המדריך הזה נועד לעזור לכם לשלב את הפתרונות של Google לבינה מלאכותית גנרטיבית ולמידת מכונה (AI/ML) באפליקציות שלכם. המדריך הזה מספק הנחיות שיעזרו לכם להבין את הפתרונות השונים של בינה מלאכותית ולמידת מכונה שזמינים לכם, ולבחור את הפתרון שהכי מתאים לצרכים שלכם. המטרה של המסמך הזה היא לעזור לכם להחליט באיזה כלי להשתמש ולמה, על ידי התמקדות בצרכים שלכם ובתרחישים לדוגמה.
כדי לעזור לכם לבחור את פתרון ה-AI/ML המתאים ביותר לדרישות הספציפיות שלכם, במסמך הזה יש מדריך פתרונות. המדריך כולל סדרה של שאלות על המטרות והמגבלות של הפרויקט, והתשובות עוזרות לכם לבחור את הכלים והטכנולוגיות המתאימים ביותר.
המדריך הזה יעזור לכם לבחור את פתרון ה-AI הטוב ביותר לאפליקציה שלכם. כדאי לקחת בחשבון את הגורמים הבאים: סוג הנתונים (טקסט, תמונות, אודיו, וידאו), מורכבות המשימה (סיכום פשוט לעומת משימות מורכבות שדורשות ידע מיוחד) וגודל הנתונים (קלט קצר לעומת מסמכים גדולים). כך תוכלו להחליט אם להשתמש ב-Gemini Nano במכשיר או ב-AI מבוסס-הענן של Firebase (Gemini Flash או Gemini Pro).
מנצלים את העוצמה של הסקת מסקנות במכשיר
כשמוסיפים תכונות מבוססות-AI ו-ML לאפליקציית Android, אפשר לבחור בין כמה דרכים להטמיע אותן – במכשיר או באמצעות הענן.
פתרונות במכשיר כמו Gemini Nano מספקים תוצאות ללא עלות נוספת, משפרים את פרטיות המשתמשים ומספקים פונקציונליות אמינה במצב אופליין, כי נתוני הקלט מעובדים באופן מקומי. היתרונות האלה יכולים להיות קריטיים בתרחישי שימוש מסוימים, כמו סיכום הודעות, ולכן חשוב לתת עדיפות לפתרונות במכשיר כשבוחרים את הפתרון המתאים.
Gemini Nano מאפשר לכם להריץ הסקה ישירות במכשיר עם Android. אם אתם עובדים עם טקסט, תמונות או אודיו, כדאי להתחיל עם ממשקי ה-API של GenAI ב-ML Kit כדי לקבל פתרונות מוכנים לשימוש. ממשקי ה-API של AI גנרטיבי ב-ML Kit מבוססים על Gemini Nano, ומשתמשים ב-AICore כשירות המערכת הבסיסי. הם מותאמים במיוחד למשימות ספציפיות במכשיר. ממשקי ה-API של GenAI ב-ML Kit הם דרך אידיאלית להעביר את האפליקציות שלכם לסביבת הייצור, כי הם מציעים ממשק ברמה גבוהה יותר וניתנים להרחבה. ממשקי ה-API האלה מאפשרים לשלוח בקשות בשפה טבעית עם קלט של טקסט ותמונות, וכך לבצע מגוון רחב של משימות כמו הבנת תמונות, תרגומים קצרים, סיכומים מודרכים ועוד.
למשימות של למידת מכונה מסורתית, יש לכם את הגמישות להטמיע מודלים מותאמים אישית משלכם. אנחנו מספקים כלים חזקים כמו ML Kit, MediaPipe, LiteRT ותכונות של Google Play כדי לייעל את תהליך הפיתוח.
באפליקציות שדורשות פתרונות מאוד מיוחדים, אפשר להשתמש במודל מותאם אישית משלכם, כמו Gemma או מודל אחר שמותאם לתרחיש השימוש הספציפי שלכם. מריצים את המודל ישירות במכשיר של המשתמש באמצעות LiteRT, שמספק ארכיטקטורות מודלים שתוכננו מראש לביצועים אופטימליים.
אפשר גם לשקול פיתוח פתרון היברידי שמבוסס על מודלים במכשיר וגם על מודלים בענן.
