Google Cloud, Harvard Global Public Health merilis COVID-19 Public Forecasts yang disempurnakan, sebuah pembelajaran bersama

21 January 2021

code { background-color: transparent }Google Cloud, Harvard Global Public Health merilis COVID-19 Public Forecasts yang disempurnakan, sebuah pembelajaran bersama

Harvard Global Health Institute dan Google Cloud telah bekerja sama selama tiga bulan terakhir untuk menyempurnakan COVID-19 Public Forecasts, untuk memberikan informasi terbaik kepada responden pertama dan organisasi kesehatan guna mempersiapkan diri terhadap yang akan terjadi di masa mendatang.

Prediksi ini menggunakan AI untuk memberikan proyeksi kasus COVID-19, kematian, dan metrik lainnya untuk wilayah dan negara bagian AS. Sejak awal rilis, COVID-19 Public Forecasts sekarang telah digunakan oleh banyak organisasi di seluruh Amerika Serikat, dan meningkat secara signifikan dengan lima cara utama:

1. Prediksi & interval kepastian yang lebih lama. Saat pertama kali diluncurkan, COVID-19 Public Forecasts menyertakan prediksi untuk 14 hari ke depan. Mereka sekarang menyertakan prediksi untuk 28 hari ke depan. Karena prediksi secara umum semakin tidak pasti seiring peristiwa yang diprediksi semakin jauh ke depan, kami menambahkan interval kepastian untuk membantu pengguna memodelkan ketidakpastian tersebut.

2. Kualitas model yang ditingkatkan. Tim khusus terus meningkatkan kualitas model dengan penelitian AI yang canggih. Makalah yang merinci beberapa inovasi ini dipublikasikan dalam konferensi machine learning, NeurIPS 2020. Model ini adalah salah satu dari sedikit model yang memprediksi lonjakan kasus di bulan Oktober dan November dengan tepat. Akurasi model terus meningkat dari waktu ke waktu dan dilatih ulang setiap hari saat tersedia lebih banyak data. Sejak prediksi pertama dipublikasikan, kami telah melihat peningkatan akurasi prediksi sekitar 50%.

“COVID-19 Public Forecasts adalah solusi kesehatan publik yang penting sebagai panduan respons kebijakan terhadap pandemi COVID-19. Dengan menyediakan ‘sistem peringatan dini’ untuk kasus COVID-19, rawat inap, ICU, penggunaan ventilator, dan kematian, COVID-19 Public Forecasts menciptakan peluang bagi pejabat kesehatan publik dan pembuat kebijakan untuk beralih dari pendekatan reaktif ke pendekatan proaktif untuk menekan pandemi,” kata Dr. Thomas Tsai, MD, MPH, ahli bedah dan peneliti kebijakan kesehatan di Harvard T.H. Chan School of Public Health. Tim risetnya menggunakan COVID-19 Public Forecasts untuk mengembangkan target pengujian negara bagian dan nasional guna mengarahkan strategi pengujian seputar skrining individu tanpa gejala guna menekan penularan tersembunyi SARS-CoV-2.

3. Kemampuan untuk berekspansi ke negara lain. Kami telah menambahkan dukungan untuk memperluas COVID-19 Public Forecasts ke negara lain, dan hari ini kami meluncurkan prediksi untuk Jepang. Seperti halnya Amerika Serikat, prediksi ini gratis dan berdasarkan data publik seperti Laporan Situasi COVID-19 publik di Jepang. Model ini memprediksi kasus yang terkonfirmasi, kematian, pemulihan, dan rawat inap, per hari, dan akan memantau 28 hari ke depan. Jepang terdiri dari beberapa prefektur dan kami menawarkan prediksi ini untuk masing-masing prefektur. Informasi ini sekarang tersedia di dasbor prediksi COVID-19 Jepang.

