Generowanie inteligentnych odpowiedzi za pomocą ML Kit na Androida

ML Kit może generować krótkie odpowiedzi na wiadomości przy użyciu modelu na urządzeniu.

Aby generować inteligentne odpowiedzi, musisz przekazać ML Kit dziennik ostatnich wiadomości w rozmowie. Jeśli ML Kit ustali, że rozmowa jest w języku angielskim i nie ma potencjalnie poufnych tematów, ML Kit wygeneruje maksymalnie 3 odpowiedzi, które możesz zasugerować użytkownikowi.

Ten interfejs API jest dostępny za pomocą biblioteki niepołączonej, którą trzeba pobrać przed użyciem, lub biblioteki pakietu, która zwiększa rozmiar aplikacji. Więcej informacji o różnicach między tymi dwoma opcjami instalacji znajdziesz w tym przewodniku.

	Łączenie w pakiety	Niegrupowane
Nazwa biblioteki	com.google.mlkit:smart-reply	com.google.android.gms:play-services-mlkit-smart-reply
Implementacja	Model jest statycznie połączony z aplikacją w momencie kompilacji.	Model jest pobierany dynamicznie przez Usługi Google Play.
Wpływ rozmiaru aplikacji	Zwiększenie rozmiaru o około 5,7 MB.	Zwiększenie rozmiaru o około 200 KB.
Czas inicjowania	Model jest dostępny od razu.	Przed jego pierwszym użyciem konieczne może być poczekać na pobranie modelu.

Uwaga: niepołączona wersja Inteligentnej odpowiedzi jest obecnie dostępna w wersji beta, co oznacza, że może ulec zmianie w sposób niekompatybilny wstecznie i nie podlega żadnej gwarancji jakości usług ani żadnym zasadom wycofywania.

Wypróbuj

• Zapoznaj się z przykładową aplikacją, aby zobaczyć przykład użycia tego interfejsu API.

Zanim zaczniesz

Ten interfejs API wymaga interfejsu API Androida na poziomie 21 lub wyższym. Upewnij się, że plik kompilacji aplikacji używa wartości minSdkVersion o wartości 21 lub większej.

1. W pliku build.gradle na poziomie projektu dodaj repozytorium Google Maven w sekcjach buildscript i allprojects.

2. Dodaj zależności bibliotek ML Kit na Androida do pliku Gradle modułu na poziomie aplikacji, którym jest zwykle app/build.gradle. W zależności od potrzeb wybierz jedną z tych zależności:

   • Aby połączyć model z aplikacją:

   dependencies {
     // ...
     // Use this dependency to bundle the model with your app
     implementation 'com.google.mlkit:smart-reply:17.0.3'
   }
   

   • Aby używać modelu w Usługach Google Play:

   dependencies {
     // ...
     // Use this dependency to use the dynamically downloaded model in Google Play Services
     implementation 'com.google.android.gms:play-services-mlkit-smart-reply:16.0.0-beta1'
   }
   

   Jeśli zdecydujesz się używać modelu w Usługach Google Play, możesz skonfigurować aplikację tak, by po jej zainstalowaniu ze Sklepu Play automatycznie pobierała model na urządzenie. Dodając tę deklarację do pliku AndroidManifest.xml aplikacji:

   <application ...>
         ...
         <meta-data
             android:name="com.google.mlkit.vision.DEPENDENCIES"
             android:value="smart_reply" >
         <!-- To use multiple models: android:value="smart_reply,model2,model3" -->
   </application>
   

   Możesz też bezpośrednio sprawdzić dostępność modelu i poprosić o pobranie za pomocą interfejsu ModuleInstallClient API Usług Google Play.

   Jeśli nie włączysz pobierania modelu w czasie instalacji lub nie poprosisz o jawne pobranie, model zostanie pobrany przy pierwszym uruchomieniu generatora inteligentnych odpowiedzi. Żądania wysłane przed ukończeniem pobierania nie dają żadnych wyników.

   1. Tworzenie obiektu historii rozmowy

   Aby generować inteligentne odpowiedzi, musisz przekazać ML Kit w porządku chronologicznym List TextMessage obiektów, zaczynając od najwcześniejszej sygnatury czasowej.

