이 가이드는 Google의 생성형 인공지능 및 머신러닝 (AI/ML) 솔루션을 애플리케이션에 통합하는 데 도움이 되도록 설계되었습니다. 이 페이지에서는 사용 가능한 다양한 인공지능 및 머신러닝 솔루션을 탐색하고 필요에 가장 적합한 솔루션을 선택하는 데 도움이 되는 안내를 제공합니다. 이 문서의 목표는 요구사항과 사용 사례에 중점을 두어 사용할 도구와 그 이유를 결정하는 데 도움을 주는 것입니다.
특정 요구사항에 가장 적합한 AI/ML 솔루션을 선택하는 데 도움이 되도록 이 문서에는 솔루션 가이드가 포함되어 있습니다. 이 가이드에서는 프로젝트의 목표와 제약 조건에 관한 일련의 질문에 답변하여 가장 적합한 도구와 기술을 안내합니다.
이 가이드는 앱에 가장 적합한 AI 솔루션을 선택하는 데 도움이 됩니다. 데이터 유형 (텍스트, 이미지, 오디오, 동영상), 작업의 복잡성(간단한 요약에서 전문 지식이 필요한 복잡한 작업까지), 데이터 크기 (짧은 입력과 대용량 문서)를 고려하세요. 이를 통해 기기에서 Gemini Nano를 사용할지 아니면 Firebase의 클라우드 기반 AI (Gemini Flash, Gemini Pro 또는 Imagen)를 사용할지 결정할 수 있습니다.
온디바이스 추론의 힘을 활용하세요
Android 앱에 AI 및 ML 기능을 추가할 때는 기기에서 또는 클라우드를 사용하여 이러한 기능을 제공하는 다양한 방법을 선택할 수 있습니다.
Gemini Nano와 같은 온디바이스 솔루션은 추가 비용 없이 결과를 제공하고, 입력 데이터가 로컬에서 처리되므로 향상된 사용자 개인 정보 보호 기능과 안정적인 오프라인 기능을 제공합니다. 이러한 이점은 메시지 요약과 같은 특정 사용 사례에 매우 중요하므로 적절한 솔루션을 선택할 때 기기 내 솔루션을 우선시해야 합니다.
Gemini Nano를 사용하면 Android 지원 기기에서 직접 추론을 실행할 수 있습니다. 텍스트나 이미지로 작업하는 경우 즉시 사용 가능한 솔루션을 위해 ML Kit의 GenAI API를 시작하세요. ML Kit GenAI API는 Gemini Nano를 기반으로 하며 특정 기기 내 작업에 맞게 미세 조정됩니다. ML Kit GenAI API는 상위 수준의 인터페이스와 확장성 덕분에 앱을 프로덕션으로 전환하는 데 이상적인 경로입니다. 이러한 API를 사용하면 텍스트를 요약, 교정, 재작성하는 사용 사례를 구현하고 이미지 설명을 생성할 수 있습니다.
ML Kit GenAI API에서 제공하는 기본 사용 사례를 넘어서려면 Gemini Nano 실험용 액세스를 고려해 보세요. Gemini Nano 실험용 액세스를 사용하면 Gemini Nano를 통해 맞춤 프롬프트에 더 직접적으로 액세스할 수 있습니다.
기존 머신러닝 작업의 경우 자체 맞춤 모델을 유연하게 구현할 수 있습니다. Google에서는 ML Kit, MediaPipe, LiteRT, Google Play 전송 기능과 같은 강력한 도구를 제공하여 개발 프로세스를 간소화합니다.
고도로 전문화된 솔루션이 필요한 애플리케이션의 경우 Gemma와 같은 자체 맞춤 모델이나 특정 사용 사례에 맞게 조정된 다른 모델을 사용할 수 있습니다. 최적화된 성능을 위해 사전 설계된 모델 아키텍처를 제공하는 LiteRT를 사용하여 사용자 기기에서 직접 모델을 실행합니다.
기기 내 모델과 클라우드 모델을 모두 활용하여 하이브리드 솔루션을 빌드하는 것도 고려해 볼 수 있습니다.
모바일 앱은 일반적으로 채팅 대화나 블로그 기사와 같은 소량의 텍스트 데이터에 로컬 모델을 활용합니다. 하지만 더 큰 데이터 소스 (예: PDF)의 경우 또는 추가 지식이 필요한 경우 더 강력한 Gemini 모델이 포함된 클라우드 기반 솔루션이 필요할 수 있습니다.
