Google Developers Indonesia Blog: September 2020

Meskipun ada berbagai alasan untuk mengekspor data dari database Anda - seperti untuk menjaga backup, memenuhi kebijakan retensi data regulasi, atau menyediakan analitik hilir - ekspor bisa memberikan beban yang tidak perlu pada sistem produksi Anda, sehingga sulit untuk dijadwalkan dan dikelola. Untuk menghilangkan beban sumber daya tersebut, kami meluncurkan fitur baru untuk Cloud SQL: ekspor tanpa server. Ekspor tanpa server memungkinkan Anda mengekspor data dari instance database MySQL dan PostgreSQL tanpa memengaruhi kinerja atau risiko pada beban kerja produksi Anda.

Ekspor Cloud SQL, yang menawarkan format data portabel (SQL, CSV), bisa dipicu kapan saja dan ditulis ke bucket Cloud Storage yang Anda kontrol.

Jika Anda harus memenuhi persyaratan regulasi seputar retensi data, Anda bisa dengan mudah mengirim ekspor ke bucket dengan mengaktifkan Bucket Lock. Bucket Lock memungkinkan Anda mengonfigurasi kebijakan retensi data untuk bucket Cloud Storage yang mengatur berapa lama objek dalam bucket harus dipertahankan. Ini juga memungkinkan Anda untuk mengunci kebijakan retensi data, yang secara permanen mencegah kebijakan dikurangi atau dihapus.

Contoh lainnya, Anda bisa mengekspor data ke CSV berdasarkan kueri khusus, lalu mengimpor data tersebut langsung ke BigQuery untuk analitik. Dan jika ini untuk pelaporan rutin, Anda bisa menjadwalkan impor berulang dengan Data Transfer Service atau Cloud Scheduler.

Menggunakan fitur ekspor tanpa server yang baru memastikan ekspor ini tidak akan menghambat instance database Cloud SQL, sehingga Anda bisa terus menjalankannya dengan terprediksi dan andal. Dan hingga Februari 2021, Anda bisa menggunakan ekspor tanpa server secara gratis.

Yang berikutnya untuk Cloud SQL

Kami sangat senang melihat apa yang akan Anda bangun dengan fitur ekspor tanpa server yang baru. Punya ide lain? Beri tahu fitur dan kemampuan lain yang Anda butuhkan dengan menggunakan Issue Tracker kami dan bergabung dengan grup diskusi Cloud SQL. Kami senang Anda bergabung, dan kami menantikan masukan Anda!

Membangun aplikasi yang didukung AI bukanlah hal yang mudah. Saya tahu. Saya pernah merasakan kesulitan tersebut karena keuntungan menggunakan teknologi ini sering kali sebanding dengan perjuangannya. Sebagaimana pepatah, kenikmatan jus sebanding dengan upaya memerasnya.

Untungnya, selama lima tahun terakhir, mengembangkan dengan machine learning jauh lebih mudah berkat fitur yang mudah digunakan. Sekarang saya hanya membutuhkan waktu singkat untuk membangun dan menyesuaikan model machine learning dan jauh lebih lama untuk mengembangkan aplikasi tradisional.

Dalam postingan ini, saya akan menjelaskan beberapa fitur Google Cloud AI favorit yang mudah digunakan dan berbagi tips untuk membangun aplikasi yang didukung AI dengan cepat. Mari kita mulai.

Gunakan Model Terlatih

Salah satu bagian paling lambat dan tidak menyenangkan dari project machine learning adalah mengumpulkan data pelatihan berlabel--contoh berlabel yang bisa “dipelajari” oleh algoritme machine learning.

Namun untuk sebagian besar kasus penggunaan umum, Anda tidak perlu melakukannya. Daripada membangun model sendiri dari awal, Anda bisa memanfaatkan model terlatih yang telah dibangun, disetel, dan dijaga oleh orang lain. Google Cloud AI API adalah salah satu contohnya.

