Google erleichtert die Integration von maschinellem Lernen in mobile Apps

Video: Facebook, Microsoft und Google wollen Entwickler umwerben

Google stellt am Dienstag ein neues Tool vor, das es mobilen Entwicklern erleichtert, maschinelles Lernen in ihre Apps zu integrieren.

Die Einführung des SDK für maschinelles Lernen – genannt ML Kit – erfolgt am ersten Tag des Jahres Google I/O-Konferenz, auf der der Technologieriese erneut betont, dass KI im Mittelpunkt steht Geschäft.

CNET: Die neuesten Produktankündigungen von Google I/O 2018

„ML Kit ist unsere Möglichkeit, viele der von uns entwickelten maschinellen Lerntechnologien von Google einzubringen viele Jahre in ein einziges, benutzerfreundliches Paket integrieren“, sagte Brahim Elbouchikhi, Googles ML-Leiter für Android Zu

ZDNet. Das Ziel bestehe darin, „maschinelles Lernen zu einem weiteren Werkzeug für mobile Entwickler zu machen“, sagte er. Es ist nicht außergewöhnlich... Es ist nur ein weiterer Teil des Toolkits, um wirklich tolle Apps zu erstellen.“

ML Kit ist auf Firebase (Googles Entwicklungsplattform für mobile Apps) für Android oder iOS verfügbar. Es verfügt über fünf APIs für gängige ML-Anwendungsfälle: Texterkennung, Gesichtserkennung, Erkennung von Orientierungspunkten, Scannen von Barcodes und Beschriften von Bildern. All dies ist als Cloud-APIs verfügbar, die die Leistungsfähigkeit der maschinellen Lerntechnologie der Google Cloud Platform nutzen. Sie sind alle – mit Ausnahme der Landmarks-API – auch als On-Device-APIs kostenlos verfügbar; Sie verarbeiten Daten schnell und ohne Netzwerkverbindung, jedoch mit geringerer Genauigkeit.

Neben der Bereitstellung der Basis-APIs kümmert sich ML Kit auch um das Hosten und Bereitstellen von TensorFlow Lite-Modellen für Entwickler, die benutzerdefinierte Modelle bereitstellen möchten. Dadurch bleiben Modelle von den APKs/Bundles der Entwickler fern, wodurch ihre App-Installationsgröße reduziert wird. Außerdem können Entwickler ihre Modelle aktualisieren, ohne Apps erneut veröffentlichen zu müssen.

Google experimentiert außerdem mit einer Funktion, die es Entwicklern ermöglicht, ein vollständiges TensorFlow-Modell zusammen mit Trainingsdaten hochzuladen und im Gegenzug ein komprimiertes TensorFlow-Lite-Modell zu erhalten. Google arbeitet weiterhin mit Entwicklern zusammen, um die Funktion zu testen. Die Komprimierung sei ein großes Problem, sagte Elbouchikhi, da einige Modelle eine Größe von 100 MB haben könnten.

Die Integration maschinellen Lernens in mobile Apps stellt aus drei Gründen typischerweise eine Herausforderung dar, sagte Elbouchikhi: Erstens, Das Trainieren von Modellen für maschinelles Lernen in ausreichendem Umfang und in ausreichender Qualität kann teuer, zeitintensiv und einfach sein unpraktisch. Als nächstes ist die Entwicklung eines für Mobilgeräte optimierten Modells – mit anderen Worten eines, das laufen kann, ohne den Akku eines Telefons zu belasten oder seinen gesamten Speicher zu beanspruchen – eine weitere große Herausforderung. Schließlich ist das Experimentieren und Bereitstellen schwierig.

Folglich setzen derzeit relativ wenige Entwickler maschinelles Lernen in mobilen Apps ein. Elbouchikhi sagte: „Wir bei Google glauben, wenn man Dinge wirklich benutzerfreundlich macht … Sie werden eine Explosion an Innovationen und Ideen erleben.“