Mata merah yang tidak berkedip melihat balik ke arah penggunanya. Sistem tersebut berbicara dengan suara yang datar dan kaku. “Maafkan aku, Dave,” katanya. “Sayangnya, aku tidak dapat melakukannya.” Dalam adegan ikonik ini dari film tahun 2001: A Space Odyssey, sang tokoh utama berhadapan dengan asisten paling tidak berguna di dunia, HAL 9000. Atas nama perlindungan diri, sistem AI mengganti perintahnya, yang menyebabkan kematian para awak kapal. Ini bukan masa depan yang ingin dilihat oleh siapa pun. Orang-orang ingin komputer yang membantu umat manusia, bukan dengan menggantikan atau mengganggu manusia. Mereka mengharapkan dunia yang utopia, bukan yang dystopia, dunia yang teknologinya mampu menemukan solusi, bukan malah menambah masalah. Teknologi saat ini lebih canggih daripada sebelumnya - jadi, cara kami membangun dan menggunakannya harus sama pentingnya dengan cara kerjanya. Dengan menempatkan karakter yang manusiawi di posisi utama, kami dapat membuat teknologi yang akan menciptakan masa depan yang lebih baik.

Tentu saja bukan berarti kami harus menunggu lama sampai saat itu tiba. Berbagai teknologi pendukung yang diberdayakan oleh terobosan dalam machine learning sudah membuat kehidupan sehari-hari kita menjadi lebih mudah dan lebih bervariasi. Mobil otomatis yang berpotensi mengurangi kemacetan, pencemaran, dan kecelakaan lalu lintas mulai muncul di masyarakat. Meskipun teknologi lain, seperti alat terjemahan berteknologi ML, software diagnostik medis, dan perangkat yang kontekstual adalah bagian dari rutinitas harian orang-orang. Fitur termasuk Smart Compose di Gmail, yang memunculkan saran saat pengguna mengetik pesan; Transkripsi Instan di Android, yang dapat membantu tunarungu atau orang yang memiliki gangguan pendengaran menerima teks speech-to-text instan dalam lebih dari 70 bahasa dan dialek; atau Asisten Google yang selalu mendukung, yang membantu jutaan orang mengikuti jadwal harian mereka, menampilkan visi Google untuk menciptakan masa depan yang lebih baik dengan teknologi.

Tidak ada ide inovasi berguna yang lebih penting selain yang ada di perangkat seluler. Sejak diluncurkan tahun 2008, Android telah menjadi platform seluler yang paling populer di dunia. Kemajuan dalam pengenalan citra dengan machine learning berarti pengguna dapat mengarahkan kamera smartphonenya ke teks dan membuatnya diterjemahkan langsung ke 88 bahasa berbeda melalui Google Terjemahan. Dengan adanya ponsel yang menjadi perangkat pilihan di seluruh dunia, terutama di pasar yang berkembang pesat dalam pertumbuhan dunia, sangat penting untuk menggunakan alat baru dengan aplikasi yang berpusat pada manusia. Inovasi yang bermanfaat akan berpotensi mengubah cara kita mengakses, menggunakan, dan menafsirkan informasi, membuatnya tersedia saat kita membutuhkannya, di tempat yang paling kita butuhkan.

Contohnya, teknologi yang dapat memperkirakan banjir dan menyampaikan peringatan langsung kepada mereka yang terkena dampak. Atau bahkan mengambil foto singkat sebuah benda, misalnya cangkir kopi, dan mendapatkan petunjuk arah ke lokasi daur ulang terdekat. Mengembangkan teknologi baru bukanlah jalur yang mudah. Ini bergantung pada kemajuan dalam hardware, penemuan baru dalam software, dan developer yang menciptakan pengalaman baru ini. Dengan berfokus pada “Inovasi yang Berguna”, Tantangan Developer Android mewujudkan contoh machine learning secara nyata untuk pengguna dan menginspirasi armada developer di masa mendatang guna membuka peluang yang dapat dilakukan dengan teknologi baru ini.

Jika Anda baru saja lulus kuliah, tikus adalah makhluk menjengkelkan yang terkadang merayap di sekitar kamar Anda di malam hari. Anda hanya pernah menggunakan mouse komputer beberapa kali, dan terhubung ke sistem yang sudah usang di ruang bawah tanah perpustakaan sekolah. Namun, percaya tidak percaya, mouse komputer adalah terobosan yang sangat penting untuk mempersonalisasi komputasi, yang membuat kita lebih mudah untuk berinteraksi dengan komputer.

