Google utilise la technologie IA pour traduire le contenu dans votre langue préférée. Les traductions générées par IA peuvent contenir des erreurs.

Trouver la solution d'IA/ML adaptée à votre fonctionnalité

Ce guide vous aide à trouver la solution d'IA/de ML adaptée à votre cas d'utilisation. Il fournit des conseils pour vous aider à parcourir les différentes solutions disponibles et à choisir celle qui correspond le mieux à vos besoins, compte tenu des exigences de la fonctionnalité que vous souhaitez implémenter.

En général, lorsque vous choisissez des outils et des modèles pour implémenter votre fonctionnalité d'IA/ML, vous devez utiliser le modèle le plus simple qui répond à vos besoins. Pour identifier la solution optimale, vous devez réfléchir aux points suivants :

La fonctionnalité doit-elle générer du nouveau contenu (IA générative) ou prédire/catégoriser de manière déterministe (ML traditionnel) ?
Portée de la fonctionnalité : la tâche peut-elle être effectuée entièrement dans votre application (intelligence intégrée) ou nécessite-t-elle plusieurs applications (intelligence au niveau du système) ?
Emplacement du modèle : la tâche peut-elle être effectuée hors connexion (modèle sur l'appareil) ou nécessite-t-elle une interaction avec un serveur (modèle dans le cloud) ?
Version du kit d'outils ou du modèle : quel est le niveau de complexité de la tâche, des tâches d'inférence simples aux orchestrations multi-agents ?

L'organigramme suivant illustre le processus de décision à un niveau général :

Figure 1. Processus de prise de décision de haut niveau pour choisir une solution d'IA/de ML.

Pour vous aider à prendre une décision à chaque étape, reportez-vous aux sections du reste de ce document.

IA générative et ML traditionnel

Les modèles d'IA générative créent du contenu, tandis que les modèles de ML traditionnels prédisent des résultats ou catégorisent des données de manière complètement déterministe. Si votre fonctionnalité n'implique pas la génération de nouveaux contenus, les solutions de ML traditionnelles peuvent suffire. Le tableau suivant récapitule quelques solutions de ML traditionnelles :

Kit d'outils/Solution	Type	Cas d'utilisation principal	Exemples
SDK ML Kit	Traitement sur l'appareil	Tâches de vision et de traitement du langage naturel prédéfinies	Scanner de reçus OCR Enregistrement rapide aux événements par QR code Traduction de menus hors connexion
LiteRT	Traitement sur l'appareil	Environnements d'exécution de modèles personnalisés	Classification d'images médicales Prédiction de mots par le clavier intelligent pour des sujets de niche
MediaPipe	Traitement sur l'appareil	Tâches de perception de flux vidéo ou audio en temps réel	Coaching en temps réel pour les postures d'entraînement Filtres et effets faciaux Reconnaissance de gestes de la main
Les API Google Cloud, y compris l'API Cloud Vision et l'API Cloud Natural Language	Dans le cloud	Tâches de vision et de traitement du langage naturel prédéfinies	Sous-titrage vidéo automatisé Contrôle qualité et conformité des images
Agent Platform	Dans le cloud	Entraînement et déploiement de modèles personnalisés de bout en bout	Reconnaissance d'image spécialisée à grande échelle Recherche dans les banques de photos

Le reste de ce document concerne les solutions d'IA générative.

Intelligence au niveau de l'application ou du système

Pour identifier la meilleure solution d'IA générative, déterminez si votre fonctionnalité d'IA fonctionne entièrement dans votre application ou si elle nécessite d'interagir avec d'autres applications ou l'OS Android, en dehors de toute application. Si votre fonctionnalité est déclenchée par le système, en dehors de toute application, elle est considérée comme une intelligence au niveau du système. Le tableau suivant récapitule les différences entre les fonctionnalités d'intelligence intégrées aux applications et celles au niveau du système :

	Intelligence artificielle intégrée aux applications	Intelligence au niveau du système
Champ d'application de la tâche	Dans l'application	Dans plusieurs applications (ou déclenchées par le système, en dehors de toute application)
Outils	SDK ML Kit, LiteRT, Firebase AI Logic ou backend auto-hébergé	AppFunctions
Cas d'utilisation	Résumer, relire ou transcrire du texte Décrire les images Créer un chatbot intégré à l'application Générer des images	Créer une liste de courses dans une appli de livraison à partir de ce que vous avez écrit dans un document de notes Réservez une course pour vous rendre au bureau et envoyez un message à votre collègue pour lui indiquer votre heure d'arrivée prévue Trouver une recommandation de restaurant dans votre boîte de réception et réserver une table

Intelligence artificielle intégrée aux applications

Les fonctionnalités d'intelligence intégrées à l'application n'ont pas besoin d'interagir avec d'autres applications ou le système au-delà de l'application. Une fois que vous avez déterminé que votre fonctionnalité d'IA est entièrement intégrée à l'application, vous devez décider si vous pouvez l'exécuter entièrement sur l'appareil, utiliser un modèle dans le cloud ou adopter une approche hybride qui combine les deux.

