Dengan GenAI Summarization API dari ML Kit, Anda dapat otomatis membuat ringkasan artikel dan percakapan sebagai daftar poin-poin. Hal ini membantu pengguna memahami isi teks yang panjang.
Ringkasan mendapatkan manfaat dari AI generatif di perangkat karena mengatasi kekhawatiran tentang privasi data dan efisiensi biaya. Aplikasi yang merangkum chat, email, catatan, dan pengingat pribadi sering kali menangani informasi sensitif, sehingga pemrosesan di perangkat penting untuk privasi pengguna. Selain itu, tugas ringkasan, terutama yang memiliki konteks panjang atau banyak item, dapat memerlukan daya pemrosesan yang signifikan. Memproses konten ini di perangkat akan mengurangi beban server dan menurunkan biaya penayangan, sekaligus menjaga privasi data pengguna.
Kemampuan utama
GenAI Summarization API mencakup kemampuan berikut:
- Meringkas teks, yang dikategorikan sebagai artikel atau percakapan.
- Ringkasan output dalam satu, dua, atau tiga butir.
Mulai
Tambahkan API ringkasan ML Kit sebagai dependensi dalam konfigurasi
build.gradle
Anda.
implementation("com.google.mlkit:genai-summarization:1.0.0-beta1")
Selanjutnya, terapkan kode dalam project Anda:
- Buat objek
Summarizer
. - Download fitur jika dapat didownload.
- Buat permintaan ringkasan.
- Jalankan inferensi dan ambil hasilnya.
Kotlin
val articleToSummarize = "Announcing a set of on-device GenAI APIs..."
// Define task with required input type, output type, and language
val summarizerOptions = SummarizerOptions.builder(context)
.setInputType(InputType.ARTICLE)
.setOutputType(OutputType.ONE_BULLET)
.setLanguage(Language.ENGLISH)
.build()
val summarizer = Summarization.getClient(summarizerOptions)
suspend fun prepareAndStartSummarization() {
// Check feature availability. Status will be one of the following:
// UNAVAILABLE, DOWNLOADABLE, DOWNLOADING, AVAILABLE
val featureStatus = summarizer.checkFeatureStatus().await()
if (featureStatus == FeatureStatus.DOWNLOADABLE) {
// Download feature if necessary. If downloadFeature is not called,
// the first inference request will also trigger the feature to be
// downloaded if it's not already downloaded.
summarizer.downloadFeature(object : DownloadCallback {
override fun onDownloadStarted(bytesToDownload: Long) { }
override fun onDownloadFailed(e: GenAiException) { }
override fun onDownloadProgress(totalBytesDownloaded: Long) {}
override fun onDownloadCompleted() {
startSummarizationRequest(articleToSummarize, summarizer)
}
})
} else if (featureStatus == FeatureStatus.DOWNLOADING) {
// Inference request will automatically run once feature is
// downloaded. If Gemini Nano is already downloaded on the device,
// the feature-specific LoRA adapter model will be downloaded
// quickly. However, if Gemini Nano is not already downloaded, the
// download process may take longer.
startSummarizationRequest(articleToSummarize, summarizer)
} else if (featureStatus == FeatureStatus.AVAILABLE) {
startSummarizationRequest(articleToSummarize, summarizer)
}
}
fun startSummarizationRequest(text: String, summarizer: Summarizer) {
// Create task request
val summarizationRequest = SummarizationRequest.builder(text).build()
// Start summarization request with streaming response
summarizer.runInference(summarizationRequest) { newText ->
// Show new text in UI
}
// You can also get a non-streaming response from the request
// val summarizationResult = summarizer.runInference(
// summarizationRequest).get().summary
}
// Be sure to release the resource when no longer needed
// For example, on viewModel.onCleared() or activity.onDestroy()
summarizer.close()
Java
String articleToSummarize = "Announcing: a set of on-device GenAI AI APIs.";
// Define task with required input type, output type, and language
SummarizerOptions summarizerOptions =
SummarizerOptions.builder(context)
.setInputType(SummarizerOptions.InputType.ARTICLE)
.setOutputType(SummarizerOptions.OutputType.ONE_BULLET)
.setLanguage(SummarizerOptions.Language.ENGLISH)
.build();
Summarizer summarizer = Summarization.getClient(summarizerOptions);
void prepareAndStartSummarization()
throws ExecutionException, InterruptedException {
// Check feature availability. Status will be one of the following:
// UNAVAILABLE, DOWNLOADABLE, DOWNLOADING, AVAILABLE
try {
int featureStatus = summarizer.checkFeatureStatus().get();
if (featureStatus == FeatureStatus.DOWNLOADABLE) {
// Download feature if necessary.