Pada saat pendiri Digital Equipment Corporation, seorang produsen komputer Amerika terkemuka dari tahun 1960-an hingga 1990-an, mengatakan "tidak ada orang yang menginginkan komputer di rumah mereka,” Steve Jobs menciptakan antarmuka pengguna grafis (GUI) – dengan mouse yang menjadi alat utama – mengantar orang ke dalam komputasi pribadi dan era baru dalam desain. Sejak itu, desain komputasi telah melalui dua revolusi yang lebih penting, masing-masing memberikan perubahan selangkah lebih maju, untuk menjadikan interaksi kita dengan perangkat terasa lebih akrab, lebih personal, dan lebih manusiawi.

Android dan iOS mengantarkan perubahan penting yang pertama, dengan tren penggunaan seluler. Pada awalnya, seluler berarti segala sesuatunya serba minimalis: layar lebih kecil, lebih sedikit daya, lebih sedikit fitur. Namun, developer dengan segera menyadari bahwa fungsinya jauh lebih banyak. Menggesek, mengetuk, menyentuh, menyodok—istilah-istilah seluler– yang dibuat dengan pemikiran melampaui sekadar alat komunikasi; kanvas kita bukan lagi sebatas monitor, kini ada lapisan demi lapisan informasi, sudah siap dan menunggu untuk melayani Anda. Dengan konteks lokasi, identitas, Sejak itu, desain komputasi telah melalui dua revolusi yang lebih penting, masing-masing memberikan perubahan selangkah lebih maju, untuk menjadikan interaksi kita dengan perangkat terasa lebih akrab, lebih personal, dan lebih manusiawi.

Android dan iOS mengantarkan perubahan penting yang pertama, dengan tren penggunaan seluler. Pada awalnya, seluler berarti segala sesuatunya serba minimalis: layar lebih kecil, lebih sedikit daya, lebih sedikit fitur. Namun, developer dengan segera menyadari bahwa fungsinya jauh lebih banyak. Menggesek, mengetuk, menyentuh, menyodok—istilah-istilah seluler– yang dibuat dengan pemikiran melampaui sekadar alat komunikasi; kanvas kita bukan lagi sebatas monitor, kini ada lapisan demi lapisan informasi, sudah siap dan menunggu untuk melayani Anda. Dengan konteks lokasi, identitas, gerakan, pengalaman manusia kini terbuka melalui jaringan seluler yang tadinya hanya dapat disediakan melalui tampilan desktop. Machine learning, perubahan penting berikutnya, telah membawa evolusi menuju desain yang lebih berfokus pada karakter manusia.

Mungkin jika komputer pernah berada di rumah Anda, akan terasa lazim saja untuk Anda bercakap-cakap dengannya. Atau bahkan mengarahkan kamera ke bunga yang indah, gunakan Google Lens untuk mengidentifikasi jenis bunga yang ada, lalu setel pengingat untuk memesan rangkaian bunga untuk Ibu “Google Lens dapat menggunakan model computer vision untuk memperluas dan mempercepat penelusuran”, kata Jess Holbrook, Staf Riset Pengguna Senior di Google dan Co-Lead dari tim Riset Manusia + AI. “Anda tidak selalu memerlukan kamera untuk melakukan penelusuran, namun berguna – jika Anda lupa nama sesuatu atau harus berhenti untuk kemudian mengetik deskripsi yang panjang. Akan jauh lebih cepat jika Anda menggunakan kamera.”

T: Apa yang mendorong kerja dan minat Anda pada AI?

A. Saya tertarik mengembangkan teknologi dan menggunakannya untuk mengatasi masalah sulit dengan cara yang dapat menimbulkan perubahan. Project yang sedang saya kerjakan meliputi upaya AI percakapan seperti Google Duplex, sistem otomatis yang menggunakan suara terdengar alami untuk melakukan tugas melalui telepon seperti melakukan pemesanan di restoran; Read It, yang memungkinkan Asisten Google membaca artikel web dengan keras dari ponsel; dan teknologi di perangkat seperti Penyaringan Panggilan dan Teks Otomatis. Saya juga sangat tertarik dengan penggunaan AI secara umum untuk kepentingan sosial. Contohnya mencakup prediksi yang lebih baik mengenai akan datangnya banjir menggunakan machine learning, cloud computing, simulasi hidrolik, dan teknologi lainnya.