“Kami memvalidasi model prediksi COVID-19 ini untuk Jepang dari perspektif akademis. Prediksi ini akan berguna bagi para profesional yang memahami kemampuan dan batasan model, serta akan memainkan peran penting bagi kesehatan masyarakat Jepang dan meningkatkan kemampuan kami untuk memahami dan merespons pandemi COVID-19 yang berkembang pesat. Dilengkapi dengan karya lain yang sudah ada seperti survei respons COVID-19 dari Universitas Keio yang bermitra dengan Kementerian Kesehatan, Tenaga Kerja, dan Kesejahteraan, dan prefektur, model ini memungkinkan intervensi kesehatan masyarakat yang lebih proaktif dan efisien berdasarkan satu demi satu prefektur," kata Prof. Miyata, Departemen Kebijakan dan Manajemen Kesehatan, Fakultas Kedokteran, Universitas Keio.

4. Prediksi yang disesuaikan. Sejak diluncurkan pada bulan Agustus, kami telah bekerja sama dengan banyak organisasi untuk lebih memahami bagaimana prediksi ini bisa membantu. Dalam prosesnya, kami mempelajari bahwa banyak organisasi memiliki kebutuhan khusus dan tidak hanya memanfaatkan prediksi publik kami, misalnya, menggunakan set data mereka sendiri sebagai input. Karena itu, kami telah mengubah model prediksi awal menjadi sistem yang dapat disesuaikan dengan masalah dan set data baru. Kami bekerja dengan para pemimpin sektor publik dan organisasi kesehatan untuk membantu mereka membuat prediksi khusus untuk negara bagian dan rumah sakit.

5. Analisis bagaimana-jika untuk pengambilan keputusan kebijakan yang tepat. Kami juga melihat minat yang signifikan dalam menggunakan model prediksi untuk menanyakan “bagaimana-jika” untuk membantu memutuskan kebijakan yang lebih tepat. Misalnya, Anda bisa melihat bagaimana prediksi berubah dalam merespons perubahan kebijakan seperti jika intervensi non-farmasi (mis. kewajiban memakai masker) dimunculkan, rencana pembukaan kembali diubah, atau kebijakan vaksinasi diubah. Karena itu, kami telah mengembangkan model baru yang didukung AI untuk digunakan bagi pengambilan keputusan COVID-19 dan penyakit menular lainnya. Kami berharap ini bisa membantu organisasi yang tertarik untuk melakukan perencanaan peluncuran vaksin dan pengambilan keputusan penting lainnya yang dapat memengaruhi hasil COVID-19. Jika Anda atau organisasi Anda tertarik untuk memanfaatkan alat ini, silakan hubungi kami di COVID19-public-forecasts-feedback@google.com.

Pelajaran yang didapat

Selama pengembangan prediksi COVID-19, tim kami dihadapkan pada risiko peluncuran yang terlalu cepat. Di satu sisi, potensi dampak prediksi yang lebih akurat dan kuat terhadap respons COVID-19 cukup besar, jadi sangatlah penting untuk meluncurkan dengan cepat. Namun, kami juga harus memastikan bahwa kualitasnya cukup tinggi sehingga bisa memberi informasi kepada pembuat keputusan serta memastikan bahwa hal ini tidak menjadikan disparitas semakin mencolok karena bias model.

Bagian berikut membagikan beberapa latar belakang tentang perjalanan kami menjelang peluncuran awal COVID-19 Public Forecasts.

Googler di Alphabet berkumpul pada bulan Maret dan mempelajari literatur untuk memahami prediksi epidemiologis, menemukan set data publik terbaik untuk melatih model, membangun infrastruktur untuk melatih model machine learning besar-besaran, dan merancang AI baru untuk prediksi deret waktu. Lebih dari seratus Googler bekerja selama berbulan-bulan untuk memastikan prediks yang kuat, akurat, dan bisa dipertanggungjawabkan.

Menggabungkan machine learning termutakhir dengan model epidemiologis tradisional. Sebagian besar model prediksi AI belajar dari data, seperti prakiraan cuaca yang berdasarkan data historis. Sebaliknya, sebagian besar model prediksi COVID-19 tidak belajar dari data tetapi simulasi penyebaran sesuai dengan prakiraan epidemiologis manusia. Kami merancang model prediksi deret waktu jenis baru yang belajar dari pengetahuan epidemiologis manusia serta data. Tantangan penting lainnya adalah merancang sistem yang bisa belajar di lingkungan yang terus berubah: intervensi seperti masker dan pembatasan sosial sering berubah dan terkadang sebagai respons terhadap prediksi – perkembangan penyakit memengaruhi kebijakan publik dan perilaku publik secara individu serta sebaliknya.

