Menemukan solusi AI/ML yang tepat untuk fitur Anda

Panduan ini membantu Anda menemukan solusi AI/ML yang tepat untuk kasus penggunaan Anda. Panduan ini memberikan panduan untuk membantu Anda memilih berbagai solusi yang tersedia dan memilih solusi yang paling sesuai dengan kebutuhan Anda, dengan mempertimbangkan persyaratan fitur yang ingin Anda terapkan.

Secara umum, saat memilih alat dan model untuk mengimplementasikan fitur AI/ML, Anda harus menggunakan model paling sederhana yang memenuhi kebutuhan Anda. Untuk mengidentifikasi solusi yang optimal, Anda perlu memikirkan hal-hal berikut:

  • Apakah fitur tersebut perlu menghasilkan konten baru (AI generatif), atau memprediksi/mengategorikan secara deterministik (ML tradisional)?
  • Cakupan fitur: apakah tugas dapat dilakukan sepenuhnya dalam aplikasi Anda (kecerdasan dalam aplikasi), atau apakah memerlukan beberapa aplikasi untuk menyelesaikannya (kecerdasan tingkat sistem)?
  • Lokasi model: apakah tugas dapat dilakukan secara offline (model di perangkat), atau apakah tugas memerlukan interaksi dengan server (model berbasis cloud)?
  • Versi toolkit atau model: seberapa kompleks tugasnya, mulai dari tugas inferensi tunggal yang sederhana hingga orkestrasi multi-agen?

Diagram alir berikut menunjukkan proses keputusan secara umum:

Ya Tidak Ya Tidak Ya Tidak Ya Tidak semua Ya Tidak Fitur Apakah Anda perlu membuat konten baru (bukan memprediksi atau mengklasifikasikan data)? AI Generatif Apakah ini tugas lintas aplikasi? ML tradisional Kecerdasan sistem Gunakan AppFunctions Kecerdasan dalam aplikasi Dapatkah fitur berjalan offline, atau apakah Anda memiliki batasan biaya? Apakah perangkat target mendukung model di perangkat? Apakah Anda memerlukan fitur untuk terus berjalan (status yang akan dipertahankan) saat aplikasi ditutup, atau memerlukan akses database pribadi? Model di perangkat Gunakan Gemini Nano melalui ML Kit, atau LiteRT Pendekatan hybrid Lebih memilih model di perangkat, tetapi menggunakan model cloud sebagai pengganti Model berbasis cloud Gunakan server kustom yang dihosting sendiri Model berbasis cloud Gunakan backend terkelola melalui Firebase AI Logic
Gambar 1. Proses keputusan tingkat tinggi untuk memilih solusi AI/ML.

Untuk membantu Anda mengambil keputusan di setiap langkah, lihat bagian-bagian dalam dokumen ini.

AI generatif versus ML tradisional

Model AI generatif membuat konten baru, sedangkan model ML tradisional memprediksi hasil atau mengategorikan data dengan cara yang sepenuhnya deterministik. Jika fitur Anda tidak melibatkan pembuatan konten baru, solusi ML tradisional mungkin sudah cukup. Tabel berikut merangkum beberapa solusi ML tradisional:

Toolkit/Solusi Jenis Kasus penggunaan utama Contoh
ML Kit SDK Di perangkat Tugas natural language processing dan visi bawaan
  • Pemindai tanda terima OCR
  • Check-in cepat dengan kode QR acara
  • Terjemahan menu offline
LiteRT Di perangkat Runtime model kustom
  • Klasifikasi citra medis
  • Prediksi kata keyboard cerdas untuk materi pelajaran khusus
MediaPipe Di perangkat Tugas persepsi streaming video atau audio real-time
  • Pelatihan pose olahraga real-time
  • Filter dan efek wajah
  • Pengenalan gestur tangan
Google Cloud API, termasuk Cloud Vision API dan Cloud Natural Language API Berbasis cloud Tugas natural language processing dan visi bawaan
  • Pemberian teks video otomatis
  • Kontrol kualitas dan kepatuhan gambar
Agent Platform Berbasis cloud Pelatihan dan deployment model kustom menyeluruh
  • Pengenalan citra khusus dalam skala besar
  • Penelusuran foto stok

Bagian lain dari dokumen ini membahas solusi AI generatif.