T: Bagaimanakah inisiatif AI for Social Good terbentuk?

A. Salah satu atribut cantik yang saya lihat dalam budaya Google adalah banyak orang yang peduli tentang cara memecahkan masalah yang penting menggunakan teknologi. AI untuk kepentingan sosial dapat terjadi di banyak bidang: kesehatan, keragaman hayati, membantu aksesibilitas, tanggap krisis, melestarikan bumi, dan sebagainya. Beberapa dari kami di Google berkumpul dan mengidentifikasi masalah, yang, jika kami dapat membantu menyelesaikannya, dapat benar-benar bermanfaat bagi kehidupan seseorang dan masyarakat dengan cara yang substansial. Jadi, kami menciptakan AI for Social Good untuk mendukung siapa saja – di dalam atau di luar Google – yang bekerja pada inisiatif yang terkait dengan barang sosial. Teknologi machine learning saat ini, yang tersedia melalui cloud, memungkinkan banyak orang di seluruh dunia mendapatkan alat untuk mengidentifikasi, dan berpotensi memecahkan masalah sosial yang nyata. Hal itu tak tertandingi dalam sejarah.

T: Peran apa yang dapat dimainkan oleh teknologi pada perangkat?

Perangkat seluler masa kini semakin canggih. Dengan begitu, kami mendapatkan kesempatan untuk memanfaatkan teknik machine learning yang dapat berjalan di perangkat. Hal ini penting karena beberapa alasan, seperti kemampuan untuk mengakses aplikasi tertentu secara instan dan tidak bergantung pada konektivitas. Hal ini juga penting dalam situasi ketika Anda mungkin menangani data pribadi, ketika Anda menginginkan apa pun supaya tidak tertinggal di luar perangkat. Penyaringan Panggilan, Teks Otomatis, dan Live Relay adalah contoh bagaimana penggunaan AI percakapan pada perangkat dapat membantu orang-orang memiliki kontrol yang lebih baik atas panggilan masuk, memungkinkan orang yang mengalami kesulitan mendengar melihat teks langsung dari kalimat yang diucapkan, dan bahkan melakukan percakapan telepon.

T: Mengapa kecerdasan yang berhubungan dengan lingkungan itu selayaknya seperti pengubah kebiasaan?

A. Kecanggihan teknologi yang berguna muncul ketika teknologi tersebut begitu melekat di lingkungan kita sehingga dapat langsung berfungsi tanpa kita harus memperhatikannya. Banyak teknologi yang awalnya mengejutkan kita, tetapi tak lama kemudian kita menganggapnya sebagai hal yang wajar. AI Percakapan menghilangkan hambatan modalitas dan bahasa, serta memungkinkan interaksi yang lebih baik. Dengan mengarahkan supaya mesin memahami kita dengan lebih baik dan berbicara kepada kita dengan cara yang wajar – secara praktis menjadi kebiasaan baru - pengguna dapat menghilangkan beban kognitif yang tadinya harus secara eksplisit meminta sesuatu untuk dilakukan dan berinteraksi secara lebih alami.

T: Mengapa sangat penting untuk alat machine learning agar dapat diakses dengan mudah?

A. Tantangan Developer Android menunjukkan pentingnya membuka teknologi cloud dan teknologi pada perangkat. Kami senang melihat inovasi yang berasal dari mana saja dan siapa saja. Kami ingin dapat mendorong, mendukung, menginspirasi, dan menyarankan di mana saja kami bisa. Saya sangat senang tentang yang saya lihat dari orang-orang yang berpartisipasi dengan program ini. Apabila kami dapat membantu memperluas tujuan mereka secara global, dan memanfaatkan teknologi terbaru, kami akan melihat hasil yang luar biasa dan inovatif, yang dapat benar-benar bermanfaat untuk banyak orang.

Bagaimana cara memanfaatkan alat dan kapabilitas machine learning yang revolusioner pada perangkat seluler? Jawabannya adalah TensorFlow Lite. Framework machine learning yang canggih ini dapat membantu menjalankan model machine learning di perangkat Android dan iOS yang biasanya tidak pernah mampu mendukungnya. Saat ini, TensorFlow Lite aktif di miliaran perangkat di seluruh dunia. Kumpulan alatnya dapat digunakan untuk semua jenis aplikasi yang berkaitan dengan jaringan neural, mulai dari deteksi gambar hingga pengenalan ucapan, menghadirkan teknologi terbaru ke perangkat yang kita bawa ke mana pun kita pergi.

