इस गाइड की मदद से, अपने इस्तेमाल के उदाहरण के लिए सही एआई/एमएल समाधान ढूंढा जा सकता है. इसमें आपको उपलब्ध अलग-अलग समाधानों को समझने और अपनी ज़रूरत के हिसाब से सबसे सही समाधान चुनने के लिए दिशा-निर्देश मिलते हैं. इसके लिए, आपको उस सुविधा की ज़रूरी शर्तों को ध्यान में रखना होगा जिसे आपको लागू करना है.
आम तौर पर, एआई/एमएल की सुविधा को लागू करने के लिए टूल और मॉडल चुनते समय, आपको सबसे आसान मॉडल का इस्तेमाल करना चाहिए, जो आपकी ज़रूरतों को पूरा करता हो. सबसे सही समाधान की पहचान करने के लिए, आपको इन बातों पर विचार करना होगा:
- क्या इस सुविधा को नया कॉन्टेंट जनरेट करना है (जनरेटिव एआई) या डिटरमिनिस्टिक तरीके से अनुमान लगाना/कैटगरी में बांटना है (ट्रेडिशनल मशीन लर्निंग)?
- सुविधा का दायरा: क्या टास्क को पूरी तरह से आपके ऐप्लिकेशन में ही पूरा किया जा सकता है (इन-ऐप्लिकेशन इंटेलिजेंस) या इसे पूरा करने के लिए कई ऐप्लिकेशन की ज़रूरत होती है (सिस्टम-लेवल इंटेलिजेंस)?
- मॉडल की जगह: क्या टास्क को ऑफ़लाइन (उपयोगकर्ता के डिवाइस पर मौजूद मॉडल) किया जा सकता है या इसके लिए सर्वर (क्लाउड-आधारित मॉडल) से इंटरैक्ट करना ज़रूरी है?
- टूलकिट या मॉडल का वर्शन: टास्क कितना मुश्किल है? इसमें आसान और सिंगल-इन्फ़्रेंस वाले टास्क से लेकर, मल्टी-एजेंट ऑर्केस्ट्रेशन तक शामिल हैं.
यहां दिए गए फ़्लो चार्ट में, फ़ैसला लेने की प्रोसेस को बड़े पैमाने पर दिखाया गया है:
हर चरण में सही फ़ैसला लेने के लिए, इस दस्तावेज़ के बाकी सेक्शन देखें.
जनरेटिव एआई बनाम ट्रेडिशनल एमएल
जनरेटिव एआई मॉडल नया कॉन्टेंट बनाते हैं, जबकि ट्रेडिशनल मशीन लर्निंग मॉडल, नतीजों का अनुमान लगाते हैं या डेटा को पूरी तरह से डिटरमिनिस्टिक तरीके से कैटगरी में बांटते हैं. अगर आपकी सुविधा में नया कॉन्टेंट जनरेट करने की ज़रूरत नहीं है, तो मशीन लर्निंग के पारंपरिक समाधान काफ़ी हो सकते हैं. यहां दी गई टेबल में, मशीन लर्निंग के कुछ पारंपरिक समाधानों की खास जानकारी दी गई है:
| टूलकिट / समाधान | प्रकार | इस्तेमाल का मुख्य उदाहरण | उदाहरण |
|---|---|---|---|
| ML Kit SDK | डिवाइस पर | पहले से बने विज़न और नैचुरल लैंग्वेज प्रोसेसिंग टास्क |
|
| LiteRT | डिवाइस पर | कस्टम मॉडल रनटाइम |
|
| MediaPipe | डिवाइस पर | रीयल-टाइम वीडियो या ऑडियो स्ट्रीम को समझने से जुड़े टास्क |
|
| Google Cloud API, जिनमें Cloud Vision API और Cloud नैचुरल लैंग्वेज API शामिल हैं | क्लाउड-आधारित | पहले से बने विज़न और नैचुरल लैंग्वेज प्रोसेसिंग टास्क |
|
| Agent Platform | क्लाउड-आधारित | कस्टम मॉडल को ट्रेनिंग देने और उसे डिप्लॉय करने की पूरी प्रोसेस |
|
इस दस्तावेज़ के बाकी हिस्से में, जनरेटिव एआई के समाधानों के बारे में बताया गया है.
