ओपन एपीआई के साथ एंड्रॉइड एआई

केवल आलसी आज नहीं जानता कि सिरी की आवाज सहायक क्या है । जब दो साल पहले इस उत्पाद को नए iPhone 4S की प्रस्तुति में दिखाया गया था, तो कई आईटी उद्योग के विकास को नए तरीके से देखते थे। दरअसल, प्राकृतिक भाषण को समझने वाली जेब में कृत्रिम बुद्धि अभी तक किसी के द्वारा नहीं दिखाई गई है।

उस समय कई लोग कहने लगे कि Apple अगले WWDC में पहले से ही सभी प्रोग्रामर को iOS के लिए सिरी के ओपन एपीआई असिस्टेंट को अपने प्रोग्राम के लिए इस्तेमाल करने का अवसर प्रदान कर सकता है। चित्र रसीला था - कोई भी एप्लिकेशन विभिन्न आदेशों को निष्पादित करके उपयोगकर्ता के वाक्यांशों का जवाब दे सकता है। वास्तव में, यदि AppStore में बहुत सारे अलग-अलग उपयोगी अनुप्रयोग हैं, तो उन्हें ध्वनि नियंत्रण क्यों नहीं दिया जाता है? इसके अलावा, भाषण के रूप में उपयोगकर्ता के साथ इस तरह का संचार iPhone 4 जी के रिलीज के बाद जल्दी से ट्रेंडी हो गया।

इस बारे में कि क्या Apple ऐसा करने में कामयाब रहा, और हम क्या करने में कामयाब रहे, इस पर पढ़ें।

समय बीतता गया, लेकिन सिरी एपीआई दिखाई नहीं दिया

यह ध्यान दिया जाना चाहिए कि बहुमत केवल भाषण मान्यता और एक सहायक की वास्तविक क्षमताओं को कृत्रिम बुद्धि के रूप में भ्रमित करता है। इन दो अवधारणाओं के बीच एक बड़ा अंतर है - भाषण मान्यता (भाषण-से-पाठ) समाधान लंबे समय से बाजार पर हैं (उदाहरण के लिए, एंड्रॉइड ओएस में यह सभी के लिए उपलब्ध है), लेकिन एक संवाद प्रणाली के लिए एक खुली तकनीक बनाने के लिए (संदर्भ समर्थन के साथ, अर्थ का निष्कर्षण) आदि) कोई भी अभी तक सफल नहीं हुआ है। बहुतों ने उन समस्याओं की संख्या के बारे में भी नहीं सोचा था जो सिरी के व्यक्ति में एक थिंक टैंक एआई के लिए कई कार्यक्रमों की सामान्य पहुंच के साथ उत्पन्न होंगी। साथ ही पूरी तरह से नई तकनीकों को शामिल करना होगा जो प्रोग्रामर को निपटना होगा।

एक खुले और सुलभ "कृत्रिम बुद्धिमत्ता" एपीआई के साथ एक आवाज सहायक बनाने का विचार उस समय हमारे सिर में पहले से ही था, और हमने इसे लागू करने का फैसला किया।

रूसी में सहायक

हमारे डेवलपर्स के छोटे समूह ने परियोजना को अपनाया, जिसे अब रूसी में सहायक के रूप में जाना जाता है।

यह ध्यान देने योग्य है कि इस तरह के वॉइस प्लेटफॉर्म के निर्माण के लिए विशिष्ट क्षेत्रों जैसे कि मान्यता प्रौद्योगिकी (एएसआर) और स्पीच सिंथेसिस (टीटीएस), साथ ही एनएलपी में ज्ञान की आवश्यकता होती है, जो आपको उपयोगकर्ता के भाषण से अर्थ निकालने और संवाद संदर्भ का प्रबंधन करने की अनुमति देता है। यह एक घटक है जो किसी भी कृत्रिम बुद्धि प्रणाली के लिए बाइंडर है और न केवल भाषण को पाठ में बदलने की अनुमति देता है, बल्कि यह भी समझने के लिए कि उपयोगकर्ता क्या चाहता है। यह कृत्रिम बुद्धिमत्ता प्रौद्योगिकी से वाक् पहचान तकनीक को अलग करता है।

हमारा लक्ष्य इन प्रौद्योगिकियों का उपयोग करने के लिए एक किफायती उपकरण बनाना था।

लॉन्च के समय तक, एप्लिकेशन कुशलता से भाषण की मदद से उपयोगकर्ता के रोजमर्रा के कार्यों को हल करता है। और JellyBean के Android संस्करण के उपयोगकर्ता बिना इंटरनेट कनेक्शन के वॉयस कमांड निष्पादित कर सकते हैं।

