Ikuti semua informasi yang diumumkan di Firebase Summit, dan pelajari bagaimana Firebase dapat membantu Anda mempercepat pengembangan aplikasi dan menjalankan aplikasi dengan percaya diri. Pelajari Lebih Lanjut

Hasilkan Balasan Cerdas dengan ML Kit di Android

Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Anda dapat menggunakan ML Kit untuk membuat balasan pesan menggunakan model di perangkat.

Untuk menghasilkan balasan cerdas, Anda memberikan ML Kit log pesan terbaru dalam percakapan. Jika ML Kit menentukan bahwa percakapan tersebut dalam bahasa Inggris, dan bahwa percakapan tersebut tidak memiliki topik yang berpotensi sensitif, ML Kit akan menghasilkan hingga tiga balasan, yang dapat Anda sarankan kepada pengguna Anda.

Sebelum kamu memulai

  1. Jika Anda belum melakukannya, tambahkan Firebase ke proyek Android Anda .
  2. Tambahkan dependensi untuk library Android ML Kit ke file Gradle modul (level aplikasi) Anda (biasanya app/build.gradle ): l10n
    apply plugin: 'com.android.application'
    apply plugin: 'com.google.gms.google-services'
    
    dependencies {
      // ...
      implementation 'com.google.firebase:firebase-ml-natural-language:22.0.0'
      implementation 'com.google.firebase:firebase-ml-natural-language-smart-reply-model:20.0.7'
    }
    
  3. Juga di file build.gradle tingkat aplikasi Anda, nonaktifkan kompresi file tflite : l10n
    android {
        // ...
        aaptOptions {
            noCompress "tflite"
        }
    }
    

1. Buat objek riwayat percakapan

Untuk menghasilkan balasan cerdas, Anda meneruskan ML Kit ke List objek FirebaseTextMessage yang diurutkan secara kronologis, dengan stempel waktu paling awal terlebih dahulu.

Setiap kali pengguna mengirim pesan, tambahkan pesan dan stempel waktunya ke riwayat percakapan:

Jawa

conversation.add(FirebaseTextMessage.createForLocalUser(
        "heading out now", System.currentTimeMillis()));

Kotlin

conversation.add(FirebaseTextMessage.createForLocalUser(
        "heading out now", System.currentTimeMillis()))

Setiap kali pengguna menerima pesan, tambahkan pesan, stempel waktunya, dan ID pengguna pengirim ke riwayat percakapan. ID pengguna dapat berupa string apa pun yang secara unik mengidentifikasi pengirim dalam percakapan. ID pengguna tidak perlu sesuai dengan data pengguna apa pun, dan ID pengguna tidak perlu konsisten antara percakapan atau pemanggilan generator balasan cerdas.

Jawa

conversation.add(FirebaseTextMessage.createForRemoteUser(
        "Are you coming back soon?", System.currentTimeMillis(), userId));

Kotlin

conversation.add(FirebaseTextMessage.createForRemoteUser(
        "Are you coming back soon?", System.currentTimeMillis(), userId))

Objek riwayat percakapan terlihat seperti contoh berikut:

stempel waktu identitas pengguna Pengguna Lokal? Pesan
Kamis 21 Februari 13:13:39 PST 2019 BENAR apakah kamu sedang dalam perjalanan?
Kamis 21 Februari 13:15:03 PST 2019 TEMAN0 Salah Terlambat, maaf!

Perhatikan bahwa pesan terbaru dalam contoh di atas berasal dari pengguna non-lokal. Ini penting karena ML Kit menyarankan balasan yang dimaksudkan untuk dikirim oleh pengguna aplikasi Anda: pengguna lokal. Anda harus memastikan bahwa Anda meneruskan ML Kit log percakapan yang diakhiri dengan pesan yang mungkin ingin dibalas oleh pengguna Anda.

2. Dapatkan balasan pesan

Untuk menghasilkan balasan cerdas ke sebuah pesan, dapatkan instance FirebaseSmartReply dan teruskan riwayat percakapan ke metode suggestReplies() :

Jawa

FirebaseSmartReply smartReply = FirebaseNaturalLanguage.getInstance().getSmartReply();
smartReply.suggestReplies(conversation)
        .addOnSuccessListener(new OnSuccessListener<SmartReplySuggestionResult>() {
            @Override
            public void onSuccess(SmartReplySuggestionResult result) {
                if (result.getStatus() == SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE) {
                    // The conversation's language isn't supported, so the
                    // 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
                // ...
            }
        });

Kotlin

val smartReply = FirebaseNaturalLanguage.getInstance().smartReply
smartReply.suggestReplies(conversation)
        .addOnSuccessListener { result ->
            if (result.getStatus() == SmartReplySuggestionResult.STATUS_NOT_SUPPORTED_LANGUAGE) {
                // The conversation's language isn't supported, so the
                // the result doesn't contain any suggestions.
            } else if (result.getStatus() == SmartReplySuggestionResult.STATUS_SUCCESS) {
                // Task completed successfully
                // ...
            }
        }
        .addOnFailureListener {
            // Task failed with an exception
            // ...
        }

Jika operasi berhasil, objek SmartReplySuggestionResult diteruskan ke pengendali sukses. Objek ini berisi daftar hingga 3 balasan yang disarankan, yang dapat Anda berikan kepada pengguna Anda:

Jawa

for (SmartReplySuggestion suggestion : result.getSuggestions()) {
    String replyText = suggestion.getText();
}

Kotlin

for (suggestion in result.suggestions) {
    val replyText = suggestion.text
}

Perhatikan bahwa ML Kit mungkin tidak memberikan hasil jika model tidak yakin dengan relevansi balasan yang disarankan, percakapan input tidak dalam bahasa Inggris, atau jika model mendeteksi materi pelajaran yang sensitif.