המדריך הזה יעזור לכם למצוא את פתרון ה-AI/ML שמתאים לתרחיש לדוגמה שלכם. הוא מספק הנחיות שיעזרו לכם לנווט בין הפתרונות השונים שזמינים ולבחור את הפתרון שהכי מתאים לצרכים שלכם, בהתאם לדרישות של התכונה שאתם רוצים להטמיע.
באופן כללי, כשבוחרים כלים ומודלים להטמעת תכונת AI או למידת מכונה, כדאי להשתמש במודל הפשוט ביותר שעונה על הצרכים שלכם. כדי לזהות את הפתרון האופטימלי, צריך לחשוב על הדברים הבאים:
- האם התכונה צריכה ליצור תוכן חדש (AI גנרטיבי), או לחזות/לסווג באופן דטרמיניסטי (למידת מכונה מסורתית)?
- היקף התכונה: האם אפשר לבצע את המשימה לגמרי בתוך האפליקציה (AI באפליקציה), או שצריך כמה אפליקציות כדי לבצע אותה (AI ברמת המערכת)?
- מיקום המודל: האם אפשר לבצע את המשימה אופליין (מודל במכשיר), או שצריך אינטראקציה עם שרת (מודל מבוסס-ענן)?
- גרסת ערכת הכלים או המודל: מהי רמת המורכבות של המשימה, החל ממשימות פשוטות של הסקה יחידה ועד לתזמור של כמה סוכנים?
בתרשים הזרימה הבא מוצג תהליך קבלת ההחלטות ברמה גבוהה:
כדי לקבל החלטה בכל שלב, אפשר לעיין בקטעים הרלוונטיים בהמשך המאמר.
AI גנרטיבי לעומת למידת מכונה מסורתית
מודלים של AI גנרטיבי יוצרים תוכן חדש, ואילו מודלים מסורתיים של למידת מכונה חוזים תוצאות או מסווגים נתונים באופן דטרמיניסטי לחלוטין. אם התכונה לא כוללת יצירת תוכן חדש, יכול להיות שפתרונות למידת מכונה מסורתיים יספיקו. בטבלה הבאה מפורטים כמה פתרונות ML מסורתיים:
| ערכת כלים או פתרון | סוג | תרחיש ראשי לדוגמה | דוגמאות |
|---|---|---|---|
| ML Kit SDK | במכשיר | משימות מוגדרות מראש של ראייה ממוחשבת ועיבוד שפה טבעית (NLP) |
|
| LiteRT | במכשיר | סביבות זמן ריצה של מודלים בהתאמה אישית |
|
| MediaPipe | במכשיר | משימות תפיסה של שידורי וידאו או אודיו בזמן אמת |
|
| ממשקי Google Cloud API, כולל Cloud Vision API ו-Cloud Natural Language API | מבוסס-ענן | משימות מוגדרות מראש של ראייה ממוחשבת ועיבוד שפה טבעית (NLP) |
|
| פלטפורמת הסוכנים | מבוסס-ענן | אימון ופריסה של מודלים בהתאמה אישית מקצה לקצה |
|
שאר המסמך עוסק בפתרונות של AI גנרטיבי.
בינה מלאכותית באפליקציה לעומת בינה מלאכותית ברמת המערכת
כדי לזהות את הפתרון הטוב ביותר ל-AI גנרטיבי, צריך להחליט אם תכונת ה-AI פועלת לגמרי בתוך האפליקציה או אם היא דורשת אינטראקציה עם אפליקציות אחרות או עם Android OS, מחוץ לאפליקציה. אם התכונה מופעלת על ידי המערכת, מחוץ לאפליקציה, היא נחשבת לבינה ברמת המערכת. בטבלה הבאה מפורטים ההבדלים בין תכונות חכמות ברמת האפליקציה לבין תכונות חכמות ברמת המערכת:
| בינה מלאכותית באפליקציה | בינה מלאכותית ברמת המערכת | |
|---|---|---|
| היקף המשימה | באפליקציה | באפליקציות שונות (או מופעלות על ידי המערכת, מחוץ לאפליקציה כלשהי) |
| כלים | ML Kit SDK, LiteRT, Firebase AI Logic או בקאנד באירוח עצמי | AppFunctions |
| תרחישי שימוש |
|
|
בינה מלאכותית באפליקציה
תכונות AI באפליקציה לא צריכות לקיים אינטראקציה עם אפליקציות אחרות או עם המערכת מחוץ לאפליקציה. אחרי שקובעים שתכונת ה-AI פועלת לגמרי באפליקציה, צריך להחליט אם להפעיל את התכונה לגמרי במכשיר, להשתמש במודל מבוסס-ענן או להשתמש בגישה משולבת.
אם אתם עושים משהו שדורש קלט של וידאו או משימות שכוללות כמה סוכנים, כדאי להשתמש במודל מבוסס-ענן. בטבלה הבאה מוצגת השוואה בין היכולות של מודלים במכשיר לבין מודלים מבוססי-ענן:
| במכשיר | ענן | |
|---|---|---|
| כלים | ML Kit SDK או LiteRT | Firebase AI Logic או קצה עורפי באירוח עצמי |
| סוג הקלט |
|
|
| סוג הפלט |
|
|
| רגישות של נתוני משתמשים | גבוה יותר | נמוך יותר |
| מודלים |
|
|
| תרחישי שימוש |
|
|
מודלים במכשיר
כנראה שעדיף להשתמש במודלים במכשיר אם:
- מגבלות על עלויות
- התכונה חייבת לפעול במצב אופליין
- הדרישות בנושא פרטיות
- המשימה פשוטה יחסית – לא נדרש תיאום בין כמה סוכנים
חשוב לזכור שהמכשירים של המשתמשים צריכים לתמוך במודלים במכשיר. בדרך כלל, מודלים במכשיר דורשים מכשירים מתקדמים יותר שיכולים לתמוך בעיבוד המקומי.