TensorFlow Lite memungkinkan sebagian besar pemrosesan machine learning dilakukan pada perangkat itu sendiri, menggunakan model yang kurang intensif secara komputasi, yang tidak harus bergantung pada server atau pusat data. Model ini berjalan lebih cepat, menawarkan potensi peningkatan privasi, membutuhkan lebih sedikit daya (konektivitas dapat menjadi sumber daya baterai), dan yang terpenting, dalam beberapa kasus, tidak memerlukan sambungan internet. Di Android, TensorFlow Lite mengakses akselerator seluler spesialis melalui Jaringan Neural API yang memberikan performa yang lebih baik sekaligus mengurangi penggunaan daya.

“TensorFlow Lite memungkinkan kasus penggunaan yang sebelumnya tidak mungkin dilakukan karena latensi keluar-masuk ke server menjadikan aplikasi tersebut sebagai non-pemula,” kata Sarah Sirajuddin, Direktur Teknik untuk TensorFlow Lite. “Contohnya adalah pengenalan ucapan di perangkat, fitur interaktif video real-time, dan penyempurnaan real-time pada saat pengambilan foto.” “Inovasi dalam bidang ini telah luar biasa dan masih banyak lagi yang akan datang,” lanjutnya. “Aspek lain yang menarik dari hal ini adalah menjadikan machine learning lebih mudah, membantu memberdayakan kreativitas dan bakat.”

Narasi oleh Luke Dormehl

Ilustrasi oleh Sarah Maxwell

ML Kit menghadirkan teknologi machine learning pada perangkat untuk developer aplikasi seluler, sehingga developer dapat membangun pengalaman yang disesuaikan dan interaktif pada aplikasi tersebut. Alat ini mencakup berbagai alat seperti terjemahan bahasa, pengenalan teks, deteksi objek, dan banyak lagi. ML Kit memungkinkan untuk mengidentifikasi, menganalisis, dan sampai batas tertentu, memahami data visual dan teks secara real-time, dan dengan cara yang berfokus pada privasi pengguna, karena data tetap tersimpan di perangkat. “Ini membuat machine learning menjadi lebih mudah diterapkan,” kata Brahim Elbouchikhi, Direktur Pengelolaan Produk.

“Kami membuat model ML Google terbaik di kelasnya, yang tersedia sebagai serangkaian alat sederhana, sehingga developer tidak perlu lagi menjadi pakar ML untuk membuat aplikasi yang diberdayakan oleh ML. Semua kerumitan tersembunyi, sehingga developer dapat berfokus pada produk intinya.” Misalnya, fitur seperti ID Bahasa membantu Anda mengidentifikasi bahasa string teks, dan Deteksi dan Pelacakan Objek dapat membantu melokalkan dan melacak secara real time satu atau beberapa objek dalam gambar atau feed kamera langsung.

Teknologi inilah yang membantu memenangkan aplikasi di Tantangan Developer Android seperti Trashly membedakan antara materi yang dapat didaur ulang dan yang tidak dapat didaur ulang,atau UnoDogs membantu membedakan antara anjing yang sehat dan tidak sehat. Lalu, bagaimana dengan masa depan? Tujuannya adalah agar penggunaan teknologi menjadi kebiasaan di masyarakat dan agar perangkat lebih memahami kebutuhan kita, kata Elbouchikhi. “ML Kit membantu kami memenuhi janji tersebut, memungkinkan developer untuk menciptakan pengalaman yang intuitif dan adaptif, dengan cara yang meningkatkan privasi dan kepercayaan pengguna.”

Narasi oleh Joanna Goodman

Ilustrasi oleh Tor Brandt

Saat ini, lebih dari 400 juta orang menggunakan layanan yang disebut uang seluler berdasarkan kebutuhan harian, yang akan memungkinkan Anda mengirimkan uang, membayar tagihan listrik atau menarik uang tunai dari kios uang seluler menggunakan USSD – kode cepat yang Anda kirimkan melalui ponsel. Meskipun uang seluler digunakan oleh orang-orang di seluruh penjuru dunia, model uang ini bermanfaat khususnya untuk orang yang ada di negara seperti Republik Demokratik Kongo (DRC), dengan 46% dari populasi yang tinggal di daerah pedesaan tanpa bank tradisional atau akses internet yang stabil. Sayangnya, proses ini memakan waktu dan sulit digunakan, terutama untuk orang yang memiliki kesulitan dalam membaca dan bekerja dengan angka-angka. Satu tindakan yang salah, maka mereka harus memulainya lagi dari awal.