आर्टिफिशियल इंटेलिजेंस ओपन एपीआई

पहले दिन से, प्रत्येक "रूसी में सहायक" सेवा उसी मंच के आधार पर बनाई गई थी जिसे हमने भविष्य में सभी के लिए खोलने की योजना बनाई थी। इस सिद्धांत को अंग्रेजी में " अपने खुद के कुत्ते का भोजन खाना " कहा जाता है। इस प्रकार, हम एक साथ सहायक की आवाज वास्तुकला और कार्यक्षमता को डिजाइन कर सकते हैं।

हमारे काम का परिणाम एक खुली एपीआई और " हाइब्रिड " एनएलपी तकनीक के साथ एक एप्लिकेशन था, जो एक तरफ, बिना किसी सर्वर के वॉयस इंटरफ़ेस को प्रोग्राम करना संभव बनाता है, केवल आपके डिवाइस और एंड्रॉइड एसडीके का उपयोग करके, और दूसरी ओर, क्लाउड के माध्यम से कुछ समाधानों को स्थानांतरित करें। की जरूरत है। उदाहरण के लिए, आपके संपर्क किसी भी सर्वर (हैलो सिरी) को नहीं भेजे जाते हैं, और उन सभी शहरों की सूची, जिनके साथ मौसम सेवा काम करती है, उदाहरण के लिए, क्लाइंट पर संग्रहीत नहीं है।

सभी सहायक सेवाएं अलग-अलग प्रोग्रामर द्वारा बनाई गई थीं, जिनमें से कुछ को एएसआर, टीटीएस या एनएलपी के क्षेत्र में विशेष ज्ञान नहीं है। उसी समय, हमारे "सहायक" के एपीआई का उपयोग करने में कोई विशेष कठिनाइयां नहीं थीं, क्योंकि हमने खुद को सभी के लिए एक खुले, सुलभ और समझने योग्य मंच बनाने का कार्य निर्धारित किया था।

"रूसी में सहायक" एंड्रॉइड ओएस में इंटरप्रोसेस संचार (आईपीसी) की संभावना का उपयोग करता है, ताकि सहायक उपयोगकर्ता और आपके स्वयं के एप्लिकेशन के बीच एक आवाज इंटरफेस के रूप में कार्य करे। उसी समय, आपका एप्लिकेशन सहायक के इंटरफ़ेस में अपना GUI प्रदर्शित कर सकता है - इसके लिए, रिमोट व्यू और अन्य समान तकनीकों का उपयोग किया जाता है।

एपीआई क्या कर सकता है

एपीआई "रूसी में सहायक" के कारण, आप बहुत अधिक दिलचस्प विकल्प बना सकते हैं जहां सहायक की कार्यक्षमता उस डिवाइस से परे फैली हुई है जिस पर वह काम करता है। उदाहरण के लिए, हमारे सहायक के एपीआई का उपयोग करते हुए, तृतीय-पक्ष एप्लिकेशन " असिस्टकनेक्ट ", "स्मार्ट" होम और होम थियेटर के विभिन्न उपकरणों की आवाज को नियंत्रित करना संभव बनाता है।



उसी समय, "असिस्टेंटकनेक्ट" एक नियमित एंड्रॉइड एप्लिकेशन है जो HTTP प्रोटोकॉल के माध्यम से एक्सबीआरसी मूवी थियेटर और जेडवे से वेरा स्मार्ट होम कंट्रोलर को अनुरोध भेज सकता है।

आप यह भी देख सकते हैं कि, एक ही ऐड-ऑन का उपयोग करके, आप कैसे नियंत्रित कर सकते हैं, उदाहरण के लिए, एक नियमित ब्राउज़र। यह सब सहायक एपीआई की क्षमताओं को प्रदर्शित करता है, जो आपको उपयोगकर्ताओं के साथ एक नए प्रकार का संचार बनाने की अनुमति देता है।

एपीआई कैसे प्राप्त करें

आप अभी हमारी वेबसाइट से डाउनलोड करके अपनी परियोजनाओं में एपीआई की कोशिश कर सकते हैं। अब हम इसका केवल एक संक्षिप्त विवरण देते हैं कि इसका उपयोग कैसे किया जाए। निम्नलिखित लेखों में, हम पूरे "रूसी में सहायक" प्लेटफॉर्म के कार्यान्वयन के तकनीकी विवरणों का विस्तार से वर्णन करेंगे, साथ ही एपीआई का उपयोग करने की बारीकियों के बारे में बात करेंगे।