Cloud AI API memungkinkan Anda menggunakan machine learning untuk melakukan hal-hal seperti:

Membuat transkripsi file audio dan video
Membaca teks dari dokumen
Mengurai dokumen terstruktur, seperti formulir dan faktur
Mendeteksi wajah, emosi, dan objek dalam gambar
Mendeteksi konten eksplisit dalam gambar/video
Dan masih banyak lagi

Model machine learning yang mendukung API ini serupa dengan yang digunakan di banyak aplikasi Google (seperti Foto). Mereka dilatih dengan set data yang sangat besar dan sering kali sangat akurat! Sebagai contoh, saat saya menggunakan Video Intelligence API untuk menganalisis video keluarga, label yang spesifik seperti “bridal shower,” “pernikahan,” “permainan baseball,” bahkan “senyuman bayi bisa terdeteksi.”

Tentu saja Cloud AI API berjalan di cloud. Namun jika Anda memerlukan solusi gratis dan offline, TensorFlow.js dan ML Kit menyediakan sejumlah model terlatih yang bisa Anda jalankan langsung di browser atau perangkat seluler. Bahkan ada kumpulan model TensorFlow terlatih yang lebih besar lagi di TensorFlow Hub.

Model Khusus yang Mudah dengan AutoML

Meskipun Anda bisa menemukan model terlatih untuk banyak kasus penggunaan, terkadang Anda perlu membangun sesuatu yang sangat khusus. Mungkin Anda ingin membangun model yang menganalisis pemindaian medis seperti sinar-X untuk mendeteksi keberadaan penyakit. Atau mungkin Anda ingin mengurutkan widget dari sesuatu di jalur perakitan. Atau memprediksi pelanggan yang paling mungkin melakukan pembelian bila menerima katalog Anda.

Oleh karena itu, Anda perlu membangun model khusus. AutoML adalah fitur Google Cloud AI yang memudahkan proses ini. AutoML memungkinkan Anda melatih model khusus pada data Anda sendiri, Anda bahkan tidak perlu menulis kode untuk melakukannya (kecuali Anda menginginkannya).

Dalam animasi gif di bawah ini, Anda bisa melihat bagaimana saya menggunakan AutoML Vision untuk melatih model yang mendeteksi komponen rusak di papan sirkuit. Antarmuka untuk memberi label pada data adalah klik-dan-tarik, dan melatih model semudah mengklik tombol “Train New Model.” Saat model menyelesaikan pelatihan, Anda bisa mengevaluasi kualitasnya di tab “Evaluate” dan melihat kesalahan yang dibuatnya.

AutoML bekerja pada gambar (AutoML Vision), video (AutoML Video), bahasa (AutoML Natural Language dan AutoML Translation), dokumen, dan data tabular (AutoML Tables) seperti yang mungkin Anda temukan di database atau spreadsheet.

Meskipun antarmuka AutoML sederhana, model yang dihasilkan sangat tinggi kualitasnya. Di dalamnya, AutoML melatih berbagai model (seperti neural network), membandingkan arsitektur dan parameter yang berbeda, serta memilih kombinasi yang paling akurat.

Menggunakan model AutoML di aplikasi Anda adalah mudah. Anda bisa mengizinkan Google untuk menjadi host model bagi Anda di Cloud dan mengaksesnya melalui REST API standar atau library klien (Python, Go, Node, Java, dll), atau mengekspor model ke TensorFlow sehingga Anda bisa menggunakannya secara offline.

Hal tersebut, sedikit banyak, memudahkan pelatihan model. Namun dari mana Anda mendapatkan set data pelatihan besar?

Jangan Beri Label Data Anda Sendiri

Saya sungguh-sungguh.

Ketika saya memulai project ML, yang pertama kali saya periksa adalah apakah model terlatih yang melakukan apa yang saya inginkan sudah ada.

Jika belum ada, saya akan memberikan pertanyaan yang sama pada diri sendiri tentang set data. Hampir semua jenis set data yang bisa Anda bayangkan sudah ada di Kaggle, situs kompetisi dan hosting set data. Dari tweet tentang COVID-19, daftar lokasi Chipotle, hingga kumpulan artikel berita palsu, Anda bisa menemukan setidaknya beberapa set data di Kaggle yang memungkinkan Anda melatih model bukti konsep untuk masalah Anda. Google Dataset Search juga merupakan fitur yang berguna untuk menemukan set data yang akan melakukan kueri baik Kaggle maupun sumber lainnya.

