Bu kılavuz, kullanım alanınıza uygun yapay zeka/makine öğrenimi çözümünü bulmanıza yardımcı olur. Bu kılavuz, mevcut çeşitli çözümler arasında gezinmenize ve uygulamak istediğiniz özelliğin gereksinimlerini göz önünde bulundurarak ihtiyaçlarınıza en uygun olanı seçmenize yardımcı olacak bilgiler sunar.
Genel olarak, yapay zeka/makine öğrenimi özelliğinizi uygulamak için araç ve model seçerken ihtiyaçlarınızı karşılayan en basit modeli kullanmanız gerekir. En uygun çözümü belirlemek için şunları düşünmeniz gerekir:
- Özelliğin yeni içerik üretmesi (üretken yapay zeka) mi yoksa deterministik bir şekilde tahmin veya kategorizasyon yapması (geleneksel makine öğrenimi) mı gerekiyor?
- Özellik kapsamı: Görev tamamen uygulamanızda yapılabilir mi (uygulama içi zeka) yoksa tamamlanması için birden fazla uygulama mı gerekir (sistem düzeyinde zeka)?
- Model konumu: Görev çevrimdışı (cihaz üzerinde model) yapılabilir mi yoksa bir sunucuyla (bulut tabanlı model) etkileşim kurmayı gerektirir mi?
- Araç seti veya model sürümü: Tek çıkarım görevlerinden çok aracılı düzenlemeye kadar, görev ne kadar karmaşık?
Aşağıdaki akış şemasında karar süreci genel hatlarıyla gösterilmektedir:
Her adımda kararınızı desteklemek için bu belgenin geri kalanındaki bölümlere bakın.
Üretken yapay zeka ile geleneksel makine öğrenimi arasındaki farklar
Üretken yapay zeka modelleri yeni içerikler oluştururken geleneksel makine öğrenimi modelleri, sonuçları tahmin eder veya verileri tamamen deterministik bir şekilde kategorilere ayırır. Özelliğiniz yeni içerik oluşturmayı içermiyorsa geleneksel makine öğrenimi çözümleri yeterli olabilir. Aşağıdaki tabloda bazı geleneksel makine öğrenimi çözümleri özetlenmiştir:
| Araç seti/Çözüm | Tür | Birincil kullanım alanı | Örnekler |
|---|---|---|---|
| ML Kit SDK'sı | Cihazda | Önceden oluşturulmuş görüntü ve doğal dil işleme görevleri |
|
| LiteRT | Cihazda | Özel model çalışma zamanları |
|
| MediaPipe | Cihazda | Anlık video veya ses akışı algılama görevleri |
|
| Cloud Vision API ve Cloud Natural Language API gibi Google Cloud API'leri | Bulut tabanlı | Önceden oluşturulmuş görüntü ve doğal dil işleme görevleri |
|
| Temsilci Platformu | Bulut tabanlı | Uçtan uca özel model eğitimi ve dağıtımı |
|
Bu belgenin geri kalanında üretken yapay zeka çözümleri ele alınmaktadır.
Uygulama içi ve sistem düzeyinde akıllı özellikler
En iyi üretken yapay zeka çözümünü belirlemek için yapay zeka özelliğinizin tamamen uygulamanızda mı çalıştığına yoksa diğer uygulamalarla veya Android OS ile herhangi bir uygulamanın dışında etkileşim kurması gerekip gerekmediğine karar verin. Özelliğiniz herhangi bir uygulamanın dışında sistem tarafından tetikleniyorsa sistem düzeyinde zeka olarak kabul edilir. Aşağıdaki tabloda, uygulama içi ve sistem düzeyindeki akıllı özellikler arasındaki farklar özetlenmiştir:
| Uygulama içi akıllı özellikler | Sistem düzeyinde akıllı özellikler | |
|---|---|---|
| Görev kapsamı | Uygulamada | Uygulamalar arasında (veya sistem tarafından herhangi bir uygulamanın dışında tetiklenir) |
| Araçlar | ML Kit SDK'sı, LiteRT, Firebase AI Logic veya kendi barındırdığınız arka uç | AppFunctions |
| Kullanım alanları |
|
|
Uygulama içi akıllı özellikler
Uygulama içi akıllı özelliklerin, uygulama dışındaki diğer uygulamalarla veya sistemle etkileşim kurması gerekmez. Yapay zeka özelliğinizin tamamen uygulama içi olduğunu belirledikten sonra, özelliği tamamen cihaz üzerinde mi çalıştıracağınıza, bulut tabanlı bir model mi kullanacağınıza yoksa her ikisini birleştiren karma bir yaklaşım mı uygulayacağınıza karar vermeniz gerekir.
Video girişi gerektiren bir işlem yapıyorsanız veya birden fazla temsilci içeren görevleriniz varsa bulut tabanlı bir model kullanmanız gerekir. Aşağıdaki tabloda, cihaz üzerinde çalışan modeller ile bulut tabanlı modellerin özellikleri karşılaştırılmaktadır:
| Cihazda | Bulut | |
|---|---|---|
| Araçlar | ML Kit SDK'sı veya LiteRT | Firebase AI Logic veya kendi barındırdığınız arka uç |
| Giriş türü |
|
|
| Çıkış türü |
|
|
| Kullanıcı verilerinin hassasiyeti | Daha yüksek | Daha düşük |
| Modeller |
|
|
| Kullanım alanları |
|
|
Cihaz üzerindeki modeller
Aşağıdakilerden herhangi biri geçerliyse cihaz üzerinde modeller tercih edilebilir:
- Maliyet kısıtlamaları
- Özellik çevrimdışı çalışabilmelidir.