ऐप्लिकेशन में मौजूद इंटेलिजेंस और सिस्टम-लेवल की इंटेलिजेंस
जनरेटिव एआई की सबसे सही सुविधा चुनने के लिए, यह तय करें कि एआई की सुविधा पूरी तरह से आपके ऐप्लिकेशन में काम करती है या नहीं. इसके अलावा, यह भी तय करें कि क्या उसे किसी ऐप्लिकेशन के बाहर, अन्य ऐप्लिकेशन या Android OS के साथ इंटरैक्ट करने की ज़रूरत है. अगर आपकी सुविधा, किसी ऐप्लिकेशन के बाहर सिस्टम से ट्रिगर होती है, तो उसे सिस्टम-लेवल इंटेलिजेंस माना जाता है. यहां दी गई टेबल में, ऐप्लिकेशन में मौजूद और सिस्टम-लेवल की इंटेलिजेंस सुविधाओं के बीच के अंतर को बताया गया है:
| इन-ऐप्लिकेशन इंटेलिजेंस | सिस्टम-लेवल इंटेलिजेंस | |
|---|---|---|
| टास्क का स्कोप | इन-ऐप्लिकेशन | सभी ऐप्लिकेशन में (या सिस्टम से ट्रिगर किया गया, किसी भी ऐप्लिकेशन के बाहर) |
| टूल | ML Kit SDK, LiteRT, Firebase AI Logic या खुद होस्ट किया गया बैकएंड | AppFunctions |
| इस्तेमाल के उदाहरण |
|
|
इन-ऐप्लिकेशन इंटेलिजेंस
इन-ऐप्लिकेशन इंटेलिजेंस की सुविधाओं को अन्य ऐप्लिकेशन या सिस्टम के साथ इंटरैक्ट करने की ज़रूरत नहीं होती. जब आपको यह पता चल जाए कि एआई की सुविधा पूरी तरह से इन-ऐप्लिकेशन है, तो आपको यह तय करना होगा कि क्या इस सुविधा को पूरी तरह से उपयोगकर्ता के डिवाइस पर चलाया जा सकता है, क्लाउड-आधारित मॉडल का इस्तेमाल किया जा सकता है या दोनों को मिलाकर हाइब्रिड तरीका अपनाया जा सकता है.
अगर आपको कोई ऐसा काम करना है जिसमें वीडियो इनपुट की ज़रूरत हो या जिसमें कई एजेंट शामिल हों, तो आपको क्लाउड-आधारित मॉडल का इस्तेमाल करना चाहिए. यहां दी गई टेबल में, उपयोगकर्ता के डिवाइस पर मौजूद मॉडल और क्लाउड-आधारित मॉडल की क्षमताओं की तुलना की गई है:
| डिवाइस पर | बादल | |
|---|---|---|
| टूल | ML Kit SDK या LiteRT | Firebase AI Logic या खुद होस्ट किया गया बैकएंड |
| इनपुट का टाइप |
|
|
| आउटपुट टाइप |
|
|
| उपयोगकर्ता के डेटा की संवेदनशीलता | ज़्यादा | कम |
| मॉडल |
|
|
| इस्तेमाल के उदाहरण |
|
|
उपयोगकर्ता के डिवाइस पर चलने वाले मॉडल
अगर इनमें से कोई भी स्थिति लागू होती है, तो उपयोगकर्ता के डिवाइस पर मौजूद मॉडल का इस्तेमाल करना बेहतर हो सकता है:
- लागत की सीमाएं
- सुविधा को ऑफ़लाइन इस्तेमाल किया जा सके
- निजता से जुड़ी ज़रूरी शर्तें
- यह टास्क काफ़ी आसान है. इसके लिए, मल्टी-एजेंट ऑर्केस्ट्रेशन की ज़रूरत नहीं है
ध्यान रखें कि आपके उपयोगकर्ताओं के डिवाइसों पर, ऑन-डिवाइस मॉडल काम करते हों. उपयोगकर्ता के डिवाइस पर मौजूद मॉडल के लिए, आम तौर पर ज़्यादा प्रीमियम डिवाइसों की ज़रूरत होती है. ये डिवाइस, लोकल प्रोसेसिंग के साथ काम कर सकते हैं.