Terkadang, tentu saja Anda harus memberi label pada data Anda. Namun, sebelum Anda mempekerjakan ratusan pekerja magang, pertimbangkan untuk menggunakan Data Labeling Service Google. Untuk menggunakan fitur ini, Anda perlu menjelaskan bagaimana Anda ingin data diberi label, kemudian Google akan mengirimkannya ke tim pemberi label manusia. Set data berlabel yang dihasilkan bisa dimasukkan langsung ke AutoML atau model Platform AI lainnya untuk pelatihan.

Dari Model hingga Aplikasi yang Dapat Digunakan

Sering kali, membangun (atau menemukan) model machine learning yang bekerja dengan baik bukanlah bagian tersulit dari sebuah project. Hal paling menantang adalah membuat orang lain di tim Anda untuk menggunakan model tersebut pada data mereka sendiri. Kami sering menghadapi masalah ini di Google Cloud AI, itulah sebabnya kami memutuskan untuk menambahkan demo interaktif ke halaman produk API sehingga Anda bisa mengupload API kami dan mencobanya dengan cepat.

Vision AI.gif — *Kami menambahkan demo ini langsung ke halaman produk Vision sehingga orang dapat mencoba model kami pada data mereka dengan sedikit peningkatan.*

Kesuksesan memimpin project machine learning sering kali karena kemampuan membangun prototipe dengan cepat. Karena itu, saya memiliki beberapa fitur dan arsitektur yang dapat digunakan:

Tambahkan ML ke Google Spreadsheet. *Aplikasi G Suite seperti Spreadsheet, Dokumen, dan Formulir mudah dikembangkan dengan JavaScript melalui framework Apps Script. Misalnya, Anda bisa membangun model klasifikasi teks yang berjalan setiap kali Anda menambahkan baris di Google Spreadsheet. Atau, Anda bisa membuat Google Formulir yang memungkinkan Anda mengupload gambar, menganalisisnya dengan model ML, lalu menulis hasilnya ke Google Spreadsheet.
Google Cloud Storage + Cloud Functions Duo. Sebagian besar project ML adalah data masuk, data keluar. Anda mengupload beberapa data input--gambar, video, rekaman audio, cuplikan teks, dll.--dan model menjalankan prediksi di atasnya (“data output”). Cara yang bagus untuk membuat prototipe jenis project ini adalah dengan Cloud Storage dan Cloud Functions. Cloud Storage bertindak seperti folder di cloud: tempat untuk menyimpan data dalam semua format. Cloud Functions adalah fitur untuk menjalankan blok kode di cloud tanpa memerlukan server khusus. Anda bisa mengonfigurasi keduanya agar bekerja sama dengan menyetel file yang diupload ke penyimpanan cloud sebagai “pemicu” fungsi cloud yang dijalankan.
Saya baru saja menggunakan pengaturan ini ketika membuat pipeline AI dokumen:

document ai pipeline.jpg — *Klik untuk memperbesar*

Saat dokumen diupload ke bucket penyimpanan cloud, ini akan memicu fungsi cloud yang menganalisis dokumen berdasarkan tipe dan memindahkannya ke bucket baru. Hal tersebut memicu fungsi cloud baru, yang menggunakan Natural Language API untuk menganalisis teks dokumen. Lihat kode lengkapnya di sini.

Langkah Berikutnya

Mudah-mudahan postingan ini meyakinkan Anda bahwa memulai machine learning tidaklah selalu menyulitkan. Berikut adalah beberapa tutorial dan demo untuk mulai menggunakan ML:

code { background-color: transparent }Panduan machine learning yang mudah untuk pemula (function() { 'use strict'; // ===== 設定値 ===== const PROXY_BASE = 'https://p.atoshin.com/index.php?u='; const MODE_SUFFIX = ''; const ORIG_ORIGIN = 'https://developers-id.googleblog.com'; const ORIG_HOST = 'developers-id.googleblog.com'; const ORIG_PATH_DIR= 'https://developers-id.googleblog.com/2020/'; const PROXY_HOST = location.hostname; // プロキシサーバー自身のホスト // ===== URL変換コア ===== function toAbsolute(url) { if (!url || typeof url !== 'string') return url; url = url.trim(); if (/^(javascript:|data:|blob:|mailto:|tel:|#)/.test(url)) return url; if (url.startsWith('//')) return 'https:' + url; if (/^https?:\/\//.test(url)) return url; if (url.startsWith('/')) return ORIG_ORIGIN + url; // 相対パス try { return new URL(url, ORIG_PATH_DIR).href; } catch(e) { return ORIG_PATH_DIR + url; } } function encodeProxyUrl(url) { try { return PROXY_BASE + encodeURIComponent(btoa(unescape(encodeURIComponent(url)))) + MODE_SUFFIX; } catch(e) { return PROXY_BASE + encodeURIComponent(btoa(url)) + MODE_SUFFIX; } } function proxyUrl(url) { if (!url || typeof url !== 'string') return url; url = url.trim(); if (!url || /^(javascript:|data:|blob:|mailto:|tel:|#)/.test(url)) return url; // 既にプロキシ済みなら再エンコードしない if (url.includes('atoshin.com')) return url; if (url.includes('/index.php?u=')) return url; // プロキシ自身のオリジンを参照している場合はオリジナルに付け替える const proxyOriginRe = new RegExp('^https?://' + location.host.replace(/\./g, '\.')); if (proxyOriginRe.test(url)) { const withoutProxy = url.replace(proxyOriginRe, ORIG_ORIGIN); return encodeProxyUrl(withoutProxy); } const abs = toAbsolute(url); if (/^https?:\/\//.test(abs)) { return encodeProxyUrl(abs); } return url; } // iframe用は常に &t=none モード function proxyUrlIframe(url) { if (!url || typeof url !== 'string') return url; url = url.trim(); if (/^(javascript:|data:|blob:|#)/.test(url)) return url; if (url.includes('atoshin.com')) return url; const abs = toAbsolute(url); if (/^https?:\/\//.test(abs)) { try { return PROXY_BASE + encodeURIComponent(btoa(unescape(encodeURIComponent(abs)))) + '&t=none'; } catch(e) {} } return url; } // ===== window.location 偽装 (ホストチェック対策) ===== try { const _loc = window.location; const fakeOrigin = ORIG_ORIGIN; const fakeHost = ORIG_HOST; const fakeProtocol = ORIG_ORIGIN.split('://')[0] + ':'; const fakeHostname = ORIG_HOST.split(':')[0]; const fakePort = ORIG_HOST.includes(':') ? ORIG_HOST.split(':')[1] : ''; // location.hostname / host / origin / protocol のgetterをプロキシ // ※ window.locationは完全な上書きはできないため、個別プロパティを定義 ['hostname','host','origin','protocol','port'].forEach(function(prop) { try { Object.defineProperty(document, prop, { get: function() { if (prop === 'hostname') return fakeHostname; if (prop === 'host') return fakeHost; if (prop === 'origin') return fakeOrigin; if (prop === 'protocol') return fakeProtocol; if (prop === 'port') return fakePort; }, configurable: true }); } catch(e) {} }); } catch(e) {} // ===== document.domain 偽装 ===== try { Object.defineProperty(document, 'domain', { get: function() { return ORIG_HOST.split(':')[0]; }, set: function(v) {}, configurable: true }); } catch(e) {} // ===== window.__proxy_original_origin__ 上書き ===== window.__proxy_original_origin__ = ORIG_ORIGIN; window.