Kecerdasan dalam aplikasi versus tingkat sistem

Untuk mengidentifikasi solusi AI generatif terbaik, tentukan apakah fitur AI Anda berfungsi sepenuhnya dalam aplikasi atau memerlukan interaksi dengan aplikasi lain atau Android OS, di luar aplikasi apa pun. Jika fitur Anda dipicu oleh sistem, di luar aplikasi apa pun, fitur tersebut dianggap sebagai kecerdasan tingkat sistem. Tabel berikut merangkum perbedaan antara fitur kecerdasan dalam aplikasi dan tingkat sistem:

Kecerdasan dalam aplikasi Kecerdasan tingkat sistem
Cakupan tugas Dalam aplikasi Di seluruh aplikasi (atau dipicu oleh sistem, di luar aplikasi apa pun)
Alat ML Kit SDK, LiteRT, Firebase AI Logic, atau backend yang dihosting sendiri AppFunctions
Use cases
  • Meringkas, memeriksa tata bahasa, atau mentranskripsikan teks
  • Deskripsikan gambar
  • Membangun chatbot dalam aplikasi
  • Buat gambar
  • Membuat daftar belanja di aplikasi pengiriman berdasarkan catatan yang Anda tulis di dokumen catatan
  • Pesan tumpangan ke kantor dan kirim pesan kepada rekan kerja Anda tentang perkiraan waktu tiba Anda
  • Menemukan rekomendasi restoran di kotak masuk email Anda dan melakukan reservasi

Kecerdasan dalam aplikasi

Fitur kecerdasan dalam aplikasi tidak perlu berinteraksi dengan aplikasi lain atau sistem di luar aplikasi. Setelah menentukan bahwa fitur AI Anda sepenuhnya dalam aplikasi, Anda harus memutuskan apakah Anda dapat menjalankan fitur tersebut sepenuhnya di perangkat, menggunakan model berbasis cloud, atau melakukan pendekatan hybrid yang menggabungkan keduanya.

Jika Anda melakukan hal apa pun yang memerlukan input video atau tugas yang melibatkan beberapa agen, sebaiknya gunakan model berbasis cloud. Tabel berikut membandingkan kemampuan model di perangkat dengan model berbasis cloud:

Di perangkat Cloud
Alat ML Kit SDK atau LiteRT Firebase AI Logic atau backend yang dihosting sendiri
Jenis input
  • Teks
  • Gambar
  • Audio
  • Teks
  • Gambar
  • Audio
  • Video
Jenis output
  • Teks
  • Teks
  • Gambar
  • Audio
Sensitivitas data pengguna Lebih tinggi Lebih rendah
Model
  • Gemma
  • Gemini Nano
  • Gemini Flash
  • Gemini Flash Lite
  • Gemini Pro
Use cases
  • Memproses konten singkat, misalnya meringkas, memeriksa tata bahasa, atau menulis ulang pesan chat atau email singkat
  • Deskripsikan gambar
  • Mempersonalisasi output untuk pengguna berdasarkan minat mereka
  • Menangani data pengguna yang sensitif
  • Mentranskripsikan klip audio pendek
  • Membangun chatbot
  • Buat gambar
  • Terjemahkan percakapan secara real-time
  • Pengeditan foto dalam aplikasi
  • Tugas multi-agen

Model di perangkat

Model di perangkat mungkin lebih disarankan jika salah satu hal berikut berlaku:

  • Batasan biaya
  • Fitur harus dapat berjalan secara offline
  • Persyaratan privasi
  • Tugas yang ada relatif sederhana—tidak memerlukan orkestrasi multi-agen

Perlu diingat bahwa perangkat pengguna Anda harus dapat mendukung model di perangkat. Model di perangkat biasanya memerlukan perangkat yang lebih premium yang dapat mendukung pemrosesan lokal.

