- Узнайте, как интегрировать модель машинного обучения в приложение
- Начните кодировать интеграцию вашего приложения
Вот задания для этого урока:
ИНТЕГРАЦИЯ ВАШЕЙ МОДЕЛИ
Надеюсь, к этому моменту ваша команда
- обучил модель искусственного интеллекта на основе здорового набора данных.
- проверено модель с новыми и разнообразными данными
Но вы не можете просто оставить его там!
Вы хотите, чтобы ваша модель приняла действия на основе сделанного ею прогноза.
Вам нужно будет внедрить вашу модель в приложение чтобы сделать ее полезной.
ВЫБОР ПЛАТФОРМЫ
От того, какую платформу вы используете для создания приложения, будет зависеть, на какой платформе вы будете работать:
- какую платформу для кодирования мобильных приложений вы предпочитаете
- какую платформу вы использовали для обучения модели
Ниже приведены платформы машинного обучения, рассмотренные в Главе 5. Щелкните на каждой из них, чтобы увидеть несколько вариантов интеграции модели в приложение.
Teachable Machine - очень универсальная платформа. Вы можете сохранить свою модель в облаке или сохранить ее в виде файла, поэтому у вас есть много возможностей для интеграции с платформами для кодирования.
В этом видео рассказывается о том, как экспортировать модель.
- В App Inventor есть расширение Teachable Machine Image Classification, созданное Фабиано Оливейрой, которое можно загрузить и импортировать в ящик расширений.
- Teachable Machine предоставляет фрагменты кода для интеграции с Tensorflow, библиотекой машинного обучения. Он предоставляет 3 варианта фрагментов кода:
- Tensorflow.js - язык Javascript позволит вам создать веб-страницу или веб-приложение.
- Tensorflow - язык Python для создания веб-приложений.
- Tensorflow Lite - язык Java для создания мобильных приложений.
Все 3 фрагмента кода предоставляют вам файл модели и код для копирования. В зависимости от языка, вам может потребоваться установить библиотеки и редакторы кода. Ссылки на инструкции приведены в каждом фрагменте кода.
Вот шаги для использования опции Tensorflow.js:
- Скопируйте код и вставьте его в новый пустой текстовый файл на вашем компьютере.
- Сохраните его под именем index.html (или другим с расширением .html).
- Откройте файл в веб-браузере. В нем появится базовый интерфейс, в котором вы сможете классифицировать изображение, полученное с помощью веб-камеры, на основе вашей модели.
- Если вы хотите иметь возможность загружать изображение для классификации вместо веб-камеры, этот код работает. (Любезно предоставленный Крисом Хойаном) Просто убедитесь, что вы скопировали URL модели из вашего оригинального фрагмента кода в этот файл.
- Скопируйте код и вставьте его в новый пустой текстовый файл на вашем компьютере.
Варианты Tensorflow и Tensorflow Lite требуют различной установки программного обеспечения и библиотек для кодирования. За дальнейшими инструкциями обращайтесь на сайт github.
Интеграции Technovation: Python, App Inventor
В настоящее время единственной интеграцией для Machine Learning for Kids, которая полностью работает на сайтах Junior и Senior , является Python.
Чтобы узнать больше об интеграции вашей модели Machine Learning for Kids в Python, попробуйте воспользоваться одним из рабочих листов на этой странице. Выберите Python в раскрывающемся списке Make Type.
MIT App Inventor - это возможность интеграции, но не все типы наборов данных работают в полной мере. Проверьте сайт Machine Learning for Kids, чтобы убедиться, что ваш набор данных совместим с App Inventor.
Расширения В App Inventor это внешние компоненты, которые добавляют функциональность приложению, но не являются частью основных компонентов App Inventor.
После обучения модели изображения или звука с помощью сайтов классификаторов App Inventor(изображение, звук) вы используете расширение в App Inventor, чтобы воплотить модель в жизнь в мобильном приложении.
- Нажмите на Расширение в палитре конструктора.
- Нажмите на кнопку Импорт расширения.
- Нажмите кнопку Choose File (Выбрать файл ) и выберите файл расширения, который вы загрузили со страницы расширений выше.
- Нажмите кнопку Импорт, чтобы импортировать расширение и его блоки.
Также необходимо добавить в проект компонент WebViewer. Его можно найти в ящике User Interface.
В приведенном ниже примере мы показываем, как настроить классификатор изображений, но это работает практически так же, как и с классификатором аудио, если ваша модель включает звуки.
Чтобы связать свою модель с классификатором, сначала загрузите модель с сайта классификатора, а затем,
- Выберите компонент PersonalImageClassifer.
- На панели свойств нажмите "None" в разделе Model и загрузите скачанный файл model.mdl. (Файл можно переименовать как угодно, но в его имени должно быть расширение .mdl).
- Нажмите "None" в разделе WebViewer и выберите компонент WebViewer, только что добавленный в проект.
Обратите внимание на свойство "InputMode", которое может быть либо Video, либо Image. Если вы выберете видео, он будет постоянно пытаться классифицировать видеопоток, который появляется в WebViewer. Если вы выберете "Изображение", вам придется добавить компонент Camera или ImagePicker, чтобы получить изображение для классификации. Для работы классификации изображений вам все равно понадобится компонент WebViewer.
Модели, созданные с помощью Ximilar, можно использовать с API для интеграции в приложение.
Вы можете использовать компонент Web API в Thunkable, чтобы интегрировать в приложение внешнюю модель с такой платформы, как Ximilar. Примечание: мы рассмотрим API в Thunkable в следующем разделе.
Посмотрите вторую часть видео Пратхама, чтобы включить его модель кораллового ИИ из Главы 5 в мобильное приложение Thunkable.
ДЕЯТЕЛЬНОСТЬ: ИНТЕГРАЦИЯ ВАШЕЙ МОДЕЛИ AI
Интеграция на основе выбранной вами платформы
- Изучите, что необходимо для конкретной платформы, чтобы добавить обученную модель ИИ в проект.
- Создайте новый проект в выбранной платформе и добавьте в него свою модель. Как это сделать, зависит от процесса для вашей конкретной платформы.
- Примите меры! Добавьте компоненты и код в платформу, чтобы ваш проект выполнял действия, основанные на предсказаниях вашей модели.
РЕФЛЕКСИЯ
Вы приступили к написанию экшен-части вашего приложения с искусственным интеллектом! Здесь вы можете увидеть результаты работы вашей модели и то, что она действительно может сделать!
Сейчас самое время свериться с планом проекта/канвасом, чтобы узнать, как продвигается ваш проект. Возможно, вам захочется скорректировать сроки и задачи в зависимости от используемой платформы и шагов, необходимых для достижения целей проекта.
После того как код заработал, пришло время проверить, как обстоят дела у ваших пользователей. Найдите людей, которые протестируют ваше приложение и оставят отзыв.
ОБЗОР ОСНОВНЫХ ТЕРМИНОВ
- Программное обеспечение - термин, обозначающий программы или приложения, которые работают на компьютере или устройстве
- Расширения - Пакеты программ, которые добавляют функциональность к существующим программам
ДОПОЛНИТЕЛЬНЫЕ РЕСУРСЫ
Сортер зефира с помощью Teachable Machine и Coral.
Посмотрите эти видео о более продвинутых инструментах искусственного интеллекта!
- Google ColabКодирование на Python
- DialogFlow - Часть 1 с Google AppSheets
- Dialogflow - Часть 2 и виртуальный помощник