Membangun produk Google Cloud publik. Sejak awal kami tahu bahwa alat yang kami buat kemungkinan besar akan dibagikan secara luas kepada publik dan banyak organisasi. Hal itulah yang mendorong kami untuk membuat software ini pada produk Google Cloud publik kami, termasuk pipeline Kubeflow, tuning hyper-parameter GCP, Kubernetes, BigQuery, Google Cloud Storage, dan Cloud SQL. Menggunakan produk sendiri membantu kami mempersiapkan prediksi dengan lebih cepat.

Meningkatkan kekuatan prediksi. Untuk memastikan bahwa kami mengembangkan prediksi yang berguna, kami bermitra dengan Harvard Global Health Institute yang memberikan panduan kepada kami tentang cara memaksimalkan dampak pembuatan kebijakan dan memastikan prediksi akan berguna bagi mereka yang sangat membutuhkannya. Selain itu, kami bermitra dengan beberapa penguji awal, termasuk HCA Healthcare, untuk membantu kami memahami apa yang harus diprediksi, bagaimana formatnya, bahkan menguji versi awal prediksi. Upaya ini membantu menyempurnakan prediksi sebelum tersedia untuk masyarakat umum. Kami juga menghadirkan para pakar di Google dengan keahlian statistik dan epidemiologis untuk memastikan bahwa pekerjaan kami memenuhi standar ilmiah tertinggi. Kami merancang proses peluncuran prediksi harian yang pertama kali menjalankan lebih dari 100 pemeriksaan untuk mencari kejanggalan, dan kami melakukan tinjauan manual untuk analisis kualitatif guna memeriksa setiap masalah. Setiap hari pelatihan model kami menelusuri lebih dari ratusan opsi hyperparameter, dan tim bekerja untuk memastikan bahwa model terbaik bisa menjangkau pengguna kami.

Prediksi yang layak dan bisa dipertanggungjawabkan. Sangatlah penting bagi kami bahwa prediksi dapat diandalkan dan kuat. Mengingat dampak disproporsional yang ditimbulkan COVID-19 pada komunitas kulit berwarna di Amerika Serikat, kami melakukan analisis kelayakan, melihat bagaimana perbedaan kesalahan relatif dan absolut pada berbagai kelompok (terutama populasi Afrika Amerika dan Hispanik) dan menyimpulkan hasilnya. Kami menulis temuan kami dalam Analisis Kelayakan publik.

Kami sangat senang dengan apa yang telah kami capai dalam delapan bulan sejak upaya ini dimulai, tetapi yang lebih penting lagi adalah, kami bangga dengan orang-orang yang bersedia bersatu untuk membuat perbedaan dalam perang melawan pandemi global ini dan berterima kasih kepada semua orang di garis depan yang telah menyelamatkan nyawa, berinovasi, dan membawa dunia selangkah lebih dekat untuk kembali normal.

Jika Anda memiliki pertanyaan tentang COVID-19 Public Forecasts (g.co/covidforecast), penyesuaian, atau analisis bagaimana-jika, silakan hubungi kami di COVID19-public-forecasts-feedback@google.com.