यह लेख एक सहायक एपीआई के प्रकाशन में पहला कदम है। निकट भविष्य में, बहुत कुछ बदल जाएगा, हम एक ऐड-ऑन कैटलॉग सहित अधिक सुविधाएँ प्रदान करने की योजना बनाते हैं, जिसके साथ उपयोगकर्ता प्लेस्टोर में वॉयस कंट्रोल के लिए समर्थन के साथ सभी एप्लिकेशन पा सकता है, साथ ही अपने स्वयं के वॉयस असिस्टेंट बनाने के लिए एक वाणिज्यिक एसडीके भी बना सकता है।

मूल बातें

अपने आवेदन में एक सहायक एपीआई के साथ एक पुस्तकालय को लागू करने के लिए, आपको किसी भी नई प्रोग्रामिंग भाषाओं या प्रौद्योगिकियों को सीखने की आवश्यकता नहीं है। विकास के लिए आपको बस एक Android SDK और IDE की आवश्यकता है। हम एंड्रॉइड स्टूडियो का उपयोग करने का सुझाव देते हैं। लाइब्रेरी बिल्ड.ग्रेडल फ़ाइल में निर्भरता निर्दिष्ट करके बस कनेक्टेड हैं

repositories { maven { url 'http://voiceassistant.mobi/m2/repository' } } dependencies { compile 'mobi.voiceassistant:base:0.1.0-SNAPSHOT' compile 'mobi.voiceassistant:client:0.1.0-SNAPSHOT' } 

एपीआई आपको अपने आवेदन और "रूसी में सहायक" के बीच एक संबंध स्थापित करने की अनुमति देता है इस तरह से कि आपके आवेदन के लिए उपयुक्त सभी उपयोगकर्ता वाक्यांशों को एक विशेष सेवा पर पुनर्निर्देशित किया जाएगा जिसे आपको लागू करना होगा। हम इन सेवाओं को एजेंट कहते हैं।

एजेंट और मॉड्यूल

सहायक अग्रिम में वाक्यांश के पाठ से सभी आवश्यक डेटा निकाल देगा और इसे एजेंट को सिमेंटिक पार्स ट्री - टोकन के रूप में प्रदान करेगा। यह विशेष व्याकरण (मॉड्यूल) के कारण है जो आपको अपनी सेवा के लिए बनाने की आवश्यकता है।

एक मॉड्यूल वाक्यांशों के टेम्पलेट्स (पैटर्न) के साथ आदेशों का एक सेट है जो आपके एजेंट को जवाब देना चाहिए (पैटर्न का सिंटैक्स एपीआई के लिए प्रलेखन में विस्तार से वर्णित है)। एजेंट किसी भी समय उपयोगकर्ता के लिए उपलब्ध ऐसे मॉड्यूल के सेट को सीमित कर सकता है, जिससे संवाद संदर्भ बन सकता है। यहाँ एक सरल मॉड्यूल का एक उदाहरण दिया गया है:

 <?xml version="1.0" encoding="utf-8"?> <module xmlns:android="http://schemas.android.com/apk/res/android"> <pattern name="UserName" value="*" /> <command android:id="@+id/cmd_hello"> <pattern value="* *"/> </command> <command android:id="@+id/cmd_name"> <pattern value="*   $UserName"/> </command> </module> 

एक मॉड्यूल सिर्फ एक xml फ़ाइल है जिसे आपके एप्लिकेशन के xml संसाधन निर्देशिका में संग्रहीत करने की आवश्यकता है। यहां एक साधारण मॉड्यूल का उदाहरण दिया गया है जिसमें दो कमांड और बहुत ही सरल पैटर्न हैं।
जैसा कि आप देख सकते हैं, मॉड्यूल में कोई नियंत्रण कोड नहीं है, क्योंकि सभी कोड आपके एजेंट की कक्षा में वर्णित किए जाएंगे। यह आवाज एपीआई के लिए हमारे दृष्टिकोण के मूल सिद्धांत को दर्शाता है - घोषणात्मक भाग, जो संवाद के व्याकरण का वर्णन करता है, नियंत्रण कोड से अलग होता है, जो प्रसंस्करण तर्क को लागू करता है और भाषा से पूरी तरह से स्वतंत्र है ।