אפליקציות לנייד משתמשות בדרך כלל במודלים מקומיים לנתוני טקסט קטנים, כמו שיחות בצ'אט או מאמרים בבלוג. עם זאת, כשמדובר במקורות נתונים גדולים יותר (כמו קובצי PDF) או כשנדרש ידע נוסף, יכול להיות שיהיה צורך בפתרון מבוסס-ענן עם מודלים חזקים יותר של Gemini.
שילוב של מודלים מתקדמים של Gemini
מפתחי Android יכולים לשלב באפליקציות שלהם את היכולות המתקדמות של ה-AI הגנרטיבי של Google, כולל המודלים המתקדמים Gemini Pro ו-Gemini Flash, באמצעות Firebase AI Logic SDK. ה-SDK הזה מיועד לצרכים של נתונים גדולים יותר, ומספק יכולות מורחבות וגמישות על ידי מתן גישה למודלים של AI רב-אופנתי עם ביצועים גבוהים.
בעזרת Firebase AI Logic SDK, מפתחים יכולים לבצע קריאות בצד הלקוח למודלים של AI מבית Google בלי להתאמץ. המודלים האלה, כמו Gemini Pro ו-Gemini Flash, מריצים הסקה בענן ומאפשרים לאפליקציות ל-Android לעבד מגוון קלטים, כולל תמונות, אודיו, סרטונים וטקסט. Gemini Pro מצטיין בחשיבה רציונלית לגבי בעיות מורכבות ובניתוח נתונים נרחב, בעוד שמודלים מסדרת Gemini Flash מציעים מהירות גבוהה יותר וחלון ההקשר גדול מספיק לרוב המשימות.
מתי כדאי להשתמש בלמידת מכונה מסורתית
בינה מלאכותית גנרטיבית שימושית ליצירה ולעריכה של תוכן כמו טקסט, תמונות וקוד, אבל הרבה בעיות בעולם האמיתי נפתרות טוב יותר באמצעות טכניקות מסורתיות של למידת מכונה (ML). השיטות המוכחות האלה מצטיינות במשימות שכוללות חיזוי, סיווג, זיהוי והבנת דפוסים בנתונים קיימים, ולרוב הן יעילות יותר, עלות החישוב שלהן נמוכה יותר וההטמעה שלהן פשוטה יותר בהשוואה למודלים גנרטיביים.
מסגרות ML מסורתיות מציעות פתרונות חזקים, מותאמים ולעתים קרובות פרקטיים יותר לאפליקציות שמתמקדות בניתוח קלט, בזיהוי תכונות או בביצוע תחזיות על סמך דפוסים שנלמדו – ולא ביצירת פלט חדש לגמרי. כלים כמו ML Kit, LiteRT ו-MediaPipe של Google מספקים יכולות עוצמתיות שמותאמות לתרחישי השימוש האלה שאינם גנרטיביים, במיוחד בסביבות של מחשוב נייד ומחשוב קצה.
איך מתחילים לשלב למידת מכונה באמצעות ML Kit
ML Kit מציע פתרונות מוכנים לייצור ומותאמים לנייד למשימות נפוצות של למידת מכונה, ללא צורך במומחיות קודמת ב-ML. ה-SDK לנייד קל לשימוש ומאפשר לכם להשתמש במומחיות של Google בתחום למידת המכונה ישירות באפליקציות ל-Android ול-iOS. כך תוכלו להתמקד בפיתוח תכונות במקום באימון ובאופטימיזציה של מודלים. ML Kit מספק ממשקי API מוכנים מראש ומודלים מוכנים לשימוש לתכונות כמו סריקת ברקוד, זיהוי טקסט (OCR), זיהוי פנים, הוספת תוויות לתמונות, זיהוי ומעקב אחרי אובייקטים, זיהוי שפה ותשובה חכמה.
המודלים האלה בדרך כלל מותאמים לביצוע במכשיר, כדי להבטיח חביון נמוך, פונקציונליות אופליין ופרטיות משופרת של המשתמשים, כי הנתונים לרוב נשארים במכשיר. אפשר לבחור ב-ML Kit כדי להוסיף במהירות תכונות מבוססות-ML לאפליקציה לנייד, בלי לאמן מודלים או לדרוש פלט גנרטיבי. הוא אידיאלי לשיפור יעיל של אפליקציות באמצעות יכולות 'חכמות' בעזרת מודלים שעברו אופטימיזציה של Google או באמצעות פריסה של מודלים מותאמים אישית של TensorFlow Lite.