Mempercepat Kinerja TensorFlow di Mac

20 January 2021

code { background-color: transparent }Mempercepat Kinerja TensorFlow di MacDitulis oleh Pankaj Kanwar dan Fred Alcober

Dengan TensorFlow 2, pelatihan kinerja terbaik di kelasnya pada berbagai platform, perangkat, dan hardware, developer, engineer, dan peneliti bisa bekerja pada platform pilihannya. Pengguna TensorFlow di Mac berprosesor Intel atau Mac yang ditenagai oleh chip M1 baru dari Apple sekarang bisa memanfaatkan pelatihan yang dipercepat menggunakan TensorFlow 2.4 versi Apple yang dioptimalkan untuk Mac dan framework ML Compute baru. Peningkatan ini, dikombinasikan dengan kemampuan developer Apple yang bisa mengeksekusi TensorFlow di iOS melalui TensorFlow Lite, terus menunjukkan fleksibilitas dan keintensifan TensorFlow dalam mendukung eksekusi ML berkinerja tinggi di hardware Apple. Kinerja di Mac dengan ML Compute Mac telah lama menjadi platform populer bagi developer, engineer, dan peneliti. Dengan pengumuman Apple minggu lalu, yang menampilkan jajaran Mac terkini yang berisi chip M1 terbaru, versi TensorFlow 2.4 yang dioptimalkan untuk Mac memaksimalkan kekuatan Mac dengan peningkatan kinerja yang sangat besar. Dengan ML Compute, framework baru Apple yang mendukung pelatihan untuk model TensorFlow langsung di Mac, kini Anda dapat memanfaatkan pelatihan akselerasi CPU dan GPU di Mac berprosesor M1 dan Intel. Sebagai contoh, chip M1 berisi CPU 8-Core baru yang kuat dan GPU hingga 8-core yang dioptimalkan untuk tugas pelatihan ML langsung di Mac. Pada grafik di bawah, Anda bisa melihat bagaimana TensorFlow 2.4 yang dioptimalkan untuk Mac dapat memberikan peningkatan kinerja sangat besar pada Mac berprosesor M1 dan Intel dengan model populer.

Dampak pelatihan terhadap model umum yang menggunakan ML Compute pada MacBook Pro 13 inci berprosesor M1 dan Intel ditampilkan dalam detik per batch, dengan angka yang lebih rendah menunjukkan waktu pelatihan yang lebih cepat.

Dampak pelatihan terhadap model umum yang menggunakan ML Compute pada Mac Pro 2019 berprosesor Intel ditampilkan dalam detik per batch, dengan angka yang lebih rendah menunjukkan waktu pelatihan yang lebih cepat.

Mulai menggunakan TensorFlow yang dioptimalkan untuk Mac Pengguna tidak perlu melakukan perubahan apa pun pada skrip TensorFlow yang sudah ada untuk menggunakan ML Compute sebagai backend untuk TensorFlow dan TensorFlow Addons.
Untuk memulai, kunjungi repo GitHub Apple guna mendapatkan petunjuk tentang cara mendownload dan menginstal TensorFlow 2.4 yang dioptimalkan untuk Mac. Dalam waktu dekat, kami akan semakin memudahkan update sehingga pengguna bisa dengan mudah mendapatkan angka kinerja ini dengan mengintegrasikan versi terpisah ke dalam cabang master TensorFlow. Anda bisa mempelajari lebih lanjut tentang framework ML Compute di situs Machine Learning Apple. Catatan kaki:

Pengujian dilakukan oleh Apple pada bulan Oktober dan November 2020 menggunakan sistem MacBook Pro 13 inci praproduksi dengan chip Apple M1, RAM 16GB, dan SSD 256GB, serta sistem MacBook Pro 13 inci berbasis Intel Core i7 quad-core 1,7 GHz versi produksi dengan Intel Iris Plus Graphics 645, RAM 16GB, dan SSD 2TB. Diuji dengan macOS Big Sur prarilis, TensorFlow 2.3, TensorFlow 2.4 prarilis, ResNet50V2 dengan fine-tuning, CycleGAN, Style Transfer, MobileNetV3, dan DenseNet121. Uji kinerja dilakukan menggunakan sistem komputer khusus dan mencerminkan perkiraan kinerja MacBook Pro.