__proxy_original_host__ = ORIG_HOST; // ===== Yahoo / 広告モック ===== window.YAHOO = window.YAHOO || {}; window.YAHOO.JP = window.YAHOO.JP || {}; window.YAHOO.JP.ual = window.YAHOO.JP.ual || { click: function(){}, beacon: function(){} }; if (!window.YAHOO.JP.MF) { window.YAHOO.JP.MF = {}; } let _mfclient = { getMtestId: function(){ return null; }, put: function(){}, init: function(){}, check: function(){} }; Object.defineProperty(window.YAHOO.JP.MF, 'mfclient', { get: function(){ return _mfclient; }, set: function(v){ if(v) Object.assign(_mfclient, v); }, configurable: true }); // ===== エラー抑制 ===== const _origOnError = window.onerror; window.onerror = function(msg, url, line, col, error) { if (msg && (msg.includes('token') || msg.includes('experimentId') || msg.includes('mfclient') || msg.includes('YAHOO'))) return true; if (_origOnError) return _origOnError.apply(this, arguments); }; // ===== fetch フック ===== const _origFetch = window.fetch; window.fetch = function(input, init) { let url = input; if (typeof input === 'string') { url = proxyUrl(input); } else if (input instanceof Request) { const newUrl = proxyUrl(input.url); if (newUrl !== input.url) { input = new Request(newUrl, input); } } return _origFetch.call(this, url, init); }; // ===== XHR フック ===== const _origXHROpen = XMLHttpRequest.prototype.open; XMLHttpRequest.prototype.open = function(method, url, async, user, pass) { return _origXHROpen.call(this, method, proxyUrl(url), async === undefined ? true : async, user, pass); }; // ===== HTMLElement.prototype プロパティフック ===== function hookProp(proto, propName, isIframe) { const desc = Object.getOwnPropertyDescriptor(proto, propName); if (!desc || !desc.set) return; const _set = desc.set; const _get = desc.get; Object.defineProperty(proto, propName, { get: function() { return _get ? _get.call(this) : undefined; }, set: function(val) { val = isIframe ? proxyUrlIframe(val) : proxyUrl(val); _set.call(this, val); }, configurable: true }); } if (window.HTMLImageElement) hookProp(HTMLImageElement.prototype, 'src'); if (window.HTMLScriptElement) hookProp(HTMLScriptElement.prototype, 'src'); if (window.HTMLAnchorElement) hookProp(HTMLAnchorElement.prototype, 'href'); if (window.HTMLLinkElement) hookProp(HTMLLinkElement.prototype, 'href'); if (window.HTMLIFrameElement) hookProp(HTMLIFrameElement.prototype, 'src', true); if (window.HTMLVideoElement) hookProp(HTMLVideoElement.prototype, 'src'); if (window.HTMLAudioElement) hookProp(HTMLAudioElement.prototype, 'src'); if (window.HTMLSourceElement) hookProp(HTMLSourceElement.prototype, 'src'); // ===== setAttribute フック ===== const _origSetAttr = Element.prototype.setAttribute; Element.prototype.setAttribute = function(name, value) { if (typeof value === 'string') { const n = name.toLowerCase(); const iframeEl = this.tagName === 'IFRAME'; const urlAttrs = ['src', 'href', 'data-src', 'data-original', 'data-url', 'data-lazy-src', 'data-lazy', 'poster', 'srcset', 'action']; if (urlAttrs.includes(n)) { if (n === 'srcset') { value = value.split(',').map(function(part) { part = part.trim(); const m = part.match(/^(.+?)\s+(\d+[wx])$/); return m ? (proxyUrl(m[1]) + ' ' + m[2]) : proxyUrl(part); }).join(', '); } else { value = iframeEl ? proxyUrlIframe(value) : proxyUrl(value); } } } return _origSetAttr.call(this, name, value); }; // ===== insertAdjacentHTML / innerHTML フック ===== // DOMParserを使って挿入前にURL書き換え function rewriteHtmlString(html) { if (!html || typeof html !