Google präsentiert ML Kit

Google hat auf der I/O-Konferenz die Betaversion des ML Kit vorgestellt. Das SDK soll Googles Machine-Learning-Expertise auch Mobile-Entwicklern zugänglich machen. Daher wird es als Paket für die Entwicklungsplattform Firebase zur Verfügung gestellt.

Mit ML Kit werden sowohl versierte Machine-Learning-Experten als auch Einsteiger angesprochen. Für den Einstieg stehen fünf so genannte „base“-APIs zur Verfügung, die ohne weitere Einrichtung einige typische Anwendungsfälle maschinellen Lernens abarbeiten können: Scannen von Barcodes, Beschriftung von Bildmaterial, Erkennung von Texten und Sehenswürdigkeiten.

Am interessantesten dürfte die Gesichtserkennung sein – oder um korrekt zu sein: Gesichtsdetektion. Gesichter werden lediglich als solche erkannt, nicht mit angelernten Personen abgeglichen. Immerhin werden Gesichter mit eindeutigen IDs versehen und auch Gesichtsausdrücke sollen erkannt werden.

Als erste umgesetze App nennt Google die im Play Store erhältlich Diäthilfe „Lose It!“. Die App nutzt Text- und Objekterkennung, um die Nährwerte von Lebensmitteln via Barcode, oder bei geeigneten Produkten, etwa einer Banane, via Foto zu erfassen. Die APIs können sowohl offline auf dem Gerät als auch über die Cloud genutzt werden – natürlich mit unterschiedlichen Fähigkeiten.

Erfahrene Entwickler können darüber hinaus eigene Modelle auf Basis der freien Computation-Bibliothek TensorFlow nutzen. Diese lassen sich direkt über Firebase hochladen und aus der Google-Cloud heraus betreiben. So soll sich mitunter auch die Installationgröße von Apps massiv reduzieren. Google verspricht aber noch weitere Datenreduktion: TensorFlow-Modelle sollen samt Trainingsdaten hochgeladen werden können, um dort komprimiert und letzlich als TensorFlow-Lite-Modelle zurückgegeben werden zu können. Allerdings spricht Google hier selbst noch von experimenteller Technik.

Da das ML Kit via Firebase zur Verfügung steht, lässt es sich natürlich auch mit weiteren Features der Plattform kombinieren. Google führt hier beispielsweise Remote Config und A/B Testing an, um Modelldaten oder App-Verhalten ohne explizite Updates zu ändern und zu testen. Auch Tools wie Google Analytics oder Performance Testing dürften sich bei größeren Projekten als nützlich erweisen.