고급 Gemini 모델 통합
Android 개발자는 Firebase AI 로직 SDK를 사용하여 강력한 Gemini Pro, Gemini Flash, Imagen 모델을 비롯한 Google의 고급 생성형 AI 기능을 애플리케이션에 통합할 수 있습니다. 이 SDK는 대규모 데이터 요구사항을 위해 설계되었으며 이러한 고성능 멀티모달 AI 모델에 액세스할 수 있도록 하여 확장된 기능과 적응성을 제공합니다.
개발자는 Firebase AI 로직 SDK를 사용하여 최소한의 노력으로 Google의 AI 모델을 클라이언트 측에서 호출할 수 있습니다. Gemini Pro 및 Gemini Flash와 같은 이러한 모델은 클라우드에서 추론을 실행하고 Android 앱이 이미지, 오디오, 동영상, 텍스트를 비롯한 다양한 입력을 처리할 수 있도록 지원합니다. Gemini Pro는 복잡한 문제에 대한 추론과 광범위한 데이터 분석에 뛰어나며 Gemini Flash 시리즈는 뛰어난 속도와 대부분의 작업에 충분한 컨텍스트 윈도우를 제공합니다.
기존 머신러닝을 사용해야 하는 경우
생성형 AI는 텍스트, 이미지, 코드와 같은 콘텐츠를 만들고 수정하는 데 유용하지만 많은 실제 문제는 기존 머신러닝 (ML) 기술을 사용하여 더 효과적으로 해결할 수 있습니다. 이러한 기존 방법은 기존 데이터 내에서 예측, 분류, 감지, 패턴 이해와 관련된 작업에 탁월하며, 생성형 모델보다 효율성이 높고 계산 비용이 적으며 구현이 간단한 경우가 많습니다.
기존 ML 프레임워크는 완전히 새로운 출력을 생성하는 대신 입력 분석, 특성 식별 또는 학습된 패턴을 기반으로 예측하는 데 중점을 둔 애플리케이션에 강력하고 최적화된, 종종 더 실용적인 솔루션을 제공합니다. Google의 ML Kit, LiteRT, MediaPipe와 같은 도구는 특히 모바일 및 에지 컴퓨팅 환경에서 이러한 생성형이 아닌 사용 사례에 맞게 조정된 강력한 기능을 제공합니다.
ML Kit로 머신러닝 통합 시작하기
ML Kit는 사전 ML 전문 지식 없이도 일반적인 머신러닝 작업을 위한 프로덕션 준비가 완료된 모바일에 최적화된 솔루션을 제공합니다. 이 사용하기 쉬운 모바일 SDK는 Google의 ML 전문 지식을 Android 및 iOS 앱에 직접 제공하므로 개발자는 모델 학습 및 최적화 대신 기능 개발에 집중할 수 있습니다. ML Kit는 바코드 스캔, 텍스트 인식 (OCR), 얼굴 감지, 이미지 라벨 지정, 객체 감지 및 추적, 언어 식별, 스마트 답장과 같은 기능을 위한 사전 빌드된 API와 즉시 사용 가능한 모델을 제공합니다.
이러한 모델은 일반적으로 기기 내 실행에 최적화되어 있으며, 데이터가 기기에 남아 있는 경우가 많으므로 지연 시간이 짧고 오프라인 기능이 제공되며 사용자 개인 정보 보호가 강화됩니다. ML Kit를 선택하면 모델을 학습하거나 생성형 출력을 필요로 하지 않고도 모바일 앱에 기존 ML 기능을 빠르게 추가할 수 있습니다. Google의 최적화된 모델을 사용하거나 맞춤 TensorFlow Lite 모델을 배포하여 '스마트' 기능으로 앱을 효율적으로 개선하는 데 적합합니다.
ML Kit 개발자 사이트에서 포괄적인 가이드와 문서를 시작해 보세요.
LiteRT를 사용한 커스텀 ML 배포
더 효과적으로 제어하거나 자체 ML 모델을 배포하려면 LiteRT 및 Google Play 서비스에 기반한 맞춤 ML 스택을 사용하세요. 이 스택은 고성능 ML 기능을 배포하는 데 필요한 기본 요소를 제공합니다. LiteRT는 리소스 제약이 있는 모바일, 삽입형, 에지 기기에서 TensorFlow 모델을 효율적으로 실행하도록 최적화된 도구 키트로, 메모리, 전원, 저장용량을 덜 소비하면서 훨씬 작고 빠른 모델을 실행할 수 있습니다. LiteRT 런타임은 에지 기기의 다양한 하드웨어 가속기 (GPU, DSP, NPU)에 맞게 고도로 최적화되어 지연 시간이 짧은 추론을 지원합니다.
