Local blog for Italian speaking developers
Presentazione di ML Kit
11 maggio 2018
Pubblicato da Brahim Elbouchikhi, Product Manager
Il mondo di oggi in rapida trasformazione porta gli utenti ad aspettarsi che le app per dispositivi mobili siano intelligenti, adattandosi alle loro attività o sorprendendoli con nuove funzionalità. Questo ci porta a pensare che il machine learning diventerà uno strumento essenziale nello sviluppo dei dispositivi mobili. Ecco perché martedì, in occasione del Google I/O,
abbiamo presentato ML Kit in versione beta: un nuovo SDK che mette a disposizione degli sviluppatori per dispositivi mobili l'esperienza del machine learning di Google in un pacchetto potente e di facile utilizzo disponibile su Firebase.
Non potremmo essere più entusiasti!
Machine learning per tutti i livelli
I primi passi con il machine learning possono risultare difficili per molti sviluppatori. In genere, i nuovi sviluppatori di ML dedicano innumerevoli ore a studiare le complessità insite nell'implementazione di modelli low-level, utilizzando framework e altro ancora. Anche per gli esperti, l'adattamento e l'ottimizzazione dei modelli da eseguire su dispositivi mobili possono risultare compiti davvero impegnativi. Al di là delle complessità del machine learning, l'acquisizione dei dati di addestramento può essere un processo costoso e dispendioso in termini di tempo, soprattutto se si considera un pubblico globale.
Con ML Kit, puoi utilizzare il machine learning per creare funzionalità eccezionali, su Android e iOS, indipendentemente dalle tue competenze in questo campo. Di seguito sono riportati maggiori dettagli.
Pronto per essere utilizzato in produzione per casi d'uso comuni
Se sei un principiante e vuoi iniziare subito, ML Kit ti offre cinque API ("base") già pronte per i casi d'uso più comuni sui dispositivi mobili:
Riconoscimento di testo
Riconoscimento di volti
Scansione di codici a barre
Etichettatura delle immagini
Riconoscimento di punti di riferimento
Con queste API di base, basta passare semplicemente i dati a ML Kit per ottenere una risposta intuitiva. Ad esempio:
Lose It!
, uno dei nostri primi utenti, ha utilizzato ML Kit per creare diverse funzionalità implementate nell'ultima versione della sua
app per il monitoraggio delle calorie
. Utilizzando la nostra API basata sul riconoscimento del testo e un modello personalizzato, la loro app può rapidamente acquisire informazioni nutrizionali dalle etichette dei prodotti e inserire il contenuto di un dato alimento direttamente da un'immagine.
ML Kit offre sia API on-device sia nella cloud, tutto in un'interfaccia semplice e comune, che ti consente di scegliere quelle più adatte alle tue esigenze. Le API on-device elaborano rapidamente i dati e funzionano anche in assenza di una connessione di rete, mentre le API nella cloud sfruttano la potenza della tecnologia di machine learning di Google Cloud Platform per offrire un livello di precisione più elevato.
Scopri come operano queste API nella tua
Console Firebase
:
Anteprima
: nei prossimi mesi rilasceremo altre due API. La prima è un'API per risposte intelligenti che consente di aggiungere alla tua app il supporto per risposte di messaggistica contestuali, mentre la seconda è un'aggiunta di contouring del viso ad alta densità all'API di riconoscimento dei volti. Iscriviti
qui
per provarle!
Distribuzione di modelli personalizzati
Se sei esperto di machine learning e non trovi un'API di base adatta al tuo caso d'uso, ML Kit ti consente di distribuire i tuoi modelli
TensorFlow Lite
. Tu dovrai solo caricarli tramite la Console Firebase e noi ci occuperemo di ospitarli e visualizzarli agli utenti della tua app. In questo modo puoi tenere i modelli fuori dall'APK/dai bundle e ridurre le dimensioni dell'installazione dell'app. Inoltre, poiché ML Kit offre il tuo modello dinamicamente, puoi sempre aggiornarlo senza dover ripubblicare le tue app.
