פריסת AI באפליקציות לנייד, באינטרנט ובאפליקציות מוטמעות

  • במכשיר

    קיצור זמן האחזור. עבודה במצב אופליין. שמירה על הנתונים מקומיים ופרטיים.

  • פלטפורמות שונות

    להפעיל את אותו מודל ב-Android, ב-iOS, באינטרנט ובמודולים מוטמעים.

  • מודלים מרובים

    תאימות למודלים של JAX,‏ Keras,‏ PyTorch ו-TensorFlow.

  • סטאק מלא של AI לקצה

    מסגרות גמישות, פתרונות מוכנים, מאיצי חומרה

פתרונות מוכנים ומסגרות גמישות

ממשקי API לקוד מינימלי למשימות נפוצות של AI

ממשקי API בפלטפורמות שונות לטיפול במשימות נפוצות של AI גנרטיבי, ראייה ממוחשבת, טקסט וקולות.

תחילת העבודה עם משימות MediaPipe {/22

פריסה של מודלים מותאמים אישית בפלטפורמות שונות

הפעלה יעילה של מודלים של JAX,‏ Keras,‏ PyTorch ו-TensorFlow ב-Android, ב-iOS, באינטרנט ובמכשירים מוטמעים, עם אופטימיזציה ל-ML מסורתי ול-AI גנרטיבי.

תחילת השימוש ב-LiteRT
תכונה 2

קיצור מחזורי הפיתוח באמצעות המחשה חזותית

הצגה חזותית של הטרנספורמציה של המודל באמצעות המרה וקידוד. ניפוי באגים בנקודות חמות על ידי הצגת תוצאות של מדדי השוואה בשכבה-על.

תחילת העבודה עם דוח של ביצועי המודל
תכונה 1

פיתוח צינורות עיבוד נתונים מותאמים אישית לתכונות מורכבות של למידת מכונה

אתם יכולים ליצור משימה משלכם על ידי קישור של כמה מודלים של למידת מכונה יחד עם לוגיקה של עיבוד מראש ועיבוד לאחר מכן, כדי לשפר את הביצועים. להריץ צינורות עיבוד נתונים מואצים (GPU ו-NPU) בלי לחסום את המעבד (CPU).

תחילת העבודה עם MediaPipe Framework
תכונה 2

הכלים והמסגרות שעליהם מתבססות האפליקציות של Google

סקירה של סטאק ה-AI המלא לקצה, עם מוצרים בכל רמה – מ-API לקוד מינימלי ועד לספריות האצה ספציפיות לחומרה.

MediaPipe Tasks

פיתוח מהיר של תכונות מבוססות-AI באפליקציות לנייד ולאינטרנט באמצעות ממשקי API עם קוד קצר לביצוע משימות נפוצות – AI גנרטיבי, ראייה ממוחשבת, טקסט ואודיו.

‫AI גנרטיבי

שילוב של מודלים גנרטיביים של שפה ותמונות ישירות באפליקציות באמצעות ממשקי API מוכנים לשימוש.

Vision

מגוון רחב של משימות ראייה, כולל פילוח, סיווג, זיהוי, זיהוי אובייקטים ומאפייני גוף.

טקסט ואודיו

סיווג טקסט ואודיו במגוון קטגוריות, כולל שפה, סנטימנט וקטגוריות בהתאמה אישית.

MediaPipe Framework

מסגרת ברמה נמוכה המשמשת ליצירת צינורות עיבוד נתונים מאיצים של למידת מכונה עם ביצועים גבוהים, שכוללים לרוב כמה מודלים של למידת מכונה בשילוב עם עיבוד מראש ועיבוד לאחר מכן.

LiteRT

פריסה של מודלים של AI שנוצרו בכל מסגרת, בניידים, באינטרנט ובמיקרו-בקרים, עם האצה אופטימלית לחומרה ספציפית.

מודלים מרובים

המרת מודלים מ-JAX,‏ Keras,‏ PyTorch ו-TensorFlow להרצה בקצה.

פלטפורמות שונות

להריץ את אותו מודל בדיוק ב-Android, ב-iOS, באינטרנט ובמיקרו-בקרים באמצעות ערכות SDK מקוריות.

קלה ומהירה

סביבת זמן הריצה היעילה של LiteRT תופסת רק כמה מגה-בייט ומאפשרת להאיץ את המודל במעבדי CPU,‏ GPU ו-NPU.

דוח של ביצועי המודל

עיון חזותי במודלים, ניפוי באגים והשוואה ביניהם. שכבות-על של נקודות השוואה של ביצועים ומספרים כדי לזהות נקודות חמות מטרידות.

תווים בגודל nano

סרטונים ופוסטים בבלוג מהזמן האחרון