Atau jika kode yang digunakan salah, uang dapat terkirim ke penerima yang tidak berhak. Esske menyederhanakan pengalaman, menjadikannya lebih intuitif dan lebih mudah diakses. Dalam aplikasi ini, pengguna bahkan dapat membaca dan melacak transaksi langsung.Pengguna juga dapat mentransfer uang, membayar tagihan, membeli langganan, serta airtime yang penting untuk mengirimkan SMS, menggunakan data, dan melakukan panggilan. Ketika mayoritas layanan perbankan seluler mengharuskan pengguna menginput kode USSD ponsel secara manual, fungsi Quick Withdraw dari Eskke memproses informasi ini secara otomatis.

Alat seperti pengenalan teks secara offline dan pemindaian barcode dari ML Kit memungkinkan pengguna untuk dengan mudah memindai kode QR di kios uang seluler serta dengan cepat menarik uang. Aplikasi ini tersedia untuk pengguna di DRC dan akan meluas untuk mendukung operator uang seluler di negara Afrika lainnya.

Narasi oleh Arielle Bier

Ilustrasi oleh Frances Haszard

Seiring dengan perubahan iklim yang dirasakan di seluruh penjuru dunia, manusia mencari cara untuk mengurangi emisi karbon dan mengirimkan sedikit limbah ke tempat pembuangan akhir.

Meskipun sebagian besar kota menyediakan layanan daur ulang, banyak tempat yang memiliki aturan, pembatasan, dan undang-undang yang berbeda. Dikarenakan pemilahan yang masih kurang baik dan kebijakan yang tidak konsisten, benda yang tidak dapat didaur ulang memenuhi lebih dari 25% tempat pembuangan sampah daur ulang.

Trashly menjadikan proses daur ulang lebih mudah untuk konsumen. Cukup dengan mengarahkan kamera pada perangkat ke sebuah benda, dan melalui deteksi objek, aplikasi ini mengidentifikasi dan mengklasifikasi plastik dan cangkir kertas, kantung, botol, dll. Setelah menganalisis informasi ini melalui model TensorFlow Lite kustom, aplikasi ini melaporkan dapat didaur ulang atau tidaknya benda tersebut serta cara mendaur ulangnya – berdasarkan peraturan setempat – serta membagikan detail tentang tempat pendaur ulang sampah terdekat.

Saat ini aktif di Illinois, Pennsylvania, dan California, Trashly memungkinkan untuk menemukan 1000 pusat daur ulang menggunakan fitur “Near Me”, serta rencana untuk memperluas ke negara bagian dan negara lain di masa mendatang, membantu mendukung kebiasaan yang bertanggung jawab dan akan memberikan suasana yang berbeda.

Narasi oleh Arielle Bier

Ilustrasi oleh Aless Mc

Anjing bergantung pada pemiliknya untuk latihan, makan, dan perawatan harian. Namun, terlepas dari niat baiknya, banyak anjing kesayangan yang akhirnya kelebihan berat badan, mengurangi masa hidup hewan tersebut hingga lebih dari 25%. UnoDogs membantu pemilik hewan peliharaan untuk lebih baik dalam mendukung kesejahteraan hewan, menyajikan informasi, dan program kebugaran. Dengan melacak dan mengukur kesehatan anjing serta memberikan saran yang akurat, UnoDogs mengatasi masalah kesehatan sebelum program dimulai.

Menggunakan kemampuan Google Cloud Platform AutoML Vision untuk melatih model pendeteksi object guna menganalisis gambar gerak, UnoDogs mampu menghitung Skor Kondisi Tubuh anjing serta memberikan rekomendasi untuk berat tubuh dan ukuran yang ideal. Pada versi mendatang,lebih banyak fitur berdaya ML yang akan tersedia, seperti rekomendasi pakan, tes Kelincahan dan rencana kebugaran.

Detail pelacakan berat tubuh dan pelatihan kemudian dikombinasi dengan analisis real-time, memudahkan untuk mengikuti program penyajian makanan dan pelatihan, dirancang untuk menjaga agar pemilik hewan tetap berfokus pada target dan bersemangat sehingga anjingnya dapat menjalani kehidupan yang terbaik.