Ma c'è di più. La notevole crescita delle possibilità offerte dalle app ha determinato un aumento delle loro dimensioni, influenzando il tasso di installazione dagli store e determinando potenziali conseguenze per gli utenti a causa dell'elevata quantità di dati. Il machine learning potrebbe esacerbare ulteriormente questa tendenza, poiché i modelli possono raggiungere dimensioni pari a decine di megabyte. Abbiamo quindi deciso di investire nella compressione dei modelli. Nello specifico, stiamo sperimentando una funzione che consente di caricare un modello TensorFlow completo, insieme ai dati di addestramento, e ricevere in cambio un modello TensorFlow Lite compresso. La
tecnologia
alla base si sta evolvendo rapidamente e siamo alla ricerca di sviluppatori disposti a provarla e fornirci il loro feedback. Se sei interessato, iscriviti
qui
.
Meglio insieme ad altri prodotti Firebase
Poiché ML Kit è disponibile tramite Firebase, per te sarà facile sfruttare gli ampi vantaggi di questa piattaforma. Ad esempio,
Remote Config
e
A/B testing
ti consentono di fare esperimenti con più modelli personalizzati. Puoi cambiare valori in modo dinamico nella tua app, rendendola perfetta per i modelli personalizzati che desideri vengano utilizzati dagli utenti on the fly. Puoi anche creare segmenti di popolazione e provare più modelli in parallelo.
Altri esempi includono:
memorizzazione delle etichette delle immagini in
Cloud Firestore
misurazione della latenza di elaborazione con
Performance Monitoring
comprensione dell'impatto del coinvolgimento degli utenti con
Google Analytics
e tanto altro ancora!
Cosa aspetti?
Non vediamo l'ora di scoprire cosa creerai con ML Kit. Speriamo che il prodotto ti piaccia quanto è piaciuto a molti dei nostri primi clienti:
Inizia subito con la versione beta di ML Kit visitando oggi stesso la tua
Console Firebase
. Per commenti o feedback,
contattaci
, siamo a tua disposizione!
Etichette
Android
Firebase
machine learning
Google Cloud Platform
GDL
Eventi
Google Developers Live
Google Play
TensorFlow
App
Chrome
Cloud
api
GDLItalia
GDE
GDG
Google Assistant
iOS
Kotlin
Actions on Google
Deep Learning
AppEngine
AMP
BigQuery
Cloud Functions
Flutter
Android Studio
Google Developers Expert
Università
Google AppEngine
JavaScript
AI
Android Wear
GAE
Google Play Store
HTML5
Maps
security
Android App Development
AngularJS
IoT
Kubernetes
Annunci
Cloud Firestore
Cloud Machine Learning
Google I/O
Polymer
Android Things
Community
DevTools
Google App Engine
intelligenza artificiale
Entrepreneurship
Firebase Analytics
GSoC
Games
Google Cast
ML
open source
Crashlytics
Dart
Diversity
Drive
Google Data Studio
Google Play Games
TensorFlow Lite
Android Developers
Android O
Cloud Spanner
Cloud TPU
Compute Engine
DevFest
Google Compute Engine
Google Developers
Material Design
Mobile
PWA
Python
Startup
AIY Project
ARCore
Android Jetpack
AndroidDev
Androidq
Apps Script
Artificial Intelligence
Augmented Reality
Firebase Cloud Messaging
Google Cloud
Google Maps
Gsuite
IO19
ML kit
Research
VR
coding
unity
#io19
AR
Android Dev Summit
Android Developer
Android Q
Cardboard
Cloud AI
Coral
Developers
Dialogflow
Firebase Realtime Database
Gmail
Google AI
Google Cloud Messaging
Google ContainerEngine
Google Play Console
Kotlin Coroutines
NLP
Programming
Responsive Design
TensorFlowjs
Testing
WTM
Women
beacons
cloud storage
developer
node JS
student programs
women techmakers
API Cloud Vision
Add-ons
Android P
AndroidDevStory
Animation
AutoML
Brillo
Classroom
DSC
Database
Developer Student Clubs
Edge TPU
Fabric
Featured
Flutter Web
G Suite
GWT
GoLang
Google
Google Brain
Google Cloud Next
Google Container Engine
Google Developer Groups
Google I/O Extended
Graph
Hosting
Instant Apps
Keras
Livedata
Mobile Sites
Prediction
Privacy
Project Tango
SDK
Stackdriver
Tales
UI
Udacity
Virtual Reality
Web
Web Development
YouTube
analytics
android security
api.ai
courses
google io
indies
natural language processing
reti neurali
sign-in