כדי להתחיל, אפשר להיעזר במדריכים ובמסמכי התיעוד המקיפים שלנו באתר המפתחים של ML Kit.
פריסת ML בהתאמה אישית באמצעות LiteRT
כדי לקבל שליטה רבה יותר או כדי לפרוס מודלים משלכם של למידת מכונה, אתם יכולים להשתמש במערך מותאם אישית של למידת מכונה שמבוסס על LiteRT ועל Google Play Services. החבילה הזו מספקת את כל מה שצריך כדי לפרוס תכונות של ML עם ביצועים גבוהים. LiteRT הוא ערכת כלים שעברה אופטימיזציה להרצת מודלים של TensorFlow ביעילות במכשירים ניידים, במכשירים מוטמעים ובמכשירי קצה עם משאבים מוגבלים. כך תוכלו להריץ מודלים קטנים ומהירים יותר באופן משמעותי, שצורכים פחות זיכרון, חשמל ונפח אחסון. זמן הריצה של LiteRT מותאם מאוד למאיצי חומרה שונים (GPU, DSP, NPU) במכשירי קצה, ומאפשר הסקת מסקנות עם זמן אחזור קצר.
כדאי לבחור ב-LiteRT כשצריך לפרוס ביעילות מודלים מאומנים של ML (בדרך כלל לסיווג, לרגרסיה או לזיהוי) במכשירים עם כוח מחשוב מוגבל או חיי סוללה מוגבלים, כמו סמארטפונים, מכשירי IoT או מיקרו-בקרים. זהו הפתרון המועדף לפריסת מודלים סטנדרטיים או מותאמים אישית של חיזוי בקצה הרשת, במקרים שבהם המהירות וחיסכון במשאבים הם בעלי חשיבות עליונה.
מידע נוסף על פריסת ML באמצעות LiteRT
שילוב של תפיסה בזמן אמת באפליקציות באמצעות MediaPipe
MediaPipe מספקת פתרונות ללמידת מכונה בקוד פתוח, שפועלים בכמה פלטפורמות וניתנים להתאמה אישית. הפתרונות האלה מיועדים למדיה בשידור חי ולסטרימינג של מדיה. ליהנות מכלים מובנים שעברו אופטימיזציה לביצוע משימות מורכבות כמו מעקב ידיים, הערכת תנוחות, זיהוי רשת פנים וזיהוי אובייקטים, והכול מאפשר אינטראקציה בזמן אמת עם ביצועים גבוהים, גם במכשירים ניידים.
צינורות הנתונים מבוססי-הגרפים של MediaPipe ניתנים להתאמה אישית רבה, ומאפשרים לכם להתאים פתרונות לאפליקציות ל-Android, ל-iOS, לאינטרנט, למחשב ול-backend. כדאי לבחור ב-MediaPipe אם האפליקציה צריכה להבין ולהגיב באופן מיידי לנתוני חיישנים בזמן אמת, במיוחד לסטרימינג של סרטונים, לתרחישי שימוש כמו זיהוי תנועות, אפקטים של מציאות רבודה, מעקב אחר כושר או שליטה באווטאר – כל אלה מתמקדים בניתוח של קלט ובהסבר שלו.
אפשר לעיין בפתרונות ולהתחיל לפתח באמצעות MediaPipe.
שילוב האפליקציה עם העוזר הדיגיטלי במכשיר
בעוד ששילוב AI מסורתי מתמקד ב'הוספת AI לאפליקציה', אפשר גם 'להוסיף את האפליקציה ל-AI'. כשאתם משלבים את הפונקציונליות של האפליקציה שלכם בתכונות AI של המערכת, אתם מאפשרים לעוזרים דיגיטליים ברמת המערכת (כמו Gemini) לגלות את היכולות של האפליקציה שלכם ולהפעיל אותן באופן אוטומטי. הדרך העיקרית לשילוב הזה היא באמצעות AppFunctions, שמאפשרת לאפליקציה שלכם להשתתף במערכת האקולוגית הרחבה של AI ב-Android. לעומת זאת, אם האפליקציה שלכם מארחת נציגים מתוך האפליקציה שצריכים להחזיר ממשק משתמש אינטראקטיבי למשתמשים, צריך להשתמש בJetpack Compose A2UI Renderer כדי להציג ממשקים מבוססי-נציגים באופן מקורי.
