अपनी सुविधा के लिए सही एआई/एमएल समाधान ढूंढना

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. इससे आपको यह तय करने में मदद मिलती है कि आपको कौनसी सुविधा लागू करनी 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 है या कैटगरी में बांटना है (ट्रेडिशनल एमएल)?
  • सुविधा का दायरा: क्या टास्क को पूरी तरह से आपके ऐप्लिकेशन में 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? क्या इसमें सिर्फ़ एक अनुमान लगाना है या कई एजेंट को मैनेज करना है?

इस फ़्लो चार्ट में, फ़ैसले लेने की प्रोसेस को बड़े पैमाने पर दिखाया गया है:

हां नहीं हां नहीं हां नहीं हां सभी नहीं हां नहीं सुविधा क्या आपको नया कॉन्टेंट जनरेट करना है (डेटा का अनुमान लगाने या उसे कैटगरी में बांटने के बजाय)? जनरेटिव एआई क्या यह अलग-अलग ऐप्लिकेशन के बीच किया जाने वाला टास्क है? ट्रेडिशनल एमएल सिस्टम इंटेलिजेंस AppFunctions का इस्तेमाल करें इन-ऐप्लिकेशन इंटेलिजेंस क्या यह सुविधा ऑफ़लाइन काम कर सकती है या आपके पास लागत से जुड़ी सीमाएं हैं? क्या टारगेट डिवाइसों पर उपयोगकर्ता के डिवाइस पर मौजूद मॉडल काम करते हैं? क्या आपको ऐप्लिकेशन बंद होने पर भी सुविधा को चालू रखने (स्थिति को सुरक्षित रखने) की ज़रूरत है या निजी डेटाबेस ऐक्सेस करने की ज़रूरत है? डिवाइस पर मौजूद मॉडल Gemini Nano का इस्तेमाल करें ML Kit या LiteRT के ज़रिए हाइब्रिड तरीका डिवाइस पर मौजूद मॉडल को प्राथमिकता दें, लेकिन क्लाउड मॉडल का इस्तेमाल फ़ॉलबैक के तौर पर करें क्लाउड पर आधारित मॉडल कस्टम सेल्फ़-होस्ट किए गए सर्वर का इस्तेमाल करें क्लाउड पर आधारित मॉडल Firebase AI Logic के ज़रिए मैनेज किए जा रहे बैकएंड का इस्तेमाल करें
पहली इमेज. एआई/एमएल सलूशन चुनने के लिए, हाई-लेवल पर फ़ैसला लेने की प्रोसेस.

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 तैयार विज़न और नैचुरल लैंग्वेज प्रोसेसिंग टास्क
  • ओसीआर रसीद स्कैनर
  • इवेंट में क्यूआर कोड से तेज़ी से चेक-इन करने की सुविधा
  • मेन्यू का ऑफ़लाइन अनुवाद
LiteRT डिवाइस पर कस्टम मॉडल रनटाइम
  • मेडिकल इमेज क्लासिफ़िकेशन
  • किसी खास विषय के लिए, स्मार्ट कीबोर्ड से शब्दों के सुझाव पाने की सुविधा
MediaPipe डिवाइस पर रीयल-टाइम वीडियो या ऑडियो स्ट्रीम को समझने से जुड़े टास्क
  • कसरत के दौरान सही पोस्चर के लिए रीयल-टाइम में कोचिंग
  • फ़ेशियल फ़िल्टर और इफ़ेक्ट
  • हाथ के जेस्चर की पहचान करने की सुविधा
Google Cloud API, जिनमें Cloud Vision API और Cloud नैचुरल लैंग्वेज API शामिल हैं क्लाउड-आधारित पहले से तैयार विज़न और नैचुरल लैंग्वेज प्रोसेसिंग टास्क
  • वीडियो के लिए अपने-आप कैप्शन जनरेट होने की सुविधा
  • इमेज क्वालिटी कंट्रोल और अनुपालन
Agent Platform क्लाउड-आधारित कस्टम मॉडल को ट्रेनिंग देने और उसे डिप्लॉय करने की पूरी प्रोसेस
  • इमेज पहचानने की खास सुविधा को बड़े पैमाने पर उपलब्ध कराना
  • स्टॉक फ़ोटो खोजना

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 के बीच अंतर

जनरेटिव एआई का सबसे सही समाधान 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 इंटेलिजेंस की सुविधाओं और सिस्टम-लेवल की इंटेलिजेंस की सुविधाओं के बीच के अंतर को बताया गया है:

इन-ऐप्लिकेशन इंटेलिजेंस सिस्टम-लेवल इंटेलिजेंस
टास्क का स्कोप इन-ऐप्लिकेशन सभी ऐप्लिकेशन पर (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
  • टेक्स्ट की खास जानकारी पाना, उसे प्रूफ़रीड करना या ट्रांसक्राइब करना
  • इमेज में दिखाई गई चीज़ों के बारे में जानें
  • ऐप्लिकेशन में चैटबॉट बनाना
  • इमेज जनरेट करें
  • नोट्स वाले दस्तावेज़ में लिखी गई जानकारी के आधार पर, डिलीवरी ऐप्लिकेशन में किराने के सामान की सूची बनाना
  • ऑफ़िस जाने के लिए राइड बुक करें और अपने सहकर्मी को मैसेज भेजकर, पहुंचने का अनुमानित समय बताएं
  • अपने ईमेल इनबॉक्स में रेस्टोरेंट का सुझाव ढूंढना और बुकिंग करना