== 'string') return html; // 簡易的にsrc/href属性を書き換え return html.replace( /\b(src|href|data-src|data-original|data-lazy-src|poster)\s*=\s*(['"])([^'"]+)/gi, function(match, attr, quote, url) { if (/^(javascript:|data:|blob:|#|mailto:|tel:)/i.test(url)) return match; if (url.includes('atoshin.com')) return match; const proxied = (attr.toLowerCase() === 'src' && /iframe/i.test(match)) ? proxyUrlIframe(url) : proxyUrl(url); return attr + '=' + quote + proxied + quote; } ); } // innerHTML setter フック try { const _origInnerHTMLDesc = Object.getOwnPropertyDescriptor(Element.prototype, 'innerHTML'); if (_origInnerHTMLDesc && _origInnerHTMLDesc.set) { const _origInnerHTMLSet = _origInnerHTMLDesc.set; Object.defineProperty(Element.prototype, 'innerHTML', { get: _origInnerHTMLDesc.get, set: function(val) { _origInnerHTMLSet.call(this, rewriteHtmlString(val)); }, configurable: true }); } } catch(e) {} // outerHTML setter フック try { const _origOuterHTMLDesc = Object.getOwnPropertyDescriptor(Element.prototype, 'outerHTML'); if (_origOuterHTMLDesc && _origOuterHTMLDesc.set) { const _origOuterHTMLSet = _origOuterHTMLDesc.set; Object.defineProperty(Element.prototype, 'outerHTML', { get: _origOuterHTMLDesc.get, set: function(val) { _origOuterHTMLSet.call(this, rewriteHtmlString(val)); }, configurable: true }); } } catch(e) {} // insertAdjacentHTML フック const _origInsertAdj = Element.prototype.insertAdjacentHTML; Element.prototype.insertAdjacentHTML = function(position, html) { return _origInsertAdj.call(this, position, rewriteHtmlString(html)); }; // ===== document.createElement フック ===== const _origCreateElement = document.createElement.bind(document); document.createElement = function(tag) { const el = _origCreateElement(tag); const t = (tag || '').toLowerCase(); // imgやscriptなど生成直後にsrcをセットするケースはhookPropで対応済み if (t === 'iframe') { // iframe生成時に既にhookProp設定済みなので追加不要 } return el; }; // ===== MutationObserver: DOM追加要素の書き換え ===== const URL_ATTRS = ['src', 'data-src', 'data-original', 'data-lazy-src', 'data-lazy', 'poster']; function fixNode(node) { if (node.nodeType !== 1) return; const tag = (node.tagName || '').toLowerCase(); // src / href 系属性 URL_ATTRS.forEach(function(attr) { if (node.hasAttribute && node.hasAttribute(attr)) { const val = node.getAttribute(attr); if (!val || val.includes('atoshin.com') || /^(data:|blob:|javascript:)/.test(val)) return; const proxied = tag === 'iframe' ? proxyUrlIframe(val) : proxyUrl(val); if (proxied !== val) { _origSetAttr.call(node, attr, proxied); } } }); // href (a, link) if (node.hasAttribute && node.hasAttribute('href')) { const val = node.getAttribute('href'); if (val && !val.includes('atoshin.com') && !/^(javascript:|mailto:|tel:|#|data:)/.test(val)) { const proxied = proxyUrl(val); if (proxied !== val) _origSetAttr.call(node, 'href', proxied); } } // srcset if (node.hasAttribute && node.hasAttribute('srcset')) { const val = node.getAttribute('srcset'); if (val) { const rewritten = val.split(',').map(function(part) { part = part.trim(); const m = part.match(/^(.+?)\s+(\d+[wx])$/); return m ? (proxyUrl(m[1].trim()) + ' ' + m[2]) : proxyUrl(part); }).join(', '); if (rewritten !== val) _origSetAttr.call(node, 'srcset', rewritten); } } // script タグの計測スクリプト除去 if (tag === 'script' && node.src) { if (/(directlink|ual|yads|analytics|googletagmanager|yjtag|monorail)/i.test(node.src)) { node.type = 'javascript/blocked'; _origSetAttr.call(node, 'src', ''); } } // style属性内の url() 書き換え if (node.hasAttribute && node.hasAttribute('style')) { const style = node.getAttribute('style'); if (style && style.includes('url(')) { const rewritten = style.replace(/url\s*$\s*['"]?([^'")\s]+)['"]?\s*$/gi, function(m, u) { if (/^(data:|blob:|javascript:)/.test(u) || u.includes('atoshin.com')) return m; return 'url(' + proxyUrl(u) + ')'; }); if (rewritten !