जब आपको यह पता चल जाए कि आपकी सुविधा के लिए, उपयोगकर्ता के डिवाइस पर मॉडल काफ़ी हैं, तो सबसे सही टूलकिट या समाधान मुख्य रूप से टास्क की जटिलता पर निर्भर करता है. यहां दी गई टेबल में, उपयोगकर्ता के डिवाइस पर मौजूद और ऐप्लिकेशन में उपलब्ध जनरेटिव एआई टूल के विकल्पों की खास जानकारी दी गई है:
| टास्क की जटिलता | सुविधा की विशेषताएं | उदाहरण | टूलकिट/समाधान |
|---|---|---|---|
| कम |
|
टेक्स्ट के बारे में खास जानकारी दें |
|
| मध्यम |
|
क्वेरी और जवाब | |
| ज़्यादा |
|
ग्राहक से मिले सुझाव, राय या शिकायत या बग की जांच करना |
ML Kit Prompt API का इस्तेमाल करके, एक या कई बार में बातचीत वाला टेक्स्ट जनरेट करें. जब आपकी सुविधा को उपयोगकर्ता के डिवाइस पर, अपने-आप और कई चरणों में काम करने की ज़रूरत हो, तब ML Kit GenAI Agent API का इस्तेमाल करें. Agent API, उपयोगकर्ता के डिवाइस पर मौजूद रीज़निंग लूप के साथ काम करता है. ये लूप, @Tool एनोटेशन का इस्तेमाल करके, टाइप किए गए टूल को प्लान और शुरू कर सकते हैं. साथ ही, इंटरैक्शन के दौरान सेशन के कॉन्टेक्स्ट को बनाए रख सकते हैं. इसके अलावा, maxTurns का इस्तेमाल करके, टर्न की सीमाएं लागू कर सकते हैं.
क्लाउड-आधारित मॉडल
अगर आपकी सुविधा को पूरी तरह से उपयोगकर्ता के डिवाइस पर नहीं चलाया जा सकता, तो आपको क्लाउड-आधारित मॉडल का इस्तेमाल करना होगा. क्लाउड-आधारित मॉडल का इस्तेमाल करने के दो मुख्य विकल्प हैं:
Firebase AI Logic का इस्तेमाल करके मैनेज किया जाने वाला बैकएंड. अगर आपके पास पहले से Firebase का ऐक्सेस है या आपको किसी चीज़ का प्रोटोटाइप जल्दी बनाना है, तो Firebase AI Logic आपके लिए सबसे अच्छा विकल्प हो सकता है.