Si vous effectuez une opération nécessitant une entrée vidéo ou des tâches impliquant plusieurs agents, vous devez utiliser un modèle dans le cloud. Le tableau suivant compare les fonctionnalités des modèles sur l'appareil et des modèles cloud :

	Traitement sur l'appareil	Cloud
Outils	SDK ML Kit ou LiteRT	Firebase AI Logic ou backend auto-hébergé
Type d'entrée	Texte Image Audio	Texte Image Audio Vidéo
Type de sortie	Texte	Texte Image Audio
Sensibilité des données utilisateur	Plus élevé	Inférieur
Modèles	Gemma Gemini Nano	Gemini Flash Gemini Flash-Lite Gemini Pro
Cas d'utilisation	Traiter du contenu court, par exemple résumer, relire ou réécrire un court message de chat ou un e-mail Décrire les images Personnaliser les résultats pour les utilisateurs en fonction de leurs centres d'intérêt Gérer les données utilisateur sensibles Transcrire un court extrait audio	Créer un chatbot Générer des images Traduis les conversations en temps réel Retouche photo dans l'application Tâches multi-agents

Modèles sur l'appareil

Les modèles sur l'appareil sont probablement préférables si l'une des conditions suivantes s'applique :

Contraintes de coût
La fonctionnalité doit pouvoir s'exécuter hors connexion
Exigences de confidentialité
La tâche à accomplir est relativement simple et ne nécessite pas d'orchestration multi-agent.

N'oubliez pas que les appareils de vos utilisateurs doivent être compatibles avec les modèles sur l'appareil. Les modèles sur l'appareil nécessitent généralement des appareils plus haut de gamme capables de prendre en charge le traitement local.

Une fois que vous avez déterminé que les modèles sur l'appareil sont suffisants pour votre fonctionnalité, le kit d'outils ou la solution optimale dépend principalement de la complexité de la tâche. Le tableau suivant récapitule les options d'outils d'IA générative sur l'appareil et intégrés à l'application :

Complexité de la tâche	Caractéristiques de la fonctionnalité	Exemple	Toolkit/Solution
Faible	Inférence unique Génération pure	Résumer du texte	SDK ML Kit LiteRT pour les modèles affinés (domaines de niche)
Moyenne	LLM augmenté Appel de fonction Historique des conversations	Requête et réponse	API Prompt de ML Kit
Élevée	Boucle d'agent unique, qui se répète jusqu'à ce que la tâche soit terminée	Commentaires des clients ou tri des bugs	API Agent d'IA générative ML Kit

Utilisez l'API Prompt de ML Kit pour générer du texte conversationnel simple à un ou plusieurs tours. Lorsque votre fonctionnalité nécessite une exécution autonome en plusieurs étapes sur l'appareil, utilisez l'API ML Kit GenAI Agent. L'API Agent accepte les boucles de raisonnement sur l'appareil qui peuvent planifier, appeler des outils typés à l'aide d'annotations @Tool, conserver le contexte de session entre les interactions et appliquer des limites de tours à l'aide de maxTurns.

Modèles basés sur le cloud

Si votre fonctionnalité ne peut pas être exécutée entièrement sur l'appareil, vous devez utiliser un modèle dans le cloud. Il existe deux options principales pour utiliser un modèle dans le cloud :

Backend géré à l'aide de Firebase AI Logic. Si vous êtes déjà un utilisateur Firebase ou si vous souhaitez prototyper quelque chose relativement rapidement, Firebase AI Logic est probablement la meilleure solution.

Remarque : Le SDK Firebase AI Logic n'est compatible qu'avec les modèles Gemini.
Backend personnalisé ou serveur autohébergé. Si vous souhaitez utiliser des modèles autres que Gemini, si vous avez des exigences strictes en matière de confidentialité ou si vous devez effectuer une tâche très complexe, vous devrez probablement utiliser un backend personnalisé. Nous vous recommandons également les outils suivants pour la configuration du backend personnalisé :
- Faites en sorte que votre backend personnalisé exécute un framework agentique tel que Agent Development Kit.
- Connecter l'interface de l'application au backend agentique à l'aide d'AG-UI
- Permettez aux agents de générer des UI riches et interactives à l'aide d'A2UI.

Le tableau suivant indique quand utiliser Firebase AI Logic ou un backend personnalisé pour les outils d'IA générative intégrés à l'application et dans le cloud :

Complexité de la tâche	Caractéristiques de la fonctionnalité	Exemple	Toolkit/Solution
Faible	Inférence unique Génération pure	Résumer du texte	Firebase AI Logic Backend personnalisé
Moyenne	LLM augmenté Appel de fonction Historique des conversations	Requête et réponse	Firebase AI Logic Backend personnalisé
Élevée	Boucle d'agent unique, qui se répète jusqu'à ce que la tâche soit terminée	Commentaires des clients ou tri des bugs	Backend personnalisé
Très élevé	Orchestration multi-agent	Créer une équipe d'agents pour gérer différents aspects d'un voyage	Backend personnalisé

Approche hybride

Utilisez une approche hybride lorsque votre fonctionnalité peut s'exécuter localement, mais que tous vos utilisateurs ne disposent pas d'appareils compatibles avec les modèles sur l'appareil et que vous devez utiliser des modèles cloud comme solution de secours. Pour en savoir plus, consultez Inférence hybride.

Intelligence au niveau du système

L'intelligence au niveau du système permet à la plate-forme Android d'agir en tant qu'orchestrateur de tâches. L'intelligence au niveau du système permet aux agents système, tels que Gemini, de répondre aux requêtes des utilisateurs dans plusieurs applications et services Web.

Pour connecter votre application au système d'intelligence Android, choisissez une méthode d'intégration selon que vous souhaitez un contrôle programmatique ou des actions automatisées basées sur l'interface utilisateur :

Option d'intégration	Cas d'utilisation
AppFunctions	Mettez à disposition des agents des fonctionnalités spécifiques de votre application pour qu'ils puissent les découvrir et les exécuter sur l'appareil.
Serveur MCP distant	Rendez certaines fonctionnalités de votre application disponibles pour une intégration directe au backend de l'agent. Idéal pour le développement multiplate-forme.
Contrôle de l'ordinateur	Permet à un assistant préchargé par l'OEM d'automatiser des tâches en interagissant directement avec l'UI d'une application.

Pour en savoir plus sur les options d'outils d'intelligence au niveau du système, consultez Connecter votre application au système d'intelligence Android.