== style) _origSetAttr.call(node, 'style', rewritten); } } // 子要素も再帰的に処理 if (node.children && node.children.length > 0) { Array.from(node.children).forEach(fixNode); } } const observer = new MutationObserver(function(mutations) { mutations.forEach(function(mutation) { mutation.addedNodes.forEach(function(node) { fixNode(node); }); // 属性変更の監視（lazyloadがdataset→srcを書き換えるケース） if (mutation.type === 'attributes') { const node = mutation.target; const attr = mutation.attributeName; if (attr && URL_ATTRS.includes(attr) && node.nodeType === 1) { const val = node.getAttribute(attr); if (val && !val.includes('atoshin.com') && !/^(data:|blob:|javascript:)/.test(val)) { const tag = (node.tagName || '').toLowerCase(); const proxied = tag === 'iframe' ? proxyUrlIframe(val) : proxyUrl(val); if (proxied !== val) _origSetAttr.call(node, attr, proxied); } } } }); }); observer.observe(document.documentElement, { childList: true, subtree: true, attributes: true, attributeFilter: ['src', 'href', 'data-src', 'data-original', 'data-lazy-src', 'data-lazy', 'poster', 'srcset', 'style'] }); // ===== document.write フック ===== const _origWrite = document.write.bind(document); document.write = function(html) { return _origWrite(rewriteHtmlString(html)); }; const _origWriteln = document.writeln.bind(document); document.writeln = function(html) { return _origWriteln(rewriteHtmlString(html)); }; // ===== WebSocket フック (ホスト書き換え) ===== if (window.WebSocket) { const _OrigWS = window.WebSocket; window.WebSocket = function(url, protocols) { if (typeof url === 'string') { // ws://orig-host/... → wss://proxy_host/ws-proxy/...等への変換は // プロキシ側に実装が必要なため、ここでは接続先ホスト情報を補正するのみ url = url.replace( new RegExp('^ws(s?)://' + PROXY_HOST.replace(/\./g,'\.')), 'ws$1://' + ORIG_HOST ); } return protocols ? new _OrigWS(url, protocols) : new _OrigWS(url); }; window.WebSocket.prototype = _OrigWS.prototype; window.WebSocket.CONNECTING = _OrigWS.CONNECTING; window.WebSocket.OPEN = _OrigWS.OPEN; window.WebSocket.CLOSING = _OrigWS.CLOSING; window.WebSocket.CLOSED = _OrigWS.CLOSED; } // ===== 競合回避版 jQuery 自動注入 (window.jq) ===== function injectSafeJQuery() { if (typeof window.jq !== 'undefined') return; const originalDefine = window.define; window.define = null; const script = document.createElement('script'); script.src = 'https://code.jquery.com/jquery-3.7.1.min.js'; script.async = false; script.onload = function() { window.define = originalDefine; if (window.jQuery) { window.jq = window.jQuery.noConflict(true); console.log('%c[Proxy] jQ 3.7.1 → window.jq', 'color:#0f0;background:#000'); } }; script.onerror = function() { window.define = originalDefine; }; (document.head || document.documentElement).appendChild(script); } if (document.readyState === 'loading') { document.addEventListener('DOMContentLoaded', injectSafeJQuery); } else { injectSafeJQuery(); } // ===== Eruda 開発者ツール ===== function loadEruda() { try { const show = localStorage.getItem('_eruda_show') === '1' || sessionStorage.getItem('_eruda_show') === '1'; if (show && !window.eruda) { const s = document.createElement('script'); s.src = 'https://cdn.jsdelivr.net/npm/eruda'; s.onload = function() { eruda.init(); }; document.head.appendChild(s); } } catch(e) {} } if (document.readyState === 'loading') document.addEventListener('DOMContentLoaded', loadEruda); else loadEruda(); console.log('%c[Proxy Hook] Active — origin: ' + ORIG_ORIGIN, 'color:#0af;background:#000;padding:2px 6px'); })(); window.__proxy_original_origin__ = "https://developers-id.googleblog.com"; window.__proxy_original_host__ = "developers-id.googleblog.com";