कस्टम बैकएंड या खुद होस्ट किया गया सर्वर. अगर आपको Gemini के अलावा कोई अन्य मॉडल इस्तेमाल करना है, निजता से जुड़ी ज़रूरी शर्तें पूरी करनी हैं या कोई बहुत जटिल टास्क पूरा करना है, तो आपको कस्टम बैकएंड का इस्तेमाल करना पड़ सकता है. हमारा सुझाव है कि कस्टम बैकएंड सेटअप के लिए, इन टूल का भी इस्तेमाल करें:
- अपने कस्टम बैकएंड पर, एजेंटिक फ़्रेमवर्क चलाएं. जैसे, Agent Development Kit
- AG-UI का इस्तेमाल करके, ऐप्लिकेशन के फ़्रंटएंड को एजेंटिक बैकएंड से कनेक्ट करना
- A2UI का इस्तेमाल करके, एजेंट को बेहतर और इंटरैक्टिव यूज़र इंटरफ़ेस (यूआई) जनरेट करने की सुविधा दें
यहां दी गई टेबल में बताया गया है कि क्लाउड पर आधारित, इन-ऐप्लिकेशन जनरेटिव एआई टूल के लिए, Firebase AI Logic या कस्टम बैकएंड का इस्तेमाल कब करना चाहिए:
| टास्क की जटिलता | सुविधा की विशेषताएं | उदाहरण | टूलकिट/समाधान |
|---|---|---|---|
| कम |
|
टेक्स्ट के बारे में खास जानकारी दें |
|
| मध्यम |
|
क्वेरी और जवाब |
|
| ज़्यादा |
|
ग्राहक से मिले सुझाव, राय या शिकायत या बग की जांच करना |
|
| बहुत ज़्यादा |
|
यात्रा के अलग-अलग पहलुओं को मैनेज करने के लिए, एजेंट की एक टीम बनाएं |
|
हाइब्रिड तरीका
हाइब्रिड अप्रोच का इस्तेमाल तब करें, जब आपकी सुविधा उपयोगकर्ता के डिवाइस पर काम कर सकती हो, लेकिन आपके सभी उपयोगकर्ताओं के पास ऐसे डिवाइस न हों जो उपयोगकर्ता के डिवाइस पर मौजूद मॉडल के साथ काम करते हों. साथ ही, आपको फ़ॉलबैक के तौर पर क्लाउड मॉडल का इस्तेमाल करना हो. ज़्यादा जानकारी के लिए, हाइब्रिड इन्फ़्रेंस देखें.
सिस्टम-लेवल इंटेलिजेंस
सिस्टम-लेवल इंटेलिजेंस की मदद से, Android प्लैटफ़ॉर्म एक टास्क ऑर्केस्ट्रेटर के तौर पर काम कर सकता है. सिस्टम-लेवल इंटेलिजेंस की मदद से, Gemini जैसे सिस्टम एजेंट, कई ऐप्लिकेशन और वेब सेवाओं पर उपयोगकर्ताओं के अनुरोधों को पूरा कर सकते हैं.
अपने ऐप्लिकेशन को Android इंटेलिजेंस सिस्टम से कनेक्ट करने के लिए, इंटिग्रेशन का कोई तरीका चुनें. यह इस बात पर निर्भर करता है कि आपको प्रोग्राम के हिसाब से कंट्रोल चाहिए या यूज़र इंटरफ़ेस (यूआई) के हिसाब से अपने-आप होने वाली कार्रवाइयां चाहिए:
| इंटिग्रेशन का विकल्प | इस्तेमाल का उदाहरण |
|---|---|
| AppFunctions | अपने ऐप्लिकेशन की कुछ खास सुविधाओं को एजेंट के लिए उपलब्ध कराएं, ताकि वे उन्हें उपयोगकर्ता के डिवाइस पर ढूंढ सकें और इस्तेमाल कर सकें. |
| रिमोट एमसीपी सर्वर | अपने ऐप्लिकेशन में कुछ खास सुविधाएं उपलब्ध कराएं, ताकि उन्हें एजेंट के बैकएंड के साथ सीधे तौर पर इंटिग्रेट किया जा सके. क्रॉस-प्लैटफ़ॉर्म डेवलपमेंट के लिए अच्छा है. |
| कंप्यूटर कंट्रोल | इससे ओईएम की ओर से पहले से लोड की गई असिस्टेंट को, किसी ऐप्लिकेशन के यूज़र इंटरफ़ेस (यूआई) से सीधे इंटरैक्ट करके टास्क ऑटोमेट करने की अनुमति मिलती है. |
सिस्टम-लेवल पर इंटेलिजेंस टूल के विकल्पों के बारे में ज़्यादा जानने के लिए, अपने ऐप्लिकेशन को Android इंटेलिजेंस सिस्टम से कनेक्ट करना लेख पढ़ें.