एक एजेंट, वास्तव में, नियमित एंड्रॉइड सेवाओं पर एक ऐड-ऑन है। यह सहायक और आपके आवेदन के तर्क के बीच इंटरफ़ेस को लागू करता है।

 public class HelloAgent extends AssistantAgent { @Override protected void onCommand(Request request) { switch (request.getDispatchId()) { case R.id.cmd_hello: onHello(request); break; case R.id.cmd_name: onName(request); break; } } ... } 

यहां एक सरल उदाहरण है कि कैसे एक एजेंट मॉड्यूल में पहले वर्णित कमांडों को संसाधित कर सकता है। असिस्टेंटएजेंट एब्स्ट्रेक्शन प्रोसेसिंग कमांड्स के लिए कई अलग-अलग तरीके प्रदान करता है, डायलॉग प्रसंग को मैनेज करना, थर्ड-पार्टी एक्टिविटीज़ को इन्वाइट करना आदि।

अनुरोध में उपयोगकर्ता के अनुरोध के बारे में सभी आवश्यक जानकारी शामिल है - कमांड की पहचानकर्ता, अनुरोध की सामग्री (टोकन या कुछ और), एक सत्र, आदि। किसी भी अनुरोध के लिए, एजेंट को एक प्रतिक्रिया उत्पन्न करनी चाहिए - प्रतिक्रिया, जिसमें प्रतिक्रिया सामग्री शामिल है और, यदि आवश्यक हो, तो सहायक को संवाद के संदर्भ को स्विच करने के लिए निर्देश।

 request.addQuickResponse(“!”); 

यह एक पंक्ति में एक त्वरित प्रतिक्रिया बनाने का एक उदाहरण है। यहाँ एक और अधिक जटिल उदाहरण है:

 Response response = request.createResponse(); response.setContent(getString(R.string.hello_say_name)); response.enterModalQuestionScope(R.xml.name); request.addResponse(response); 

यहां, उत्तर, स्ट्रिंग के रूप में सामग्री के अलावा (आप अन्य प्रकार की सामग्री को स्थानांतरित कर सकते हैं, उदाहरण के लिए, जीयूआई), इसमें संवाद के संदर्भ को बदलने के बारे में जानकारी भी शामिल है। अब उपयोगकर्ता के पास केवल R.xml.name मॉड्यूल से कमांड का उपयोग होगा, और एजेंट के उत्तर से सहायक की आवाज के बाद, माइक्रोफोन स्वचालित रूप से चालू हो जाएगा - इसे "मोडल मोड" कहा जाता है।

प्रत्येक एजेंट एक सेवा है, और इसलिए इसे एप्लिकेशन मैनिफ़ेस्ट में वर्णित किया जाना चाहिए - AndroidManifest.xml

 <service android:name=".HelloAgent"> <intent-filter> <action android:name="mobi.voiceassistant.intent.action.COMMAND"/> <data android:scheme="assist" android:host="mobi.voiceassistant.ru"/> </intent-filter> <meta-data android:name="mobi.voiceassistant.MODULE" android:resource="@xml/hello"/> </service> 

एजेंट का मुख्य मॉड्यूल और उस "रूसी में सहायक" का पैकेज जिसके साथ एजेंट काम कर सकता है, यहां इंगित किया गया है।

अपने आवेदन के निर्माण और "रूसी में सहायक" डिवाइस पर स्थापित करने के बाद, यह आपके प्रकट होने की जानकारी लेगा और मॉड्यूल को लोड करेगा। और फिर यह उपयोगकर्ता से आपके एजेंट के लिए सभी उपयुक्त अनुरोधों को पुनर्निर्देशित करेगा यदि सहायक एनएलपी इंजन मानता है कि वाक्यांश मॉड्यूल पैटर्न के तहत सबसे अच्छा फिट बैठता है।

जारी रखा जाए

इस पोस्ट में, हमने बहुत ही संक्षेप में अपने एपीआई का उपयोग करने की मूल बातें बताईं, इसके साथ काम करने के मूल सिद्धांतों का वर्णन किया। बेशक, सहायक पुस्तकालय कई और अधिक जटिल कार्य प्रदान करता है: दूरस्थ और फजी पैटर्न, रिमोट व्यू, गतिशील रूप से प्रतिक्रिया सामग्री को बदलना, वाक्यांशों से डेटा निकालना और बहुत कुछ। यह सब प्रलेखन में वर्णित है, जिसे हम पुस्तकालय में सुधार के दौरान पूरक करेंगे।

हमारा सुझाव है कि आप अपने स्वयं के प्रोजेक्ट में ध्वनि नियंत्रण का प्रयास करें, डेवलपर समुदाय से जुड़ें और इस टूल को बेहतर बनाने में सहायता करें।