학습된 ML 모델(일반적으로 분류, 회귀, 감지용)을 컴퓨팅 성능이나 배터리 수명이 제한된 기기(예: 스마트폰, IoT 기기, 마이크로컨트롤러)에 효율적으로 배포해야 하는 경우 LiteRT를 선택합니다. 속도와 리소스 절약이 중요한 에지에 맞춤 또는 표준 예측 모델을 배포할 때 선호되는 솔루션입니다.
LiteRT를 사용한 ML 배포에 대해 자세히 알아보세요.
MediaPipe를 사용하여 앱에 실시간 인식 구현
MediaPipe는 라이브 및 스트리밍 미디어용으로 설계된 오픈소스, 크로스 플랫폼, 맞춤설정이 가능한 머신러닝 솔루션을 제공합니다. 손 추적, 자세 추정, 얼굴 메시 감지, 객체 감지와 같은 복잡한 작업을 위해 최적화된 사전 빌드된 도구를 활용하세요. 이러한 도구는 모두 휴대기기에서도 고성능의 실시간 상호작용을 지원합니다.
MediaPipe의 그래프 기반 파이프라인은 고도로 맞춤설정할 수 있으므로 Android, iOS, 웹, 데스크톱, 백엔드 애플리케이션에 맞게 솔루션을 조정할 수 있습니다. 동작 인식, AR 효과, 피트니스 추적, 아바타 제어와 같이 입력 분석 및 해석에 중점을 둔 사용 사례에서 실시간 센서 데이터(특히 동영상 스트림)를 즉시 파악하고 이에 반응해야 하는 애플리케이션의 경우 MediaPipe를 선택하세요.
솔루션을 살펴보고 MediaPipe로 빌드를 시작하세요.
접근 방식 선택: 기기 내 또는 클라우드
AI/ML 기능을 Android 앱에 통합할 때는 초기에 중요한 결정사항이 있습니다. 바로 처리를 사용자 기기에서 직접 실행할지 클라우드에서 실행할지 여부입니다. ML Kit, Gemini Nano, TensorFlow Lite와 같은 도구는 기기 내 기능을 사용 설정하는 반면, Firebase AI 로직이 포함된 Gemini 클라우드 API는 강력한 클라우드 기반 처리를 제공할 수 있습니다. 올바른 선택은 사용 사례와 사용자 요구사항에 관한 다양한 요인에 따라 달라집니다.
다음 사항을 고려하여 결정하세요.
- 연결 및 오프라인 기능: 애플리케이션이 인터넷 연결 없이 안정적으로 작동해야 하는 경우 Gemini Nano와 같은 기기 내 솔루션이 이상적입니다. 클라우드 기반 처리는 본질적으로 네트워크 액세스가 필요합니다.
- 데이터 개인 정보 보호: 개인 정보 보호상의 이유로 사용자 데이터가 기기에 있어야 하는 사용 사례의 경우 온디바이스 처리는 민감한 정보를 로컬에 보관하여 고유한 이점을 제공합니다.
- 모델 기능 및 태스크 복잡성: 클라우드 기반 모델은 훨씬 더 크고 강력하며 더 자주 업데이트되므로 매우 복잡한 AI 태스크에 적합하거나 더 높은 출력 품질과 광범위한 기능이 중요한 대규모 입력을 처리하는 경우에 적합합니다. 더 간단한 작업은 온디바이스 모델에서 잘 처리할 수 있습니다.
- 비용 고려사항: Cloud API에는 일반적으로 사용량 기반 가격 책정이 적용되므로 추론 횟수 또는 처리되는 데이터 양에 따라 비용이 확장될 수 있습니다. 기기 내 추론은 일반적으로 사용당 직접 요금이 청구되지 않지만 개발 비용이 발생하며 배터리 수명 및 전반적인 성능과 같은 기기 리소스에 영향을 줄 수 있습니다.
- 기기 리소스: 기기 내 모델은 사용자 기기의 저장용량을 사용합니다. 또한 타겟층이 기능을 사용할 수 있도록 하려면 Gemini Nano와 같은 특정 온디바이스 모델의 기기 호환성을 파악하는 것도 중요합니다.
- 미세 조정 및 맞춤설정: 특정 사용 사례에 맞게 모델을 미세 조정하는 기능이 필요한 경우 클라우드 기반 솔루션은 일반적으로 더 큰 유연성과 더 광범위한 맞춤설정 옵션을 제공합니다.