// If downloadFeature is not called, the first inference request
// will also trigger the feature to be downloaded if it's not
// already downloaded.
summarizer.downloadFeature(new DownloadCallback() {
@Override
public void onDownloadCompleted() {
startSummarizationRequest(articleToSummarize, summarizer);
}
@Override
public void onDownloadFailed(GenAiException e) { /* handle error */ }
@Override
public void onDownloadProgress(long totalBytesDownloaded) {}
@Override
public void onDownloadStarted(long bytesDownloaded) {}
});
} else if (featureStatus == FeatureStatus.DOWNLOADING) {
// Inference request will automatically run once feature is
// downloaded. If Gemini Nano is already downloaded on the
// device, the feature-specific LoRA adapter model will be
// downloaded quickly. However, if Gemini Nano is not already
// downloaded, the download process may take longer.
startSummarizationRequest(articleToSummarize, summarizer);
} else if (featureStatus == FeatureStatus.AVAILABLE) {
startSummarizationRequest(articleToSummarize, summarizer);
}
} catch (ExecutionException | InterruptedException e) {
e.printStackTrace();
}
}
void startSummarizationRequest(String text, Summarizer summarizer) {
// Create task request
SummarizationRequest summarizationRequest =
SummarizationRequest.builder(text).build();
// Start summarization request with streaming response
summarizer.runInference(summarizationRequest, newText -> {
// Show new text in UI
});
// You can also get a non-streaming response from the request
// ListenableFuture<SummarizationResult> summarizationResult
// = summarizer.runInference(summarizationRequest);
// String summary = summarizationResult.get().getSummary();
}
// Be sure to release the resource when no longer needed
// For example, on viewModel.onCleared() or activity.onDestroy()
summarizer.close();
Cara model menangani berbagai jenis input
Jika input teks ditentukan sebagai InputType.CONVERSATION
, model
akan mengharapkan input dalam format berikut:
<name>: <message>
<name2>: <message2>
<name>: <message3>
<name3>: <message4>
Hal ini memungkinkan model menghasilkan ringkasan yang lebih akurat dengan memberikan pemahaman yang lebih baik tentang percakapan dan interaksi.
Fitur yang didukung dan batasan
Input harus kurang dari 4.000 token (atau sekitar 3.000 kata dalam bahasa Inggris). Jika input melebihi 4.000 token, pertimbangkan opsi berikut:
- Prioritaskan ringkasan 4.000 token pertama. Pengujian menunjukkan bahwa hal ini
biasanya memberikan hasil yang baik untuk input yang lebih panjang. Pertimbangkan untuk mengaktifkan pemotongan otomatis
dengan memanggil
setLongInputAutoTruncationEnabled
sehingga input tambahan otomatis terpotong. - Segmen input menjadi grup yang terdiri dari 4.000 token, dan ringkas satu per satu.
- Pertimbangkan solusi cloud yang lebih cocok untuk input yang lebih besar.
Untuk InputType.ARTICLE
, input juga harus lebih dari 400 karakter, dengan
model berperforma terbaik jika artikel berisi minimal 300 kata.
GenAI Summarization API mendukung bahasa Inggris, Jepang, dan Korea, serta
ditentukan di SummarizerOptions.Language
.
Ketersediaan konfigurasi fitur tertentu (ditentukan oleh
SummarizerOptions
) dapat bervariasi bergantung pada konfigurasi
perangkat tertentu dan model yang telah didownload ke perangkat.
Cara paling andal bagi developer untuk memastikan bahwa fitur API yang diinginkan
didukung di perangkat dengan SummarizerOptions
yang diminta adalah dengan memanggil
metode checkFeatureStatus()
. Metode ini memberikan status definitif
ketersediaan fitur di perangkat saat runtime.
Masalah penyiapan umum
API GenAI ML Kit mengandalkan aplikasi Android AICore untuk mengakses Gemini Nano. Saat perangkat baru saja disiapkan (termasuk direset), atau aplikasi AICore baru saja direset (misalnya, menghapus data, meng-uninstal, lalu menginstal ulang), aplikasi AICore mungkin tidak memiliki cukup waktu untuk menyelesaikan inisialisasi (termasuk mendownload konfigurasi terbaru dari server). Akibatnya, ML Kit GenAI API mungkin tidak berfungsi seperti yang diharapkan. Berikut adalah pesan error penyiapan umum yang mungkin Anda lihat dan cara menanganinya:
Contoh pesan error | Cara menangani |
AICore gagal dengan jenis error 4-CONNECTION_ERROR dan kode error 601-BINDING_FAILURE: Layanan AICore gagal melakukan binding. | Hal ini dapat terjadi saat Anda menginstal aplikasi menggunakan ML Kit GenAI API segera setelah penyiapan perangkat atau saat AICore di-uninstal setelah aplikasi diinstal. Mengupdate aplikasi AICore, lalu menginstal ulang aplikasi Anda akan memperbaikinya. |
AICore gagal dengan jenis error 3-PREPARATION_ERROR dan kode error 606-FEATURE_NOT_FOUND: Fitur ... tidak tersedia. |
Hal ini dapat terjadi jika AICore belum selesai mendownload konfigurasi terbaru. Pastikan koneksi jaringan tetap aktif dan tunggu selama beberapa menit hingga beberapa jam.
Perlu diperhatikan bahwa jika bootloader perangkat tidak terkunci, Anda juga akan melihat error ini—API ini tidak mendukung perangkat dengan bootloader yang tidak terkunci. |
AICore gagal dengan jenis error 1-DOWNLOAD_ERROR dan kode error 0-UNKNOWN: Fitur ... gagal dengan status kegagalan 0 dan error esz: UNAVAILABLE: Tidak dapat me-resolve host ... | Pastikan koneksi jaringan tetap aktif, tunggu beberapa menit, lalu coba lagi. |