אחרי שקבעתם שהמודלים במכשיר מספיקים לתכונה שלכם, ערכת הכלים או הפתרון האופטימליים תלויים בעיקר במורכבות המשימה. בטבלה הבאה מפורטות האפשרויות לכלי AI גנרטיבי במכשיר ובאפליקציה:
| מורכבות המשימה | מאפייני התכונה | דוגמה | ערכת כלים/פתרון |
|---|---|---|---|
| נמוכה |
|
סיכום הטקסט |
|
| בינוני |
|
שאילתה ותשובה | |
| גבוהה |
|
משוב מלקוחות או מיון באגים |
אתם יכולים להשתמש ב-Prompt API של ML Kit כדי ליצור טקסט פשוט לשיחה עם פנייה אחת או כמה פניות. אם התכונה שלכם דורשת ביצוע אוטונומי בכמה שלבים במכשיר, השתמשו ב-ML Kit GenAI Agent API. Agent API תומך בלולאות חשיבה רציונלית במכשיר שיכולות לתכנן, להפעיל כלים מסוגים שונים באמצעות הערות @Tool, לשמור את ההקשר של הסשן בין אינטראקציות ולאכוף מגבלות על מספר הפניות באמצעות maxTurns.
מודלים מבוססי-ענן
אם אי אפשר להפעיל את התכונה במלואה במכשיר, צריך להשתמש במודל מבוסס-ענן. יש שתי אפשרויות עיקריות לשימוש במודל מבוסס-ענן:
קצה עורפי מנוהל באמצעות Firebase AI Logic. אם אתם כבר משתמשים ב-Firebase או רוצים ליצור אב טיפוס במהירות, Firebase AI Logic הוא כנראה הפתרון הכי טוב.
קצה עורפי בהתאמה אישית או שרת באירוח עצמי. אם אתם רוצים להשתמש במודלים שהם לא מודל Gemini, אם יש לכם הדרישות בנושא פרטיות מחמירות או אם אתם צריכים לבצע משימה מורכבת מאוד, כנראה שתצטרכו להשתמש בקצה עורפי בהתאמה אישית. אנחנו ממליצים גם על הכלים הבאים להגדרת קצה עורפי בהתאמה אישית:
- מריצים ב-backend בהתאמה אישית מסגרת מבוססת-סוכנים כמו ערכת פיתוח הסוכנים (ADK).
- מחברים את ממשק המשתמש של האפליקציה לקצה העורפי של הסוכן באמצעות AG-UI.
- לאפשר לנציגים ליצור ממשקי משתמש עשירים ואינטראקטיביים באמצעות A2UI
בטבלה הבאה מוסבר מתי כדאי להשתמש ב-Firebase AI Logic או בקצה עורפי בהתאמה אישית לכלי AI גנרטיבי מבוסס-ענן בתוך האפליקציה:
| מורכבות המשימה | מאפייני התכונה | דוגמה | ערכת כלים/פתרון |
|---|---|---|---|
| נמוכה |
|
סיכום הטקסט |
|
| בינוני |
|
שאילתה ותשובה |
|
| גבוהה |
|
משוב מלקוחות או מיון באגים |
|
| גבוהה מאוד |
|
יצירת צוות סוכנים לניהול היבטים שונים של נסיעה |
|
גישה משולבת
השתמשו בגישה משולבת אם התכונה יכולה לפעול באופן מקומי, אבל לא לכל המשתמשים יש מכשירים שתומכים במודלים במכשיר, ואתם צריכים להשתמש במודלים בענן כגיבוי. מידע נוסף זמין במאמר הסקה היברידית.
בינה מלאכותית ברמת המערכת
הבינה המלאכותית ברמת המערכת מאפשרת לפלטפורמת Android לפעול כמתזמן משימות. בינה ברמת המערכת מאפשרת לסוכני מערכת, כמו Gemini, להשלים בקשות של משתמשים באפליקציות ובשירותי אינטרנט שונים.
כדי לקשר את האפליקציה למערכת Android Intelligence, צריך לבחור שיטת שילוב בהתאם לסוג הפעולות שרוצים לבצע: פעולות פרוגרמטיות או פעולות אוטומטיות שמופעלות דרך ממשק המשתמש.
| אפשרות השילוב | תרחיש שימוש |
|---|---|
| AppFunctions | אתם יכולים להגדיר יכולות ספציפיות באפליקציה שלכם, כך שסוכנים יוכלו לגלות אותן ולהפעיל אותן במכשיר. |
| שרת MCP מרוחק | אתם יכולים להגדיר יכולות ספציפיות באפליקציה שלכם שיהיו זמינות לשילוב ישירות עם הקצה העורפי של הסוכן. מתאים לפיתוח בפלטפורמות שונות. |
| שליטה במחשב | מאפשרת לעוזר דיגיטלי שנטען מראש על ידי OEM לבצע משימות באופן אוטומטי על ידי אינטראקציה ישירה עם ממשק המשתמש של האפליקציה. |
מידע נוסף על אפשרויות לכלי AI ברמת המערכת זמין במאמר קישור האפליקציה למערכת ה-AI של Android.