Google推出Android ML平臺，可減少機器學習App大小

為了讓開發者在Android應用程式中，更方便地加入機器學習功能，Google建構了Android機器學習平臺，不只提供最新的推理元件更新，同時也對所有裝置最佳化推理效能，開發者可以跨Android版本使用一致的機器學習推理API。

裝置上機器學習帶來許多優點，不只可以獲得更低的推理延遲，也能以更好的效率使用電力，裝置能夠在沒有連上網路的情況下，繼續使用機器學習功能，但是Google發現，要在裝置上部署機器學習模型，開發團隊通常會遇到數個常見的問題。

第一個問題是應用程式的大小，由於應用程式受容量限制，因此如果必須要綑綁僅用於機器學習功能的函式庫，可能會產生龐大的管理成本，第二個問題則是技術的複雜性，因為裝置上與伺服器上的機器學習技術存在很大的差異，由於計算環境高度異構，導致效能、穩定性和準確性也都有很大的不同。第三則是裝置的支援性，開發人員為了要最大程度覆蓋裝置，因此傾向使用較舊的API，而這限制最新機器學習技術的使用。

為了解決這些問題，Google推出Android機器學習平臺，這是一個可更新且完全整合的機器學習推理堆疊，該平臺提供開發者Android裝置端最新的推理二元檔案，而這將能夠降低APK檔案的大小。

Google也對所有裝置進行效能最佳化，官方提到，他們會最佳化機器學習推理與Android的整合，能根據裝置自動作出效能決策，包括在可用時啟動硬體加速。同時Android機器學習平臺也最大程度降低開發複雜性，其提供跨Android版本一致的API，並且透過Google Play服務提供定期更新，因此更新節奏與Android作業系統發布周期分離。

官方提到，Android機器學習平臺在Android裝置端內建TensorFlow Lite for Android，也就是說，TensorFlow Lite已經可以在所有配備Google Play服務的裝置上使用。如此開發人員就不需要在應用程式中加入Runtime，進而減少應用程式的容量，此外，TensorFlow Lite for Android會使用模型中的元資料，來自動啟用硬體加速，使應用程式可以在每臺Android裝置獲得最佳效能。

自動加速是TensorFlowLite for Android的新功能，該功能供開發者考量效能、準確性和穩定性，創建模型許可名單，這份許可名單能在模型執行的時候，決定開啟硬體加速與否，而為了要使用許可名單，開發者需要提供額外的元資料來驗證正確性。這項功能會在今年稍晚推出。

除了定期更新TensorFlow Lite for Android之外，Google還會更新在作業系統外的Neural Networks API，並且保持各Android版本的API維持相同規範。另外，Google還正與晶片廠合作，在作業系統外，直接向裝置提供最新的硬體驅動程式，這使得開發人員可以大幅減少需要測試的裝置數量，目前高通是Google的第一個合作夥伴。