   Za każdym razem, gdy użytkownik wysyła wiadomość, dodaj wiadomość i jej sygnaturę czasową do historii rozmowy:

   Kotlin

   conversation.add(TextMessage.createForLocalUser(
           "heading out now", System.currentTimeMillis()))

   Java

   conversation.add(TextMessage.createForLocalUser(
           "heading out now", System.currentTimeMillis()));

   Za każdym razem, gdy użytkownik otrzyma wiadomość, dodaj wiadomość, jej sygnaturę czasową oraz identyfikator użytkownika nadawcy do historii rozmowy. Może to być dowolny ciąg znaków, który jednoznacznie identyfikuje nadawcę w wątku. Identyfikator użytkownika nie musi odpowiadać żadnym danym użytkownika, a identyfikator użytkownika nie musi być spójny w rozmowach i wywołaniach generatora odpowiedzi inteligentnych.

   Kotlin

   conversation.add(TextMessage.createForRemoteUser(
           "Are you coming back soon?", System.currentTimeMillis(), userId))

   Java

   conversation.add(TextMessage.createForRemoteUser(
           "Are you coming back soon?", System.currentTimeMillis(), userId));

   Obiekt historii rozmowy wygląda jak w tym przykładzie:

   Sygnatura czasowa	userID	isLocalUser	przekaz,
   Czw. Lut 2019, 13:13:39 PST 2019		prawda	jesteś w drodze?
   Czw. 21 lutego 13:15:03 PST 2019	FRIEND0	false	Spóźnię się.

   ML Kit sugeruje odpowiedzi na ostatnią wiadomość w historii rozmów. Ostatnia wiadomość powinna pochodzić od użytkownika nielokalnego. W powyższym przykładzie ostatnia wiadomość w wątku pochodzi od użytkownika nielokalnego FRIEND0. Gdy użyjesz tego logu z użyciem pakietu ML Kit, wyświetlą się sugestie odpowiedzi na wiadomość od znajomego: „Spóźnię się, przepraszam!”.

   2. Otrzymuj odpowiedzi na wiadomości

   Aby wygenerować inteligentne odpowiedzi na wiadomość, pobierz instancję SmartReplyGenerator i przekaż historię rozmowy do jej metody suggestReplies():

   Kotlin

   val smartReplyGenerator = SmartReply.getClient()
   smartReply.suggestReplies(conversation)
           .addOnSuccessListener { result ->
               if (result.getStatus() == SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE) {
                   // The conversation's language isn't supported, so
                   // the result doesn't contain any suggestions.
               } else if (result.getStatus() == SmartReplySuggestionResult.STATUS_SUCCESS) {
                   // Task completed successfully
                   // ...
               }
           }
           .addOnFailureListener {
               // Task failed with an exception
               // ...
           }

   Java

   SmartReplyGenerator smartReply = SmartReply.getClient();
   smartReply.suggestReplies(conversation)
           .addOnSuccessListener(new OnSuccessListener() {
               @Override
               public void onSuccess(SmartReplySuggestionResult result) {
                   if (result.getStatus() == SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE) {
                       // The conversation's language isn't supported, so
                       // the result doesn't contain any suggestions.
                   } else if (result.getStatus() == SmartReplySuggestionResult.STATUS_SUCCESS) {
                       // Task completed successfully
                       // ...
                   }
               }
           })
           .addOnFailureListener(new OnFailureListener() {
               @Override
               public void onFailure(@NonNull Exception e) {
                   // Task failed with an exception
                   // ...
               }
           });

   Jeśli operacja się uda, do modułu obsługi powodzenia zostanie przekazany obiekt SmartReplySuggestionResult. Obiekt zawiera listę maksymalnie 3 sugerowanych odpowiedzi, którą możesz zaprezentować użytkownikowi:

   Kotlin

   for (suggestion in result.suggestions) {
       val replyText = suggestion.text
   }

   Java

   for (SmartReplySuggestion suggestion : result.getSuggestions()) {
       String replyText = suggestion.getText();
   }

   Pamiętaj, że ML Kit może nie zwracać wyników, jeśli model nie ma pewności co do trafności sugerowanych odpowiedzi, rozmowy wejściowej nie jest w języku angielskim lub jeśli model wykryje temat o charakterze wrażliwym.