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
  • टेक्स्ट
  • इमेज
  • ऑडियो
  • टेक्स्ट
  • इमेज
  • ऑडियो
  • वीडियो
आउटपुट टाइप
  • टेक्स्ट
  • टेक्स्ट
  • इमेज
  • ऑडियो
उपयोगकर्ता के डेटा की संवेदनशीलता ज़्यादा कम
मॉडल
  • जेमा
  • Gemini Nano
  • Gemini Flash
  • Gemini Flash Lite
  • Gemini Pro
इस्तेमाल के उदाहरण
  • छोटे कॉन्टेंट को प्रोसेस करना. जैसे, किसी छोटे चैट मैसेज या ईमेल की खास जानकारी देना, उसकी प्रूफ़रीडिंग करना या उसे फिर से लिखना
  • इमेज में दिखाई गई चीज़ों के बारे में जानें
  • उपयोगकर्ताओं की दिलचस्पी के हिसाब से आउटपुट को उनके लिए ज़्यादा काम का बनाना
  • उपयोगकर्ता के संवेदनशील डेटा को मैनेज करना
  • किसी छोटी ऑडियो क्लिप में बोले जा रहे शब्दों को टेक्स्ट में बदलें
  • चैटबॉट बनाना
  • इमेज जनरेट करें
  • बातचीत का रीयल-टाइम में अनुवाद करने के लिए
  • ऐप्लिकेशन में फ़ोटो में बदलाव करने की सुविधा
  • मल्टी-एजेंट टास्क

उपयोगकर्ता के डिवाइस पर मौजूद 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 सकता हो
  • 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 करने चाहिए. 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.

यह तय करने के बाद कि आपकी सुविधा के लिए, उपयोगकर्ता के डिवाइस पर मौजूद मॉडल काफ़ी हैं, 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
  • एक अनुमान
  • प्योर जनरेशन
टेक्स्ट के बारे में खास जानकारी दें
  • ML Kit SDK
  • बेहतर तरीके से ट्यून किए गए मॉडल (खास डोमेन) के लिए LiteRT
मध्यम
  • ऑगमेंटेड एलएलएम
  • फ़ंक्शन कॉलिंग
  • बातचीत का इतिहास
क्वेरी और जवाब
ज़्यादा
  • सिंगल-एजेंट लूप, जिसमें टास्क पूरा होने तक बार-बार कार्रवाई और उसकी जांच की जाती है
ग्राहक से मिले सुझाव, शिकायत या राय या गड़बड़ी 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, तो ML Kit GenAI Agent API का इस्तेमाल करें. Agent API, उपयोगकर्ता के डिवाइस पर मौजूद रीज़निंग लूप के साथ काम करता है. ये लूप, @AppFunctionDeclaration के साथ एलान किए गए टाइप किए गए टूल को प्लान और कॉल 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. कस्टम बैकएंड सेटअप के लिए, हम इन टूल का सुझाव भी देते हैं:

    • अपने कस्टम बैकएंड पर, एजेंट डेवलपमेंट किट जैसा कोई एजेंटिक फ़्रेमवर्क चलाएं
    • 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-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
  • एक अनुमान
  • प्योर जनरेशन
टेक्स्ट के बारे में खास जानकारी दें
  • Firebase AI Logic
  • कस्टम बैकएंड
मध्यम
  • ऑगमेंटेड एलएलएम
  • फ़ंक्शन कॉलिंग
  • बातचीत का इतिहास
क्वेरी और जवाब
  • Firebase AI Logic
  • कस्टम बैकएंड
ज़्यादा
  • सिंगल-एजेंट लूप, जिसमें टास्क पूरा होने तक बार-बार कार्रवाई और उसकी जांच की जाती है
ग्राहक से मिले सुझाव, शिकायत या राय या गड़बड़ी की जांच करना
  • कस्टम बैकएंड
बहुत ज़्यादा
  • मल्टी-एजेंट ऑर्केस्ट्रेशन
यात्रा के अलग-अलग पहलुओं को मैनेज करने के लिए, एजेंट की एक टीम बनाएं
  • कस्टम बैकएंड

हाइब्रिड तरीका

हाइब्रिड तरीके का इस्तेमाल तब करें, जब आपकी सुविधा को डिवाइस पर चलाया जा सकता 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 करता है. इससे Gemini जैसे एआई 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 सीधे एजेंट के बैकएंड के साथ इंटिग्रेट किया जा सके. क्रॉस-प्लैटफ़ॉर्म डेवलपमेंट के लिए अच्छा है.
कंप्यूटर कंट्रोल यह अनुमति, ओईएम के पहले से लोड किए गए असिस्टेंट को ऐप्लिकेशन के यूज़र इंटरफ़ेस (यूआई) के साथ सीधे इंटरैक्ट करके, टास्क अपने-आप पूरे करने की सुविधा देती 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.