בחירת גישה
כשמשלבים AI כדי לשפר את אפליקציית Android, כדאי לשקול שלוש גישות עיקריות: ביצוע עיבוד במכשיר, שימוש במודלים מבוססי-ענן או הוספת הפונקציונליות של האפליקציה ל-AI ברמת המערכת. כלים כמו ML Kit, Gemini Nano ו-LiteRT מאפשרים יכולות עיבוד במכשיר, בעוד שממשקי Gemini Cloud API עם Firebase AI Logic מספקים עיבוד עוצמתי מבוסס-ענן. AppFunctions מייצג נתיב שלישי, שמאפשר לכם "להכניס את האפליקציה שלכם ל-AI" על ידי הפיכת התכונות שלה לזמינות למערכת באמצעות סוכן.
כשבוחרים את הגישה, כדאי להביא בחשבון את הגורמים הבאים:
| פירוק לגורמים | פתרונות במכשיר | פתרונות ענן |
|---|---|---|
| קישוריות ופונקציונליות אופליין | אידיאלי לשימוש אופליין; פועל בלי חיבור לרשת. | נדרש חיבור לרשת כדי לתקשר עם שרתים מרוחקים. |
| פרטיות נתונים | מעבדת ומאחסנת מידע אישי רגיש באופן מקומי במכשיר. | הנתונים מועברים לענן, ולכן צריך לבטוח באבטחה של הספק. |
| קלות הגילוי ופוטנציאל החשיפה | שילוב ישיר במערכת ההפעלה (AppFunctions) מאפשר לעוזרים וירטואליים לגלות תכונות. | הגילוי מוגבל בדרך כלל לממשק המשתמש הפנימי של האפליקציה או לשילובי API ספציפיים. |
| יכולות המודל | אופטימיזציה לזמן אחזור נמוך ולמשימות ספציפיות ופחות אינטנסיביות. | מודלים מתקדמים שיכולים להתמודד עם מורכבות גבוהה ועם קלט גדול. |
| שיקולי עלות | אין חיובים ישירים לכל שימוש, והשירות משתמש בחומרה הקיימת של המכשיר. | בדרך כלל כולל תמחור לפי שימוש או עלויות מינוי שוטפות. |
| משאבים למכשירים | האפליקציה משתמשת באחסון מקומי, בזיכרון RAM ובחיי הסוללה. | ההשפעה המקומית מינימלית, והעבודה הכבדה מועברת לשרת. |
| כוונון עדין | גמישות מוגבלת; מוגבל על ידי יכולות החומרה המקומיות. | גמישות רבה יותר להתאמה אישית נרחבת ולשינויים בקנה מידה גדול. |
| עקביות בפלטפורמות שונות | הזמינות עשויה להשתנות בהתאם למערכת ההפעלה ולתמיכה בחומרה. | חוויה עקבית בכל פלטפורמה עם גישה לאינטרנט. |
אם תבחנו בקפידה את הדרישות של תרחיש השימוש ואת האפשרויות הזמינות, תוכלו למצוא את הפתרון המושלם של AI/ML לשיפור אפליקציית Android ולספק למשתמשים חוויות חכמות ומותאמות אישית.
מדריך לפתרונות מבוססי-AI/ML
מדריך הפתרונות הזה יעזור לכם לזהות את כלי הפיתוח המתאימים לשילוב טכנולוגיות AI/ML בפרויקטים שלכם ב-Android.
מה המטרה העיקרית של תכונת ה-AI?
- א) יצירת תוכן חדש (טקסט, תיאורי תמונות) או ביצוע עיבוד טקסט פשוט (סיכום, הגהה או שכתוב של טקסט)? → עוברים אל AI גנרטיבי
- ב) ניתוח נתונים/קלט קיימים לצורך חיזוי, סיווג, זיהוי, הבנת דפוסים או עיבוד של סטרימינג בזמן אמת (כמו וידאו/אודיו)? → מעבר אל Traditional ML & Perception
- ג) שיפור הפונקציונליות של האפליקציה כדי לשלב אותה עם תכונות מבוססות-AI של המערכת (הוספת האפליקציה ל-AI)? → איך להוסיף את האפליקציה ל-AI
- ד) הצגת ממשק משתמש דינמי ואינטראקטיבי שנוצר על ידי סוכני AI? → איך משתמשים בסוכנים כדי ליצור ממשק משתמש
למידת מכונה מסורתית ותפיסה
אתם צריכים לנתח קלט, לזהות תכונות או ליצור תחזיות על סמך דפוסים שנלמדו, ולא ליצור פלט חדש לגמרי.