young developers
2d Animation
3d
AIY
ARkit
Adversarial Learning
Alpha
Android App
Android App Developmen
Android App bundle
Android Architecture
Android Architecture Components
Android Auto
Android Automotive OS
Android Dev Summit Android Developer
Android Developer Challenge
Android Developers GooglePlayAwards
Android Development
Android Go
Android Instant App
Android Pie
Android Q Scoped Storage
Android Q audio
Android Styles
Android audio playback capture
Android codelabs
AndroidTV
AndroidX
Angular
Aogdevs
Api Design
App Development
App Distribution
Apps
Architecture
Architecture Components
Arduino
Best Practices
Betatesting
Bugs
C++
Certification
Cloud Anchors
Cloud Next
Cloud Run
Cloud Service Platform
Cloud Shell
Cloud Study Jam
Coached Conversational Preference Elicitation
Commerce
Community Connector
Computer Science
Consistency
Containers
Converge
Conversation Design
Crash Reporting
DLS Design
Dagger
Data Science
Databases
Dependency Injection
Design
Developer Communities
Developer Community
Developer Culture
Developer Story
Developing Media Apps
Development
Eager
Edge TPU Dev Board
Education
Emulatore Android
Error Message
Eslint
Europe
Firebase Extensions
Firebase Summit 2019
Firebasehosting
Flutter 1.5
Flutter at IO
FlutterDark
GCE
GDD
Game Development
Gboard
Gesture Navigation
Glass
Go
Google AI Quantum
Google App Script
Google Cloud Functions
Google Cloud billing
Google Coral
Google Developer Days
Google Home Hub
Google IOS Android
Google Identity Platform
Google Launchpad
Google Lens
Google Now
Google Photos
Google Play Devs
Google Play Indie Games Festival
Google Play Instant
Google Plus
Google codelabs
Google+
GoogleDevWeekly
GoogleLaunchpad
GooglePlay
Graphics
Healthcare
I/O
IO
IO19 Flutter
In-app Billing
Indie Games
Indie Games Festival
Indie games showcase
Indie showcase
Ingress
Instant Games
Issues
Java
Jetpack
Knative
Kotlin Beginners
Kotlin Everywhere
Kotlin codelabs
Lighthouse
Live Caption
Live Streaming
Localization
Location
M-Theory
Mondaygram
Monetization
NYT
NativeScript
Navigation
Neural Graph Learning
Neural Structured
Nodejs
OS
OS Updates
Olivex
One Time Codes
Online Education
PHA
Performance Monitoring
Policy
Posenet
Project Mainline
Project Treble
Quantum Computing Theory
Reactive Programming
Regression
Remote Config
Resonance Audio
Room
Scoped Storage
Semantics
Semi Supervised Learning
Serverless
Sms Retriever Api
Sms Verification
Speech Recognition
Swift
Tensorflow Core
Tensorflow Hub
Test Lab
Text
Tokenizer
Tpu
Transformers
UX
UX Design
UX Research
Universal Sentence Encoder
Unsupervised Data Augmentation
Unsupervised Learning
User Experience
Viewmodel
Voice
WWW
Wear OS
WebAssembly
Widget
Women in Tech
WomenTechmakers
android kotlin
app stability
assistant
audio recording
augmented faces
authsub
best practices and updates
billing
botnet
business
c++ games
cancer
chatbot
chrome privacy
codelab
codelabs
competition
daydream
designer
dominio .dev
error handling
event
firebase games
firebase gdc
firebase hosting
firebase unity
game center authentication
game testing
games authentication
gdc
google summer of code
googledevelopers
grow
hashcode
indie
indie developers
internship
kids
machine intelligence
machine learning accelerator
maker
multi-platform
nearby
oauth
openid
performance
persistent AR
privacy sandbox
prizes
prototype
purchase flows
queries
realtime
responsible AI
security rules
showcase
solutions challenge
startup africa roadtrip
startup times
students
summer of code
unity crashlytics
verify apps
win
Archivio Blog
2020
feb
gen
2019
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2018
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2017
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2016
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2015
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2014
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2013
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
Feed
Follow @GoogleDevsItaly