Narasi oleh Arielle Bier

Ilustrasi oleh Choi Haeryung

Penyakit tanaman akan selalu menjadi ancaman untuk petani di seluruh penjuru dunia. Dampak ketidakamanan pangan terhadap kesehatan, masyarakat, dan perekonomian dapat sangat merugikan. AgriFarm membantu petani mendeteksi penyakit tanaman, guna mencegah kerusakan yang besar. Untuk memungkinkan hal ini, pengklasifikasi deep neural network, digunakan untuk mengidentifikasi jenis-jenis penyakit, dilaksanakan di AI Platform Google Cloud.

Fitur lainnya meliputi laporan cuaca, rekomendasi video, dan perkiraan harga. Didesain untuk penggunaan di daerah pedesaan, dengan akses internet terbatas, AgriFarm mengelola data buah-buahan dan sayur mayur seperti tomat, jagung dan kentang, serta memperluas set data supaya berfungsi secara global.

Narasi oleh Arielle Bier

Ilustrasi oleh Buba Viedma

Berdasarkan model crowdsource, AgroDoc membantu mengumpulkan data dari para petani dengan lokasi geografis dan iklim yang sama untuk mendiagnosis penyakit tanaman serta membuat rancangan penyembuhannya. Dengan aplikasi ini, daun yang terinfeksi akan dipindai oleh kamera bawaan perangkat serta library TensorFlow Lite yang membantu mendeteksi jenis penyakitnya.

Data yang dianalisis dipadukan dengan gejala utama serta langkah-langkah sederhana dilakukan untuk meningkatkan kesehatan tanaman.

Narasi oleh Arielle Bier

Ilustrasi oleh Buba Viedma

Stres dapat berwujud dalam berbagai bentuk, baik positif maupun negatif. Untungnya, tubuh kita dibentuk agar dapat diatur secara mandiri serta beradaptasi terhadap situasi yang berubah. Namun, ketika peristiwa atau kondisi yang ekstrim menyebabkan tingkat stres yang tinggi, efek yang negatif dapat terbentuk, mengarah ke kecemasan, depresi, dan kerusakan hati jangka panjang. Stila (pelacakan stres dalam aktivitas pembelajaran), memantau dan melacak tingkat stres tubuh, sehingga pengguna dapat memahami dan mengelola stres-nya dengan lebih baik. Untuk mewujudkannya, aplikasi smartphone berpadu dengan perangkat wearable, contohnya seperti Fitbit wristband atau perangkat yang berjalan di Wear OS by Google, guna merekam biofeedback-nya.

Model Kustom Firebase mendeteksi dan mengkategorikan stres, sementara TensorFlow Lite Interpreter memungkinkan informasi diproses secara offline. Aplikasi ini melacak tingkat stres tubuh lalu dipadukan dengan laporan singkat mengenai peristiwa serta lingkungan dalam kehidupan pengguna. Kemudian, skor tingkat stres dihitung, membantu memperkirakan stres selama aktivitas tertentu. Karena setiap orang punya reaksi berbeda terhadap penyebab stres serta pemicunya, Stila mempelajari dari laporan ini dan beradaptasi terhadap cara kerjanya. Untuk selanjutnya, Stila memberikan masukan bergantung pada masing-masing ritme dan kebutuhan pengguna.

Ciri individu dapat digunakan untuk lebih lanjut lagi membantu mempersonalisasi pengalaman pengguna melalui pemelajaran transfer. Dengan mendeteksi dan memantau tingkat stres sepanjang waktu, pengguna memiliki kesempatan untuk dapat lebih baik lagi kala mengelola stres di dalam kehidupannya.

Narasi oleh Arielle Bier

Ilustrasi oleh Linn Fritz

MixPose adalah platform live streaming yang memberikan peluang bagi instruktur yoga dan pelatih kebugaran untuk mengajar, menyelaraskan gerakan, serta memberikan masukan secara real-time. Video kebugaran statis hanya membagikan informasi satu arah. Akan tetapi, dengan aplikasi ini pengajar dapat menyesuaikan pelajaran serta berinteraksi langsung dengan kebutuhan para siswanya. Pelacakan pose mendeteksi setiap gerakan pengguna dan posisinya diklasifikasikan menggunakan ML Kit dan PoseNet.

