Android'de ML Kit ile akıllı yanıtlar oluşturma

ML Kit, cihaz üzerinde bir model kullanarak mesajlara kısa yanıtlar oluşturabilir.

Akıllı yanıtlar oluşturmak için ML Kit'e bir görüşmedeki son mesajların günlüğünü iletirsiniz. Makine Öğrenimi Kiti, görüşmenin İngilizce olduğunu ve görüşmenin hassas olabilecek bir konu olmadığını tespit ederse ML Kit, kullanıcılarınıza önerebileceğiniz en fazla üç yanıt üretir.

Bu API, kullanımdan önce indirilmesi gereken paketlenmemiş bir kitaplık veya uygulamanızın boyutunu büyüten bir paket halinde sunulan bir kitaplık kullanılarak kullanılabilir. İki yükleme seçeneği arasındaki farklar hakkında daha fazla bilgi için bu kılavuza bakın.

	Gruplandırılanlar	Gruplandırılmamış
Kitaplık adı	com.google.mlkit:smart-reply	com.google.android.gms:play-services-mlkit-smart-reply
Uygulama	Model, derleme sırasında statik olarak uygulamanıza bağlıdır.	Model, Google Play Hizmetleri aracılığıyla dinamik olarak indirilir.
Uygulama boyutunun etkisi	Yaklaşık 5,7 MB boyut artışı.	Yaklaşık 200 KB boyut artışı.
Başlatma süresi	Model hemen kullanılabilir.	İlk kullanımdan önce modelin indirilmesini beklemeniz gerekebilir.

Not: Akıllı Yanıt'ın tek paket halinde sunulan sürümü şu anda beta sürümünde sunulmaktadır. Bu nedenle, eski sürümlerle uyumsuz olacak şekilde değiştirilebilir. Bu nedenle, herhangi bir HDS veya kullanımdan kaldırma politikasına tabi değildir.

Deneyin

• Bu API'nin örnek kullanımını görmek için örnek uygulamayı inceleyin.

Başlamadan önce

Bu API için Android API düzeyi 21 veya üzeri gereklidir. Uygulamanızın derleme dosyasının minSdkVersion değeri için 21 veya daha yüksek bir değer kullandığından emin olun.

1. Proje düzeyindeki build.gradle dosyanıza, hem buildscript hem de allprojects bölümlerinize Google'ın Maven deposunu dahil ettiğinizden emin olun.

2. ML Kit Android kitaplıklarının bağımlılıklarını, modülünüzün uygulama düzeyindeki gradle dosyasına ekleyin. Bu dosya genellikle app/build.gradle olur. İhtiyaçlarınıza göre aşağıdaki bağımlılıklardan birini seçin:

   • Modeli uygulamanızla paket haline getirmek için:

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

   • Modeli Google Play Hizmetleri'nde kullanmak için:

   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'
   }
   

   Modeli Google Play Hizmetleri'nde kullanmayı seçerseniz uygulamanızı, uygulamanız Play Store'dan yüklendikten sonra modeli cihaza otomatik olarak indirecek şekilde yapılandırabilirsiniz. Aşağıdaki beyanı uygulamanızın AndroidManifest.xml dosyasına ekleyerek:

   <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>
   

   Ayrıca, model kullanılabilirliğini açıkça kontrol edebilir ve Google Play Hizmetleri ModuleUploadClient API üzerinden indirme isteğinde bulunabilirsiniz.

   Yükleme zamanı model indirmelerini etkinleştirmez veya açık indirme isteğinde bulunmazsanız model, akıllı yanıt oluşturma aracını ilk kez çalıştırdığınızda indirilir. İndirme işlemi tamamlanmadan önce yaptığınız istekler sonuç vermez.

   1. Sohbet geçmişi nesnesi oluşturma

   Akıllı yanıtlar oluşturmak için ML Kit'i en erken zaman damgasından önce olacak şekilde kronolojik olarak sıralanmış List/TextMessage nesne iletirsiniz.

   Kullanıcı bir mesaj gönderdiğinde mesajı ve zaman damgasını görüşme geçmişine ekleyin:

   Kotlin

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

   Java

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

   Kullanıcı bir mesaj aldığında mesajı, zaman damgasını ve gönderenin kullanıcı kimliğini görüşme geçmişine ekleyin. Kullanıcı kimliği, görüşmedeki göndereni benzersiz şekilde tanımlayan herhangi bir dize olabilir. User-ID'nin herhangi bir kullanıcı verisine karşılık gelmesi gerekmez ve kullanıcı kimliğinin, akıllı yanıt oluşturucunun görüşmeleri veya çağrıları arasında tutarlı olması gerekmez.

   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));

   Bir ileti dizisi geçmişi nesnesi aşağıdaki örneğe benzer:

   Zaman damgası	userID	isLocalUser	Mesaj
   21 Şubat Perşembe 13:13:39 PST 2019		true	yolda mısınız?
   21 Şubat Perşembe 13:15:03 PST 2019	FRIEND0	false	Üzgünüz, geciktiğiniz için yazıyorum.

   Makine Öğrenimi Kiti, bir sohbet geçmişindeki son mesaja yanıtlar önerir. Son mesaj yerel olmayan bir kullanıcıdan olmalıdır. Yukarıdaki örnekte, görüşmedeki son mesaj yerel olmayan FRIEND0 kullanıcı tarafından gönderilmiştir. Bu günlüğü geçen ML Kit'i kullandığınızda, FRIENDO'nun şu mesajına yanıt önerir: "Geç kaldı, maalesef!"

   2. Mesaj yanıtları alma

   Bir mesaja akıllı yanıtlar oluşturmak için SmartReplyGenerator öğesinin bir örneğini alın ve görüşme geçmişini suggestReplies() yöntemine iletin:

   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
                   // ...
               }
           });

   İşlem başarılı olursa başarı işleyiciye bir SmartReplySuggestionResult nesnesi iletilir. Bu nesne, kullanıcılarınıza sunabileceğiniz en fazla üç önerilen yanıtın yer aldığı bir liste içerir:

   Kotlin

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

   Java

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

   Model, önerilen yanıtların alaka düzeyine güvenmiyorsa, giriş görüşmesi İngilizce değilse veya model hassas bir konu tespit ederse ML Kit'in sonuç döndürmeyebileceğini unutmayın.