מהי המשימה הספציפית שאתה מבצע?
- א) רוצים לשלב במהירות תכונות נפוצות של למידת מכונה לנייד, שמוכנות מראש?
(למשל: סריקת ברקוד, זיהוי טקסט (OCR), איתור פנים, הוספת תוויות לתמונות, זיהוי אובייקטים ומעקב, זיהוי שפה, תשובה מהירה בסיסית)
- → שימוש ב: ML Kit (ממשקי API מסורתיים)
- למה: זו הדרך הכי קלה לשלב משימות ML בנייד, והיא לרוב מותאמת לשימוש במכשיר (חביון נמוך, מצב אופליין, פרטיות).
- ב) צריך לעבד נתוני סטרימינג בזמן אמת (כמו וידאו או אודיו) למשימות תפיסה? (למשל, מעקב ידיים, הערכת תנוחה, רשת פנים,
זיהוי ופילוח אובייקטים בזמן אמת בסרטון)
- → שימוש ב: MediaPipe
- למה: מסגרת שמתמחה בצינורות עיבוד נתונים של תפיסה בזמן אמת עם ביצועים גבוהים בפלטפורמות שונות.
- ג) אתם צריכים להפעיל ביעילות מודל ML בהתאמה אישית (למשל, לסיווג, לרגרסיה, לזיהוי) במכשיר, תוך מתן עדיפות לביצועים ולשימוש נמוך במשאבים?
- → שימוש ב: LiteRT (TensorFlow Lite Runtime)
- למה: זמן ריצה אופטימלי לפריסת מודלים מותאמים אישית ביעילות במכשירים ניידים ובמכשירי קצה (גודל קטן, הסקה מהירה, האצת חומרה).
- ד) צריך לאמן מודל מותאם אישית של למידת מכונה לביצוע משימה ספציפית?
- → שימוש ב: LiteRT (TensorFlow Lite Runtime) + אימון מודל בהתאמה אישית
- למה: מספקת את הכלים לאימון ולפריסה של מודלים בהתאמה אישית, שעברו אופטימיזציה לניידים ולמכשירי קצה.
- ה) אתם צריכים סיווג מתקדם של תוכן, ניתוח סנטימנט או תרגום של שפות רבות עם ניואנסים מורכבים?
- כדאי לשקול אם מודלים מסורתיים של למידת מכונה (שעשויים להיות פרוסים באמצעות LiteRT או ענן) מתאימים, או אם מודלים גנרטיביים נדרשים ל-NLU מתקדם (חוזרים להתחלה ובוחרים באפשרות א'). לסיווג, לניתוח סנטימנט או לתרגום מבוססי-ענן:
- → שימוש: פתרונות מבוססי-ענן (לדוגמה, Google Cloud Natural Language API, Google Cloud Translation API, שגישה אליהם יכולה להתבצע באמצעות קצה עורפי מותאם אישית או Gemini Enterprise Agent Platform). (עדיפות נמוכה יותר מאפשרויות במכשיר אם המשתמש במצב אופליין או אם הפרטיות חשובה לו).
- למה: פתרונות מבוססי-Cloud מציעים מודלים מתקדמים ותמיכה בשפות רבות, אבל הם דורשים חיבור לאינטרנט ועשויים להיות כרוכים בעלויות.
AI גנרטיבי
אתם צריכים ליצור תוכן חדש, לסכם, לשכתב או לבצע משימות מורכבות של הבנה או אינטראקציה.
האם אתם רוצים שה-AI יפעל אופליין, שיהיה לכם מקסימום פרטיות נתונים (כלומר, שנתוני המשתמש יישארו במכשיר) או שאתם רוצים להימנע מעלויות של הסקת מסקנות בענן?
- א) כן, מצב אופליין, פרטיות מקסימלית או עלות אפס בענן הם קריטיים.
- ב) לא, יש קישוריות זמינה ומתאימה, יכולות הענן והגמישות חשובות יותר, או שתכונות ספציפיות דורשות ענן.
AI גנרטיבי במכשיר (באמצעות Gemini Nano)
הערות: נדרשים מכשירי Android תואמים, תמיכה מוגבלת ב-iOS, המודלים פחות חזקים מהמודלים המקבילים בענן.