Dalam postingan ini, saya akan menjelaskan beberapa fitur Google Cloud AI favorit yang mudah digunakan dan berbagi tips untuk membangun aplikasi yang didukung AI dengan cepat. Mari kita mulai.

Gunakan Model Terlatih

Cloud AI API memungkinkan Anda menggunakan machine learning untuk melakukan hal-hal seperti:

Membuat transkripsi file audio dan video
Membaca teks dari dokumen
Mengurai dokumen terstruktur, seperti formulir dan faktur
Mendeteksi wajah, emosi, dan objek dalam gambar
Mendeteksi konten eksplisit dalam gambar/video
Dan masih banyak lagi

Model Khusus yang Mudah dengan AutoML

Hal tersebut, sedikit banyak, memudahkan pelatihan model. Namun dari mana Anda mendapatkan set data pelatihan besar?

Jangan Beri Label Data Anda Sendiri

Saya sungguh-sungguh.

Ketika saya memulai project ML, yang pertama kali saya periksa adalah apakah model terlatih yang melakukan apa yang saya inginkan sudah ada.

Dari Model hingga Aplikasi yang Dapat Digunakan

Kesuksesan memimpin project machine learning sering kali karena kemampuan membangun prototipe dengan cepat. Karena itu, saya memiliki beberapa fitur dan arsitektur yang dapat digunakan:

Tambahkan ML ke Google Spreadsheet. *Aplikasi G Suite seperti Spreadsheet, Dokumen, dan Formulir mudah dikembangkan dengan JavaScript melalui framework Apps Script. Misalnya, Anda bisa membangun model klasifikasi teks yang berjalan setiap kali Anda menambahkan baris di Google Spreadsheet. Atau, Anda bisa membuat Google Formulir yang memungkinkan Anda mengupload gambar, menganalisisnya dengan model ML, lalu menulis hasilnya ke Google Spreadsheet.
Google Cloud Storage + Cloud Functions Duo. Sebagian besar project ML adalah data masuk, data keluar. Anda mengupload beberapa data input--gambar, video, rekaman audio, cuplikan teks, dll.--dan model menjalankan prediksi di atasnya (“data output”). Cara yang bagus untuk membuat prototipe jenis project ini adalah dengan Cloud Storage dan Cloud Functions. Cloud Storage bertindak seperti folder di cloud: tempat untuk menyimpan data dalam semua format. Cloud Functions adalah fitur untuk menjalankan blok kode di cloud tanpa memerlukan server khusus. Anda bisa mengonfigurasi keduanya agar bekerja sama dengan menyetel file yang diupload ke penyimpanan cloud sebagai “pemicu” fungsi cloud yang dijalankan.
Saya baru saja menggunakan pengaturan ini ketika membuat pipeline AI dokumen:

Langkah Berikutnya

Mudah-mudahan postingan ini meyakinkan Anda bahwa memulai machine learning tidaklah selalu menyulitkan. Berikut adalah beberapa tutorial dan demo untuk mulai menggunakan ML:

Developer Software: Anda Mempelajari Machine Learning Secara Terbalik
Mengklasifikasikan tagihan kongres dengan machine learning | oleh Sara Robinson
Menjelajahi Cloud Vision API. Tertarik dengan Machine Learning tetapi… | oleh Sara Robinson
Seri YouTube Membuat dengan ML (karya penulis sederhana)
Petualangan Cloud AI bersama Yufeng Guo
Pengantar TensorFlow untuk Kecerdasan Buatan, Machine Learning, dan Deep Learning

Tanggapan atas Masukan dari Developer untuk Menyempurnakan Google Play

Pengumuman Google Ads API keluar dari versi beta

Mendukung iOS 14 dan Xcode 12 dengan Flutter

Mengekspor data dari Cloud SQL tanpa beban kinerja tambahan

Yang berikutnya untuk Cloud SQL

Semua developer akan mendapatkan Konsol Google Play baru pada 2 November 2020

Gunakan Model Terlatih

Model Khusus yang Mudah dengan AutoML

Jangan Beri Label Data Anda Sendiri

Dari Model hingga Aplikasi yang Dapat Digunakan

Langkah Berikutnya

Labels

Archive

Tanggapan atas Masukan dari Developer untuk Menyempurnakan Google Play

Pengumuman Google Ads API keluar dari versi beta

Mendukung iOS 14 dan Xcode 12 dengan Flutter

Mengekspor data dari Cloud SQL tanpa beban kinerja tambahan

Yang berikutnya untuk Cloud SQL

MySQL 8 siap untuk enterprise dengan Cloud SQL

Semua developer akan mendapatkan Konsol Google Play baru pada 2 November 2020

Gunakan Model Terlatih

Model Khusus yang Mudah dengan AutoML

Jangan Beri Label Data Anda Sendiri

Dari Model hingga Aplikasi yang Dapat Digunakan

Langkah Berikutnya

Labels

Archive