Setelah Anda menentukan bahwa model di perangkat sudah cukup untuk fitur Anda, toolkit atau solusi yang optimal akan bergantung terutama pada kompleksitas tugas. Tabel berikut merangkum opsi untuk alat AI generatif dalam aplikasi di perangkat:

Kompleksitas tugas Karakteristik fitur Contoh Toolkit/Solusi
Rendah
  • Inferensi tunggal
  • Pembuatan murni
 Meringkas teks
Sedang
  • LLM yang Diperluas
  • Panggilan fungsi
  • Histori percakapan
 Kueri dan respons
Tinggi
  • Loop agen tunggal, berputar hingga tugas selesai
 Masukan pelanggan atau triase bug

Gunakan Prompt API ML Kit untuk pembuatan teks percakapan satu giliran atau multi-giliran yang sederhana. Jika fitur Anda memerlukan eksekusi mandiri multi-langkah di perangkat, gunakan ML Kit GenAI Agent API. Agent API mendukung reasoning loop di perangkat yang dapat merencanakan, memanggil alat yang diketik menggunakan anotasi @Tool, mempertahankan konteks sesi di seluruh interaksi, dan menerapkan batas giliran menggunakan maxTurns.

Model berbasis cloud

Jika fitur Anda tidak dapat dijalankan sepenuhnya di perangkat, Anda harus menggunakan model berbasis cloud. Ada dua opsi utama untuk menggunakan model berbasis cloud:

  • Backend terkelola menggunakan Firebase AI Logic. Jika Anda sudah menjadi pengguna Firebase atau ingin membuat prototipe sesuatu dengan relatif cepat, Firebase AI Logic mungkin adalah solusi terbaik.

  • Backend kustom, atau server yang dihosting sendiri. Jika Anda ingin menggunakan model non-Gemini, memiliki persyaratan privasi yang ketat, atau perlu menyelesaikan tugas yang sangat kompleks, Anda mungkin perlu menggunakan backend kustom. Kami juga merekomendasikan alat berikut untuk penyiapan backend kustom:

    • Minta backend kustom Anda menjalankan framework agentic seperti Agent Development Kit
    • Menghubungkan frontend aplikasi ke backend agentic menggunakan AG-UI
    • Memungkinkan agen membuat UI yang kaya dan interaktif menggunakan A2UI

Tabel berikut merangkum kapan harus menggunakan Firebase AI Logic atau backend kustom untuk alat AI generatif dalam aplikasi berbasis cloud:

Kompleksitas tugas Karakteristik fitur Contoh Toolkit/Solusi
Rendah
  • Inferensi tunggal
  • Pembuatan murni
 Meringkas teks
  • Firebase AI Logic
  • Backend kustom
Sedang
  • LLM yang Diperluas
  • Panggilan fungsi
  • Histori percakapan
 Kueri dan respons
  • Firebase AI Logic
  • Backend kustom
Tinggi
  • Loop agen tunggal, berputar hingga tugas selesai
 Masukan pelanggan atau triase bug
  • Backend kustom
Sangat tinggi
  • Orkestrasi multi-agen
 Membuat tim agen untuk mengelola berbagai aspek perjalanan
  • Backend kustom

Pendekatan campuran

Gunakan pendekatan hybrid jika fitur Anda dapat berjalan secara lokal, tetapi tidak semua pengguna memiliki perangkat yang mendukung model di perangkat dan Anda perlu menggunakan model cloud sebagai pengganti. Untuk mengetahui informasi selengkapnya, lihat Inferensi hybrid.

Kecerdasan tingkat sistem

Kecerdasan tingkat sistem memungkinkan platform Android bertindak sebagai orchestrator tugas. Kecerdasan tingkat sistem memungkinkan agen sistem, seperti Gemini, menyelesaikan permintaan pengguna di beberapa aplikasi dan layanan web.

Untuk menghubungkan aplikasi Anda dengan sistem kecerdasan Android, pilih metode integrasi berdasarkan apakah Anda menginginkan kontrol terprogram atau tindakan otomatis yang didorong oleh UI:

Opsi integrasi Kasus penggunaan
AppFunctions Sediakan kemampuan tertentu di aplikasi Anda agar dapat ditemukan dan dijalankan oleh agen di perangkat.
Server MCP jarak jauh Sediakan kemampuan tertentu di aplikasi Anda untuk diintegrasikan langsung dengan backend agen. Cocok untuk pengembangan lintas platform.
Kontrol Komputer Mengizinkan asisten yang dipramuat OEM untuk mengotomatiskan tugas dengan berinteraksi langsung dengan UI aplikasi.

Untuk mengetahui informasi selengkapnya tentang opsi alat kecerdasan tingkat sistem, lihat Menghubungkan aplikasi Anda ke sistem kecerdasan Android.