- 크로스 플랫폼 일관성: iOS를 비롯한 여러 플랫폼에서 일관된 AI 기능이 중요한 경우 Gemini Nano와 같은 일부 기기 내 솔루션은 아직 일부 운영체제에서만 사용할 수 있다는 점에 유의하세요.
사용 사례 요구사항과 사용 가능한 옵션을 신중하게 고려하면 Android 앱을 개선하고 사용자에게 지능적이고 맞춤화된 환경을 제공하는 데 적합한 AI/ML 솔루션을 찾을 수 있습니다.
AI/ML 솔루션 가이드
이 솔루션 가이드를 통해 AI/ML 기술을 Android 프로젝트에 통합하는 데 적합한 개발자 도구를 파악할 수 있습니다.
AI 기능의 주요 목표는 무엇인가요?
- A) 새 콘텐츠 (텍스트, 이미지 설명)를 생성하거나 간단한 텍스트 처리 (텍스트 요약, 교정, 재작성)를 수행하나요? → 생성형 AI로 이동합니다.
- B) 예측, 분류, 감지, 패턴 이해 또는 실시간 스트림 (예: 동영상/오디오) 처리를 위해 기존 데이터/입력을 분석하나요? → 기존 ML 및 인식으로 이동합니다.
기존 ML 및 인식
완전히 새로운 출력을 생성하는 대신 입력을 분석하거나, 특성을 식별하거나, 학습된 패턴을 기반으로 예측을 실행해야 합니다.
어떤 작업을 수행하고 계신가요?
- A) 사전 빌드된 일반적인 모바일 ML 기능을 빠르게 통합해야 하나요?
(예: 바코드 스캔, 텍스트 인식 (OCR), 얼굴 인식, 이미지 라벨 지정, 객체 감지 및 추적, 언어 ID, 기본 스마트 답장)
- → 사용: ML Kit (기존 API)
- 이유: 기존 모바일 ML 작업을 가장 쉽게 통합할 수 있으며, 기기 내 사용 (지연 시간 짧음, 오프라인, 개인 정보 보호)에 최적화된 경우가 많습니다.
- B) 인식 작업을 위해 실시간 스트리밍 데이터 (예: 동영상 또는 오디오)를 처리해야 하나요? (예: 손 추적, 자세 추정, 얼굴 메시, 동영상의 실시간 객체 감지 및 세분화)
- → 사용: MediaPipe
- 이유: 다양한 플랫폼에서 고성능 실시간 인식 파이프라인에 특화된 프레임워크입니다.
- C) 성능과 낮은 리소스 사용량을 우선하여 기기에서 자체 맞춤 학습 ML 모델 (예: 분류, 회귀, 감지)을 효율적으로 실행해야 하나요?
- → 사용: LiteRT (TensorFlow Lite 런타임)
- 이유: 모바일 및 에지 기기에 맞춤 모델을 효율적으로 배포하도록 최적화된 런타임 (소형 크기, 빠른 추론, 하드웨어 가속)입니다.
- D) 특정 작업에 맞게 자체 커스텀 ML 모델을 학습해야 하나요?
- → 사용: LiteRT (TensorFlow Lite 런타임) + 맞춤 모델 학습
- 이유: 모바일 및 에지 기기에 최적화된 맞춤 모델을 학습하고 배포하는 도구를 제공합니다.
- E) 고급 콘텐츠 분류, 감정 분석 또는 미묘한 차이가 있는 다양한 언어의 번역이 필요하나요?
- 기존 ML 모델 (LiteRT 또는 클라우드를 사용하여 배포할 수 있음)이 적합한지 또는 고급 NLU에 생성형 모델이 필요한지 고려합니다 (시작으로 돌아가서 A 선택). 클라우드 기반 분류, 감정 또는 번역의 경우:
- → 사용: 클라우드 기반 솔루션 (예: Google Cloud Natural Language API, Google Cloud Translation API(맞춤 백엔드 또는 Vertex AI를 사용하여 액세스할 수 있음) (오프라인이거나 개인 정보 보호가 중요한 경우 기기 내 옵션보다 우선순위가 낮음)
- 이유: 클라우드 솔루션은 강력한 모델과 광범위한 언어 지원을 제공하지만 연결이 필요하고 비용이 발생할 수 있습니다.