- Gizlilik şartları
- Görev nispeten basit olduğundan çoklu temsilci düzenlemesi gerektirmiyor.
Kullanıcılarınızın cihazlarının, cihaz üzerinde modelleri desteklemesi gerektiğini unutmayın. Cihaz üzerinde çalışan modeller genellikle yerel işlemeyi destekleyebilen daha premium cihazlar gerektirir.
Cihaz üzerinde modellerin özelliğiniz için yeterli olduğunu belirledikten sonra, en uygun araç seti veya çözüm öncelikle görevin karmaşıklığına bağlıdır. Aşağıdaki tabloda, cihaz üzerinde ve uygulama içi üretken yapay zeka araçlarıyla ilgili seçenekler özetlenmiştir:
| Görevin karmaşıklığı | Özellik nitelikleri | Örnek | Araç seti/Çözüm |
|---|---|---|---|
| Düşük |
|
Metni özetle |
|
| Orta |
|
Sorgu ve yanıt | |
| Yüksek |
|
Müşteri geri bildirimi veya hata önceliklendirme |
Basit tek turlu veya çok turlu etkileşimli metin oluşturma için ML Kit Prompt API'yi kullanın. Özelliğiniz cihaz üzerinde otonom ve çok adımlı yürütme gerektirdiğinde ML Kit GenAI Agent API'yi kullanın. Agent API, planlama yapabilen, @AppFunctionDeclaration ile tanımlanan türü belirtilmiş araçları çağırabilen, etkileşimler arasında oturum bağlamını koruyabilen ve maxTurns kullanarak sıra sınırlarını uygulayabilen cihaz üzerinde akıl yürütme döngülerini destekler.
Bulut tabanlı modeller
Özelliğiniz tamamen cihaz üzerinde çalıştırılamıyorsa bulut tabanlı bir model kullanmanız gerekir. Bulut tabanlı bir modeli kullanmanın iki ana yolu vardır:
Firebase AI Logic kullanan yönetilen arka uç. Zaten Firebase kullanıcısıysanız veya nispeten hızlı bir şekilde prototip oluşturmak istiyorsanız Firebase AI Logic muhtemelen en iyi çözümdür.
Özel arka uç veya kendi kendine barındırılan sunucu. Gemini olmayan modelleri kullanmak istiyorsanız, katı gizlilik şartlarınız varsa veya çok karmaşık bir görevi tamamlamanız gerekiyorsa muhtemelen özel bir arka uç kullanmanız gerekir. Özel arka uç kurulumu için şu araçları da öneririz:
- Özel arka ucunuzun Agent Development Kit gibi bir temsilci çerçevesi çalıştırmasını sağlayın.
- AG-UI kullanarak uygulama ön ucunu temsilci tabanlı arka uca bağlama
- Temsilcilerin A2UI kullanarak zengin, etkileşimli kullanıcı arayüzleri oluşturmasına olanak tanıma
Aşağıdaki tabloda, bulut tabanlı, uygulama içi üretken yapay zeka araçları için Firebase AI Logic'in veya özel bir arka ucun ne zaman kullanılacağı özetlenmiştir:
| Görevin karmaşıklığı | Özellik nitelikleri | Örnek | Araç seti/Çözüm |
|---|---|---|---|
| Düşük |
|
Metni özetle |
|
| Orta |
|
Sorgu ve yanıt |
|
| Yüksek |
|
Müşteri geri bildirimi veya hata önceliklendirme |
|
| Çok yüksek |
|
Bir seyahatin farklı yönlerini yönetmek için temsilci ekibi oluşturma |
|
Karma yaklaşım
Özelliğiniz yerel olarak çalışabiliyorsa ancak tüm kullanıcılarınızın cihazları, cihaz üzerinde modelleri desteklemiyorsa ve yedek olarak bulut modellerini kullanmanız gerekiyorsa karma bir yaklaşım kullanın. Daha fazla bilgi için Karma çıkarım başlıklı makaleyi inceleyin.
Sistem düzeyinde akıllı özellikler
Sistem düzeyindeki zeka, Android platformunun görev düzenleyici olarak hareket etmesini sağlar. Böylece Gemini gibi yapay zeka ajanları, birden fazla uygulama ve web hizmetinde kullanıcı isteklerini yerine getirebilir.
Uygulamanızı Android Intelligence System'e bağlamak için programatik kontrol mü yoksa otomatik kullanıcı arayüzü odaklı işlemler mi istediğinize bağlı olarak bir entegrasyon yöntemi seçin:
| Entegrasyon seçeneği | Kullanım alanı |
|---|---|
| AppFunctions | Uygulamanızdaki belirli özellikleri, temsilcilerin cihaz üzerinde keşfedip çalıştırabileceği şekilde sunun. |
| Uzak MCP sunucusu | Uygulamanızdaki belirli özellikleri doğrudan temsilcinin arka ucuyla entegre edilebilecek şekilde ayarlayın. Platformlar arası geliştirme için idealdir. |
| Bilgisayar Kontrolü | OEM tarafından önceden yüklenmiş bir asistanın, bir uygulamanın kullanıcı arayüzüyle doğrudan etkileşim kurarak görevleri otomatikleştirmesine olanak tanır. |
Sistem düzeyinde akıllı araç seçenekleri hakkında daha fazla bilgi için Uygulamanızı Android akıllı sistemine bağlama başlıklı makaleyi inceleyin.