Özelliğiniz için doğru yapay zeka/ML çözümünü bulma

Bu kılavuz, kullanım alanınız için doğru yapay zeka/ML 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 sağlar.

Genel olarak, yapay zeka/ML özelliğinizi uygulamak için araç ve model seçerken ihtiyaçlarınızı karşılayan en basit modeli kullanmanız gerekir. En uygun çözümü belirlemek için şunları düşünmeniz gerekir:

Önemli Bilgi: İhtiyaçlarınızı karşılayan en basit modeli ve araçları kullanmalısınız.

• Özelliğin yeni içerik üretmesi (üretken yapay zeka) mi yoksa deterministik bir şekilde tahmin/sınıflandırma yapması (geleneksel makine öğrenimi) mı gerekiyor?
• Özellik kapsamı: Görev tamamen uygulamanızın içinde yapılabilir mi (uygulama içi zeka) yoksa tamamlanması için birden fazla uygulama gerekir mi (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: Basit, tek çıkarımlı görevlerden çok aracılı düzenlemeye kadar görevin karmaşıklığı ne kadar?

Aşağıdaki akış şemasında karar süreci genel hatlarıyla gösterilmektedir:

Şekil 1. Yapay zeka/ML çözümü seçmek için üst düzey karar süreci.

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 üretmeyi içermiyorsa geleneksel ML çözümleri yeterli olabilir. Aşağıdaki tabloda bazı geleneksel makine öğrenimi çözümleri özetlenmiştir:

Not: Bu araç setlerinin çoğu hem üretken yapay zeka hem de geleneksel makine öğrenimi çözümleri sunar. Geleneksel ML kılavuzları için üretken yapay zeka dışındaki belgelerle ilgili bölümlere bakın.

Araç seti/Çözüm	Tür	Birincil kullanım alanı	Örnekler
ML Kit SDK'sı	Cihazda	Önceden oluşturulmuş görüntü ve doğal dil işleme görevleri	OCR fiş tarayıcı Etkinliklerde QR koduyla hızlı giriş Çevrimdışı menü çevirisi
LiteRT	Cihazda	Özel model çalışma zamanları	Tıbbi görüntü sınıflandırması Niş konular için akıllı klavye kelime tahmini
MediaPipe	Cihazda	Gerçek zamanlı video veya ses akışı algılama görevleri	Gerçek zamanlı antrenman duruşu koçluğu Yüz filtreleri ve efektleri Elle yapılan hareketleri tanıma
Cloud Vision API ve Cloud Natural Language API gibi Google Cloud API'leri	Bulut tabanlı	Önceden oluşturulmuş görüntü ve doğal dil işleme görevleri	Otomatik video altyazısı oluşturma Resim kalitesi kontrolü ve uygunluk
Temsilci Platformu	Bulut tabanlı	Uçtan uca özel model eğitimi ve dağıtımı	Geniş ölçekte özel görüntü tanıma Stok fotoğraf arama

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 özetlenmektedir:

	Uygulama içi akıllı özellikler	Sistem düzeyinde akıllı özellikler
Görev kapsamı	Uygulamada	Uygulamalar arasında (veya sistem tarafından tetiklenen, herhangi bir uygulamanın dışında)
Araçlar	ML Kit SDK'sı, LiteRT, Firebase AI Logic veya kendi barındırdığınız arka uç	AppFunctions
Kullanım alanları	Metinleri özetleme, gözden geçirme veya metne dönüştürme Resim açıklamaları Uygulama içi chatbot oluşturma Resimleri oluştur	Notlar dokümanına yazdıklarınıza göre bir teslimat uygulamasında alışveriş listesi oluşturma Ofise gitmek için araç ayarla ve iş arkadaşıma tahmini varış zamanımı mesajla gönder E-posta gelen kutunuzda bir restoran önerisi bulup rezervasyon yapma

Uygulama içi akıllı özellikler

Uygulama içi akıllı özelliklerin, 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	Metin Resim Ses	Metin Resim Ses Video
Çıkış türü	Metin	Metin Resim Ses
Kullanıcı verilerinin hassasiyeti	Daha yüksek	Daha düşük
Modeller	Gemma Gemini Nano	Gemini Flash Gemini Flash Lite Gemini Pro
Kullanım alanları	Kısa içerikleri işleme (ör. kısa bir sohbet mesajını veya e-postayı özetleme, gözden geçirme ya da yeniden yazma) Resim açıklamaları Kullanıcıların ilgi alanlarına göre kişiselleştirilmiş çıkışlar oluşturma Hassas kullanıcı verilerini işleme Kısa bir ses klibini metne dönüştürün.	Chatbot oluşturma Resimleri oluştur Sohbetlerinizi anlık olarak çevirin Uygulama içi fotoğraf düzenleme Çoklu ajan görevleri

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	Tek çıkarım Tamamen yapay zeka tarafından üretilen içerikler	Metni özetle	ML Kit SDK'sı İnce ayarlı modeller (niş alanlar) için LiteRT
Orta	Artırılmış LLM İşlev çağırma Görüşme geçmişi	Sorgu ve yanıt	ML Kit Prompt API
Yüksek	Görev tamamlanana kadar devam eden tek temsilcili döngü	Müşteri geri bildirimi veya hata önceliklendirme	ML Kit GenAI Agent API

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, @Tool ek açıklamalarını kullanarak yazılı 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 kullanmak için iki ana seçenek vardır:

• Firebase AI Logic kullanan yönetilen arka uç. Halihazırda Firebase kullanıcısıysanız veya nispeten hızlı bir şekilde prototip oluşturmak istiyorsanız Firebase AI Logic muhtemelen en iyi çözümdür.

  Not: Firebase AI Logic SDK yalnızca Gemini modellerini destekler.

• Özel arka uç veya kendi kendine barındırılan sunucu. Gemini dışı modeller 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 aşağıdaki 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	Tek çıkarım Tamamen yapay zeka tarafından üretilen içerikler	Metni özetle	Firebase AI Logic Özel arka uç
Orta	Artırılmış LLM İşlev çağırma Görüşme geçmişi	Sorgu ve yanıt	Firebase AI Logic Özel arka uç
Yüksek	Görev tamamlanana kadar devam eden tek temsilcili döngü	Müşteri geri bildirimi veya hata önceliklendirme	Özel arka uç
Çok yüksek	Çoklu ajan düzenleme	Bir seyahatin farklı yönlerini yönetmek için temsilci ekibi oluşturma	Özel arka uç

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 bölümüne bakın.

Sistem düzeyinde akıllı özellikler

Sistem düzeyindeki zeka, Android platformunun görev düzenleyici olarak çalışmasını sağlar. Sistem düzeyinde zeka, Gemini gibi sistem temsilcilerinin birden fazla uygulama ve web hizmetinde kullanıcı isteklerini tamamlamasını sağlar.

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, ajanların cihaz üzerinde keşfedip çalıştırabileceği şekilde sunun.
Uzak MCP sunucusu	Uygulamanızdaki belirli özellikleri, temsilcinin arka ucuyla doğrudan 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 düzeyindeki akıllı araç seçenekleri hakkında daha fazla bilgi için Uygulamanızı Android akıllı sistemine bağlama başlıklı makaleyi inceleyin.