Genera respuestas inteligentes con ML Kit en Android

ML Kit puede generar respuestas cortas a mensajes con un modelo integrado en el dispositivo.

Para generar respuestas inteligentes, pasa al Kit de AA un registro de mensajes recientes de una conversación. Si el Kit de AA determina que la conversación está en inglés y que no incluye cuestiones potencialmente sensibles, genera hasta tres respuestas que puedes sugerir al usuario.

Esta API está disponible mediante una biblioteca sin empaquetar que debe descargarse antes de usarla o una biblioteca empaquetada que aumenta el tamaño de tu app. Consulta esta guía para obtener más información sobre las diferencias entre las dos opciones de instalación.

	Red de Búsqueda y Red de Display	Sin agrupar
Nombre de la biblioteca	com.google.mlkit:smart-reply	com.google.android.gms:play-services-mlkit-smart-reply
Implementación	El modelo se vincula de forma estática a tu app durante el tiempo de compilación.	El modelo se descarga de forma dinámica a través de los Servicios de Google Play.
Impacto del tamaño de la app	Aumento de tamaño aproximado de 5.7 MB	Aumento de tamaño de aproximadamente 200 KB
Tiempo de inicialización	El modelo está disponible de inmediato.	Es posible que debas esperar a que el modelo se descargue antes de usarlo por primera vez.

Nota: Actualmente, la versión sin empaquetar de Respuesta inteligente se ofrece en versión beta, lo que significa que podría modificarse en formas que generen incompatibilidad con versiones anteriores y no está sujeta a ningún ANS ni a una política de baja.

Probar

• Prueba la app de ejemplo para ver un ejemplo de uso de esta API.

Antes de comenzar

Esta API requiere el nivel de API 21 de Android o uno superior. Asegúrate de que el archivo de compilación de tu app use un valor minSdkVersion de 21 o superior.

1. En tu archivo build.gradle de nivel de proyecto, asegúrate de incluir el repositorio Maven de Google en las secciones buildscript y allprojects.

2. Agrega las dependencias para las bibliotecas de Android del Kit de AA al archivo Gradle de nivel de la app de tu módulo, que suele ser app/build.gradle. Elige una de las siguientes dependencias según tus necesidades:

   • Para empaquetar el modelo con tu app, haz lo siguiente:

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

   • Para usar el modelo en los Servicios de Google Play, haz lo siguiente:

   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'
   }
   

   Si eliges usar el modelo en los Servicios de Google Play, puedes configurar tu app para que descargue automáticamente el modelo al dispositivo después de instalar la app desde Play Store. Agrega la siguiente declaración al archivo AndroidManifest.xml de tu app:

   <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>
   

   También puedes verificar de forma explícita la disponibilidad del modelo y solicitar su descarga a través de la API de ModuleInstallClient de los Servicios de Google Play.

   Si no habilitas las descargas de modelos en el momento de la instalación ni solicitas una descarga explícita, el modelo se descarga la primera vez que ejecutas el generador de respuestas inteligentes. Las solicitudes que realizas antes de que se complete la descarga no generan resultados.

   1. Crea un objeto de historial de conversaciones

   Para generar respuestas inteligentes, debes pasar al Kit de AA una List de objetos TextMessage ordenada cronológicamente, con la marca de tiempo más antigua.

   Cuando el usuario envíe un mensaje, puedes agregarlo junto con su marca de tiempo al historial de conversaciones:

   Kotlin

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

   Java

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

   Cuando el usuario reciba un mensaje, puedes agregarlo junto con su marca de tiempo y el ID de usuario del remitente al historial de conversaciones. El ID de usuario puede ser cualquier cadena que identifique de forma única al remitente en la conversación. No es necesario que el ID de usuario corresponda a ningún dato del usuario, ni que sea coherente entre las conversaciones o las invocaciones del generador de respuestas inteligentes.

   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));

   Un objeto de historial de conversaciones se parece al siguiente ejemplo:

   Marca de tiempo	userID	isLocalUser	Mensajes
   Jue 21 de feb 13:13:39 PST 2019		true	¿estás en camino?
   Jue 21 de feb 13:15:03 PST 2019	FRIEND0	false	Llegas tarde, lo siento.

   ML Kit sugiere respuestas al último mensaje de un historial de conversaciones. El último mensaje debe ser de un usuario no local. En el ejemplo anterior, el último mensaje de la conversación es del usuario FRIEND0 no local. Cuando usas este registro para pasar el Kit de AA, se sugieren respuestas al mensaje de FRIENDO: “Llegaré tarde, lo siento”.

   2. Cómo recibir respuestas de mensajes

   Para generar respuestas inteligentes a un mensaje, obtén una instancia de SmartReplyGenerator y pasa el historial de la conversación a su método 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
                   // ...
               }
           });

   Si la operación se realiza correctamente, se pasará un objeto SmartReplySuggestionResult al controlador de éxito. Este objeto contiene una lista de hasta tres respuestas sugeridas que puedes presentar al usuario:

   Kotlin

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

   Java

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

   Ten en cuenta que el ML Kit podría no mostrar resultados si el modelo no está seguro de la relevancia de las respuestas sugeridas, la conversación que se ingresa no está en inglés o si el modelo detecta cuestiones sensibles.