באמצעות Prompt API של ML Kit, אתם יכולים לשלוח בקשות בשפה טבעית עם קלט של טקסט בלבד או טקסט ותמונה למגוון תרחישי שימוש, כמו הבנת תמונות, תרגומים קצרים וסיכומים מונחים. אם תרחישי השימוש שלכם עומדים במגבלות האלה על אסימונים, ממשקי ה-API של ML Kit GenAI הם האפשרות הכי טובה ל-AI גנרטיבי במכשיר. בנוסף, ML Kit מציע ממשקי API יעילים למשימות נפוצות כמו סיכום ותשובה מהירה.
- ← שימוש ב: ML Kit GenAI APIs (מופעל על ידי Gemini Nano)
- הסיבה: הדרך הכי קלה לשלב משימות של AI גנרטיבי במכשיר באמצעות הנחיות בשפה טבעית. זהו הפתרון במכשיר עם העדיפות הכי גבוהה.
AI גנרטיבי ב-Cloud
השיטה הזו משתמשת במודלים חזקים יותר, דורשת קישוריות, בדרך כלל כוללת עלויות היקש, מציעה טווח רחב יותר של מכשירים ועקביות קלה יותר בפלטפורמות שונות (Android ו-iOS).
מה חשוב לך יותר: שילוב קל ב-Firebase או גמישות ושליטה מקסימליות?
- א) אתם מעדיפים שילוב קל יותר, חוויית API מנוהלת, וכנראה כבר משתמשים ב-Firebase?
- → שימוש: Firebase AI Logic SDK → מעבר אל Firebase AI Logic
- ב) אתם צריכים גמישות מקסימלית, גישה למגוון רחב של מודלים (כולל מודלים של צד שלישי או מודלים בהתאמה אישית), כוונון עדין מתקדם, ומוכנים לנהל את השילוב שלכם עם העורף (מורכב יותר)?
- → שימוש ב-Gemini API עם עורף ענן מותאם אישית (באמצעות Google Cloud Platform)
- הסיבה: האפשרות הזו מספקת את השליטה המקסימלית, גישה למגוון רחב של מודלים ואפשרויות אימון בהתאמה אישית, אבל היא דורשת מאמץ משמעותי בפיתוח של קצה העורף. מתאים לצרכים מורכבים, רחבי היקף או מותאמים אישית.
(בחרת ב-Firebase AI Logic SDK) איזה סוג של משימה גנרטיבית ופרופיל ביצועים דרושים לך?
- א) אתם צריכים איזון בין ביצועים לעלות, שמתאים ליצירת טקסט כללי, לסיכום או לאפליקציות צ'אט שבהן המהירות חשובה?
- → שימוש ב: Firebase AI Logic SDK עם Gemini Flash
- למה: עבר אופטימיזציה למהירות וליעילות בסביבה המנוהלת של Google Cloud.
- ב) אתם צריכים איכות ויכולות גבוהות יותר ליצירת טקסט מורכב,
הסקת מסקנות, הבנת שפה טבעית מתקדמת או ביצוע הוראות?
- → שימוש ב: Firebase AI Logic SDK עם Gemini Pro
- למה: מודל טקסט יעיל יותר למשימות מורכבות, עם גישה דרך Firebase.
AppFunctions
צריך לשפר את הפונקציונליות של האפליקציה כדי לשלב אותה עם תכונות AI של המערכת (הוספת האפליקציה ל-AI).
- → שימוש: AppFunctions
- למה: כדי לאפשר לתכונות מבוססות-AI במערכת, כמו Assistant, לגלות את היכולות של האפליקציה ולהפעיל אותן.
שימוש בסוכנים כדי ליצור ממשק משתמש שמשתמש ב-Jetpack Compose וב-Material 3
אתם צריכים להציג ממשק משתמש אינטראקטיבי שנוצר או התבקש על ידי סוכני AI באפליקציה שלכם.
- → שימוש ב: הכלי לעיבוד הממשק של A2UI ב-Jetpack Compose
- למה: מאפשר לסוכנים "לדבר ממשק משתמש" באמצעות פרוטוקול סוכן לממשק משתמש (A2UI), ולעבד תגובות דינמיות של סוכנים כרכיבים מקוריים של Jetpack Compose ו-Material 3 עם טיפול מלא במצב ובאירועים.