamente emergendo come un aspetto indispensabile della trasformazione digitale che coinvolge i nostri clienti. Inoltre, il ML sta guadagnando sempre più terreno nell'ambito dell'IT aziendale e dei team di ingegneria tradizionali, che cercano di implementare architetture al servizio dei data scientist nelle loro linee di business. Realizzare il potenziale del ML negli ambienti aziendali richiede una drastica semplificazione del ciclo di vita dell'intera soluzione", ha affermato Kaustubh Das, vicepresidente, responsabile della gestione dei prodotti del data center di Cisco. "I contributi significativi di Cisco a Kubeflow mirano a semplificare la gestione del ciclo di vita AI/ML ibrido/multi cloud. Cisco è lieta di vedere emergere Kubeflow Pipelines, che promette una radicale semplificazione dei flussi di lavoro ML, fondamentali per l'adozione mainstream. Non vediamo l'ora di offrire i vantaggi di questa tecnologia in concomitanza con il nostro avanzatissimo portafoglio di prodotti AI/ML ai clienti".
"Intel e Google hanno instaurato da anni una collaborazione ingegneristica nell'ambito dei diversi carichi di lavoro cloud e framework di deep learning e dell'intelligenza artificiale su architettura Intel. L'ultimo esempio di questa lunga collaborazione tecnica è il lavoro su Kubeflow Pipelines", afferma Raejeanne Skillern, vicepresidente del Data Center Group, General Manager del Cloud Service Provider Business di Intel. "In particolare, stiamo aggiungendo alcuni componenti in Kubeflow Pipelines che automatizzano l'ottimizzazione del modello, eseguendo le previsioni e l'implementazione dei server di model serving con il toolkit OpenVINO per portare l'ottimizzazione dell'inferenza più avanzata alle applicazioni IA su hardware Intel. Contiamo su una collaborazione continuativa con Google in questo progetto per ottenere prestazioni avanzate, efficienza e facilità di implementazione su vasta scala per i clienti finali".
Continueremo a lavorare a stretto contatto con i nostri clienti e partner per comprendere le loro problematiche aziendali e come applicare l'IA per risolverle. Per ulteriori informazioni sull'IA e il machine learning in Google Cloud, visita il nostro sito Web.
In occasione del Firebase Summit dello scorso anno, abbiamo presentato Predictions, una soluzione di machine learning che ti aiuta a segmentare gli utenti in modo intelligente in base alla previsione del loro comportamento. Senza dover possedere specifiche competenze ML, Predictions fornisce informazioni su quali segmenti di utenti potresti perdere e quali sono più inclini a spendere (o a completare un altro evento di conversione) per prendere delle decisioni ponderate sul tuo prodotto e sviluppare ulteriormente la tua app.
Attualmente Predictions produce oltre 6 miliardi di previsioni al giorno per i nostri sviluppatori e consente loro di agire in modo informato grazie ai segmenti predittivi a disposizione per il targeting in Remote Config, Cloud Messaging, In-App Messaging e A/B Testing.
Al Firebase Summit di quest'anno, abbiamo annunciato che Predictions è passato dalla versione beta alla disponibilità generale con una vasta gamma di nuove funzionalità, aggiunte in base al feedback ricevuto.
Poiché Predictions si aggiorna continuamente in base al comportamento effettivo degli utenti all'interno dell'app, molti di voi ci hanno chiesto quanto stabile fosse una previsione, prima di integrarla nella propria app.
Per rispondere a questa domanda, abbiamo creato un indicatore d'integrità nella parte inferiore delle schede del segmento predittivo che fornisce un'istantanea su come si comporta ogni specifica previsione.
Immagine 1: il verde indica che ha funzionato correttamente nelle ultime due settimane
Immagine 2: il giallo indica che oggi funziona correttamente, ma la soglia di qualità non è stata raggiunta a un certo punto nelle ultime due settimane
Immagine 3: il rosso indica che oggi non funziona correttamente e ci sono stati problemi di prestazioni nelle ultime due settimane
Vale la pena ricordare che, con Predictions, le azioni mirate hanno un meccanismo di modalità provvisoria, pertanto se un segmento di previsione non si comporta correttamente, diventa semplicemente inattivo. Ciò significa che, se per fornire un set di valori agli utenti nel gruppo previsto utilizzi Remote Config, quest'ultimo tornerà ai valori predefiniti qualora il segmento di previsione risulti meno affidabile. Qualsiasi notifica o messaggio in-app diretto a quel segmento predittivo non verrà attivato fino a quando non si verificherà un aumento in termini di precisione.
Per una maggiore chiarezza su come determiniamo la qualità delle previsioni, riportiamo qui i nostri criteri di valutazione. Per ogni segmento predittivo, utilizziamo una parte dei dati cronologici degli ultimi 28 giorni che manteniamo nella fase di addestramento del modello.
Poi confrontiamo i risultati della previsione con ciò che è realmente accaduto. Questo ci dà due modi per valutare la previsione: quanti utenti nel segmento predittivo si sono effettivamente comportati nel modo previsto (che chiamiamo "tasso di veri positivi") e quanti invece sono stati classificati in modo errato (ossia "tasso di falsi positivi").
Puoi accedere a questi dati nella parte inferiore della scheda di previsione.
Toccando l'indicatore d'integrità vengono mostrati questi valori.
Grazie a questi due punteggi ora disponibili, puoi stabilire meglio quale profilo di rischio adottare per la tua azione.
Un'altra domanda che abbiamo ricevuto spesso in fase beta è che cosa comporta la creazione di un segmento predittivo. Ora offriamo la pagina dei dettagli con la lista completa degli ingredienti! Puoi fare clic e vedere quali dati utilizza il nostro modello. Ciò include frequenza, volume e parametri degli eventi nonché altri dati come il linguaggio del dispositivo, l'ultimo aggiornamento dell'installazione dell'app e altro ancora.
L'ultima novità da annunciare è che ora puoi esportare i dati di previsione non elaborati in BigQuery. Ciò ti consentirà di accedere al punteggio di previsione non elaborato, alle soglie utilizzate per ciascun profilo di rischio e al risultato finale. Puoi sfruttare questi dati per creare i profili di rischio personali o, se fornisci la tua proprietà user_id in analisi, potrai eseguire analisi sofisticate con i tuoi dati. Ad esempio, puoi scoprire quali paesi presentano il più alto potenziale di abbandono o spesa!
Siamo onorati di aver ottenuto la tua fiducia quest'anno e spero che questi miglioramenti ti consentano di sfruttare Predictions al meglio nei tuoi giochi e app mobili. Come sempre, per ulteriori domande, puoi trovarci su Twitter (@firebase) e Stack Overflow.
Per ulteriori informazioni su questi aggiornamenti, consulta i documenti riportati di seguito.
Predictions risk tolerance and performance
Predictions model inputs and details page
Predictions data export to BigQuery