생성형 AI
새 콘텐츠를 만들거나, 요약하거나, 재작성하거나, 복잡한 이해 또는 상호작용 작업을 실행해야 합니다.
AI가 오프라인으로 작동해야 하거나 최대한의 데이터 개인 정보 보호(사용자 데이터를 기기에 보관)가 필요하거나 클라우드 추론 비용을 피하려면 어떻게 해야 하나요?
- A) 예, 오프라인, 최대한의 개인 정보 보호 또는 클라우드 비용 없음이 중요합니다.
- → 온디바이스 생성형 AI로 이동합니다.
- B) 아니요, 연결이 가능하고 허용되며, 클라우드 기능과 확장성이 더 중요하거나 특정 기능에 클라우드가 필요합니다.
- → Cloud 생성형 AI로 이동합니다.
기기 내 생성형 AI (Gemini Nano 사용)
주의사항: 호환되는 Android 기기 필요, 제한적인 iOS 지원, 특정 토큰 한도 (1,024 프롬프트, 4,096 컨텍스트), 클라우드에 있는 모델보다 성능이 떨어짐
사용 사례가 특히 ML Kit GenAI API에서 제공하는 간소화된 작업과 일치하나요? (텍스트 요약, 텍스트 교정, 텍스트 재작성, 이미지 설명 생성) 및 토큰 한도가 충분한가요?
- A) 예:
- → 사용: ML Kit GenAI API (Gemini Nano 기반)
- 이유: 기기 내에서 특정 일반적인 생성형 작업을 통합하는 가장 쉬운 방법이며, 우선순위가 가장 높은 기기 내 솔루션입니다.
- B) 아니요 (특정 ML Kit GenAI API 외에도 더 유연한 프롬프트 또는 작업이 필요하지만 Nano의 기능 내에서 기기 내 실행을 원하는 경우):
- → 사용: Gemini Nano 실험용 액세스
- 이유: 구조화된 ML Kit 생성형 AI API 이외의 사용 사례에 대해 기기 내에서 개방형 프롬프트 기능을 제공하며 Nano의 제한사항을 준수합니다.
Cloud 생성형 AI
더 강력한 모델을 사용하고, 연결이 필요하며, 일반적으로 추론 비용이 발생하며, 더 넓은 기기 도달범위와 더 쉬운 교차 플랫폼 (Android 및 iOS) 일관성을 제공합니다.
우선순위는 무엇인가요? Firebase 내에서의 통합 용이성인가요, 아니면 최대 유연성/제어인가요?
- A) 더 쉬운 통합, 관리형 API 환경을 선호하며 이미 Firebase를 사용하고 계신가요?
- → 사용: Firebase AI Logic SDK → Firebase AI Logic으로 이동
- B) 최대한의 유연성, 가장 광범위한 모델(서드 파티/맞춤 포함) 액세스, 고급 미세 조정이 필요하며 자체 백엔드 통합 (더 복잡함)을 관리할 의향이 있나요?
- → 사용: 맞춤 클라우드 백엔드 (Google Cloud Platform 사용)를 사용하는 Gemini API
- 이유: 가장 많은 제어 기능, 가장 광범위한 모델 액세스, 맞춤 학습 옵션을 제공하지만 상당한 양의 백엔드 개발 작업이 필요합니다. 복잡하거나 대규모이거나 고도로 맞춤설정된 요구사항에 적합합니다.
(Firebase AI Logic SDK를 선택함) 어떤 종류의 생성형 작업과 성능 프로필이 필요한가요?
- A) 속도가 중요한 일반 텍스트 생성, 요약 또는 채팅 애플리케이션에 적합한 성능과 비용의 균형이 필요합니까?
- → 사용: Gemini Flash를 사용한 Firebase AI 로직 SDK
- 이유: Vertex AI 관리 환경 내에서 속도와 효율성에 최적화되었습니다.
- B) 복잡한 텍스트 생성, 추론, 고급 NLU 또는 명령 수행을 위한 더 높은 품질과 기능이 필요하나요?
- → 사용: Gemini Pro를 사용한 Firebase AI 로직 SDK
- 이유: Firebase를 통해 액세스하는 까다로운 작업을 위한 더 강력한 텍스트 모델입니다.
- C) 텍스트 프롬프트를 기반으로 한 정교한 이미지 생성 또는 고급 이미지 이해 또는 조작이 필요하신가요?
- → 사용: Imagen 3을 사용한 Firebase AI 로직 SDK
- 이유: 관리 Firebase 환경을 사용하여 액세스하는 최신 이미지 생성 모델입니다.