Kemudian, sensor live serta sistem masukan menginformasikan mengenai keselarasan gerakan mereka. Output yang ditambahkan ke fitur video, seperti Chromecast, akan dengan mudah dihubungkan ke layar yang lebih besar untuk tampilan yang lebih imersif. Didesain oleh 37 juta orang Amerika yang mempraktikkan yoga untuk melatih pikirannya, MixPose sudah menyertakan lebih dari 100 instruktur yoga untuk peluncurannya. Dengan berinovasi melalui AI pada Edge, 5G, dan smart TV, platform ini menyajikan kursus interaktif secara langsung kepada pengguna yang dapat melakukannya dengan nyaman dari rumah.

Narasi oleh Arielle Bier

Ilustrasi oleh Rachel Levit Ruiz

Lebih dari tujuh juta orang di India berkemampuan unik dalam mendengar dan berbicara, tetapi, hanya sedikit yang memiliki akses untuk mendapatkan pendidikan bahasa isyarat. Karena ragam bahasa dan dialek sangat berbeda, membuat format standar komunikasi adalah hal yang nyaris mustahil.

Dengan Leepi, siswa dapat mempelajari gestur dan simbol tangan untuk Bahasa Isyarat Amerika (ASL). Aplikasi ini menggunakan abjad, simbol, gerakan wajah, dan pengenalan maksud, dengan latihan interaktif dan masukan real-time. Library TensorFlow Lite dan framework MediaPipe digunakan untuk menjadikan pemrosesan pada perangkat lebih akurat dan lancar. Lebih penting lagi, aplikasi ini dirancang untuk penggunaan offline, sehingga lebih banyak siswa bebas belajar dan bereksplorasi.

Narasi oleh Arielle Bier

Ilustrasi oleh Xuetong Wang

Tidur yang berkualitas adalah hal yang penting untuk mengistirahatkan dan memperbaiki tubuh manusia. Namun, 25% orang dewasa mendengkur setiap harinya, yang dapat mengarah ke gangguan tidur dan berpotensi menimbulkan gangguan kesehatan kronis.

Melalui tindakan merekam video, menganalisis, dan mengklasifikasi audio dengan TensorFlow Lite, aplikasi Snore dan Cough mengidentifikasi dengkuran dan batuk, untuk membantu pengguna meminta pertolongan dari ahli medis.

Narasi oleh Arielle Bier

Ilustrasi oleh Xuetong Wang

Saat bepergian melalui lingkungan umum, seperti pusat perbelanjaan atau jalan yang ramai, penghalang yang bergerak kerap kali bergeser serta berubah secara tidak terduga. Pengalaman sensori seperti penglihatan, suara, dan sentuhan, dapat membantu menghindari tabrakan dan mencegah kecelakaan. Namun, bagi penyandang gangguan penglihatan, menyusuri lingkungan umum berarti menghadapi serangkaian hal yang tidak dapat diprediksi. Path Finder dapat membantu penyandang gangguan penglihatan untuk menyusuri situasi yang rumit dengan mengidentifikasi dan menghitung lintasan benda yang bergerak pada jalur perjalanannya.

Notifikasi kustom kemudian akan menginformasikan kepada pengguna cara menghindari penghalang tersebut dan menyarankan tindakan yang dapat dilakukan dengan aman. Aplikasi ini menggunakan pendeteksi objek dari TensorFlow Lite untuk menghitung jarak benda-benda yang ada di sekelilingnya. TensorFlow Lite dirancang untuk memperbanyak pengalaman pengguna, membagikan informasi, dan memberikan dukungan, tidak membebani mereka dalam situasi yang sulit. Oleh karena itu, proses penyiapan Path Finder dibuat supaya komunikatif dan disesuaikan untuk pengguna dengan penglihatan terbatas, sebagaimana orang lain membantu dirinya.

Baik info via pendengaran maupun sentuhan, merupakan bagian dari sistem peringatan tentang adanya penghalang, sementara berbagai nada dan frekuensi memberitahukan jarak dan arah dari tiap-tiap benda. Pola audio, seperti Kode Morse, kemudian dibuat berlapis dan dikombinasikan untuk membagikan informasi lebih lanjut. Path Finder dapat membantu pengguna yang menyandang gangguan penglihatan memperoleh manfaat pandangan jauh ke depan, menjadikan lingkungan umum lebih mudah untuk dinavigasi.

Narasi oleh Arielle Bier

Ilustrasi oleh Sonya Korshenboym