O Kit de ML pode gerar respostas curtas para mensagens usando um modelo no dispositivo.
Para gerar respostas inteligentes, você transmite ao Kit de ML um registro de mensagens recentes em uma conversa. Se o kit determinar que a conversa está em inglês e ela não tiver um assunto potencialmente confidencial, o kit gerará até três respostas, que você pode sugerir ao usuário.
Agrupadas | Desagrupado | |
---|---|---|
Nome da biblioteca | com.google.mlkit:smart-reply | com.google.android.gms:play-services-mlkit-smart-reply |
Implementação | O modelo é vinculado estaticamente ao app no tempo de compilação. | O download do modelo é feito dinamicamente pelo Google Play Services. |
Impacto do tamanho do app | Aumento de aproximadamente 5,7 MB. | Aumento de aproximadamente 200 KB. |
Tempo de inicialização | O modelo estará disponível imediatamente. | Talvez seja necessário aguardar o download do modelo para usá-lo pela primeira vez. |
Faça um teste
- Teste o app de exemplo para ver um exemplo de uso dessa API.
Antes de começar
No arquivo
build.gradle
no nível do projeto, inclua o repositório Maven do Google nas seçõesbuildscript
eallprojects
.Adicione as dependências das bibliotecas do Android do Kit de ML ao arquivo Gradle do módulo no nível do app, que geralmente é
app/build.gradle
. Escolha uma das dependências abaixo com base nas suas necessidades:- Para agrupar o modelo e o aplicativo, siga estas etapas:
dependencies { // ... // Use this dependency to bundle the model with your app implementation 'com.google.mlkit:smart-reply:17.0.2' }
- Para usar o modelo no Google Play Services:
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' }
Se você optar por usar o modelo no Google Play Services, poderá configurar seu app para fazer o download dele automaticamente para o dispositivo depois que ele for instalado na Play Store. Ao adicionar a seguinte declaração ao arquivo
AndroidManifest.xml
do 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>
Também é possível conferir explicitamente a disponibilidade do modelo e solicitar o download pela API ModuleInstallClient do Google Play.
Se você não ativar os downloads do modelo de tempo de instalação ou solicitar o download explícito, o modelo será transferido na primeira vez que você executar o gerador de resposta inteligente. As solicitações feitas antes da conclusão do download não geram resultados.
1. Criar um objeto de histórico de conversas
Para gerar respostas inteligentes, você transmite para o Kit de ML uma
List
de objetosTextMessage
em ordem cronológica, com o carimbo de data/hora mais antigo primeiro.Sempre que o usuário enviar uma mensagem, adicione a mensagem e o carimbo de data/hora dela ao histórico de conversas:
Kotlin
conversation.add(TextMessage.createForLocalUser( "heading out now", System.currentTimeMillis()))
Java
conversation.add(TextMessage.createForLocalUser( "heading out now", System.currentTimeMillis()));
Sempre que o usuário receber uma mensagem, adicione a mensagem, o carimbo de data/hora e o ID do usuário do remetente ao histórico de conversas. O ID do usuário pode ser qualquer string que identifique exclusivamente o remetente na conversa. O ID do usuário não precisa corresponder a nenhum dado do usuário e não precisa ser consistente entre conversas ou invocações do gerador de resposta inteligente.
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));
Um objeto de histórico de conversas é parecido com este exemplo:
Carimbo de data/hora ID do usuário Usuário local A mensagem Quinta-feira, 21 de fevereiro, às 13:13:39 PST 2019 verdadeiro Você está a caminho? Quinta-feira, 21 de fevereiro, às 13:15:03 PST 2019 AMIGO0 false Vou me atrasar! O Kit de ML sugere respostas à última mensagem em um histórico de conversas. A última mensagem precisa ser de um usuário não local. No exemplo acima, a última mensagem na conversa é do usuário não local MIG0. Quando você usa esse registro do Kit de ML, ele sugere respostas à mensagem de Amigos: "Correndo tarde, desculpa!"
2. Receber respostas de mensagens
Para gerar respostas inteligentes a uma mensagem, receba uma instância de
SmartReplyGenerator
e transmita o histórico de conversas para o métodosuggestReplies()
: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 // ... } }); Se a operação for bem-sucedida, um objeto
SmartReplySuggestionResult
será transmitido para o gerenciador de sucesso. Esse objeto contém uma lista de até três respostas sugeridas, que podem ser apresentadas ao usuário:Kotlin
for (suggestion in result.suggestions) { val replyText = suggestion.text }
Java
for (SmartReplySuggestion suggestion : result.getSuggestions()) { String replyText = suggestion.getText(); }
O Kit de ML pode não retornar resultados se o modelo não confiar na relevância das respostas sugeridas, se a conversa de entrada não estiver em inglês ou se o modelo detectar um assunto confidencial.