Pengujian dilakukan oleh Apple pada bulan Oktober dan November 2020 menggunakan sistem Mac Pro berbasis Intel Xeon W 16-core 3,2 GHz versi produksi dengan RAM 32GB, grafis AMD Radeon Pro Vega II Duo dengan 64GB HBM2, dan SSD 256GB. Diuji dengan macOS Big Sur prarilis, TensorFlow 2.3, TensorFlow 2.4 prarilis, ResNet50V2 dengan fine-tuning, CycleGAN, Style Transfer, MobileNetV3, dan DenseNet121. Uji kinerja dilakukan menggunakan sistem komputer khusus dan mencerminkan perkiraan kinerja Mac Pro.

Android App Bundle baru dan persyaratan API level target pada tahun 2021

15 January 2021

code { background-color: transparent }Android App Bundle baru dan persyaratan API level target pada tahun 2021Ditulis oleh Hoi Lam, Developer Relations Engineer, Android Platform

Pada tahun 2021, kami melanjutkan update API level target tahunan kami, mewajibkan aplikasi baru menargetkan API level 30 (Android 11) pada bulan Agustus dan November untuk semua update aplikasi. Selain itu, seperti yang diumumkan pada awal tahun ini, Google Play mewajibkan aplikasi baru untuk menggunakan format publikasi Android App Bundle. Hal ini memberikan manfaat karena aplikasi berukuran lebih kecil dan rilis lebih sederhana bisa dilakukan dengan lebih mudah kepada lebih banyak pengguna dan developer, serta mendukung investasi berkelanjutan dalam distribusi lanjutan. Lebih dari 750.000 aplikasi dan game telah dipublikasikan ke produksi di Google Play menggunakan app bundle. Pengalihan aplikasi teratas menghemat ukuran rata-rata 15% dibandingkan APK universal. Pengguna yang diuntungkan dengan ukuran download yang lebih kecil dan developer seperti Netflix dan Riafy melihat tingkat keberhasilan penginstalan lebih tinggi, yang sangat berpengaruh di region dengan banyak perangkat berspesifikasi rendah dan kecepatan data yang lebih lambat. Developer yang beralih bisa menggunakan fitur distribusi lanjutan seperti Play Asset Delivery dan Play Feature Delivery. Kami menghargai masukan Anda dan berencana memperkenalkan fitur dan opsi lebih lanjut untuk Play App Signing dan Android App Bundle sebelum peralihan. Persyaratan untuk aplikasi baru Mulai Agustus 2021, Konsol Google Play akan mewajibkan semua aplikasi baru untuk:

Memublikasikan dengan format Android App Bundle.

Memanfaatkan Play Asset Delivery atau Play Feature Delivery untuk mengirimkan aset atau fitur yang melebihi ukuran download 150MB. File ekspansi (OBB) tidak lagi didukung untuk aplikasi baru.

Menargetkan API level 30 (Android 11) atau lebih tinggi dan menyesuaikan dengan perubahan perilaku.

Persyaratan untuk update aplikasi yang sudah adaNovember 2021perubahan perilakuPersyaratan untuk pengalaman instan Peralihan ke pengiriman Android App Bundle juga akan memengaruhi pengalaman instan menggunakan format ZIP aplikasi Instan yang lama. Mulai Agustus 2021, pengalaman instan baru dan update untuk pengalaman instan yang sudah ada akan diharuskan untuk memublikasikan app bundle yang mendukung instan. Bergerak maju bersama Berikut ini adalah ringkasan dari semua perubahan tersebut:

TIPE RILIS	DIGANTI	DIWAJIBKAN AGUSTUS 2021
Aplikasi baru di Google Play	APK	Android App Bundle (AAB)
	API level target disetel ke 29+	API level target disetel ke 30+
	File ekspansi (OBB)	Play Asset Delivery atau Play Feature Delivery
TIPE RILIS	DIGANTI	DIWAJIBKAN NOVEMBER 2021
Update untuk aplikasi yang sudah ada di Google Play	Tidak ada persyaratan format publikasi baru
Update untuk aplikasi yang sudah ada di Google Play	API level target disetel ke 29+	API level target disetel ke 30+

Aplikasi Wear OS tidak tunduk pada persyaratan API level target yang baru. Aplikasi masih bisa menggunakan sembarang minSdkVersion, sehingga kemampuan Anda untuk membangun aplikasi pada versi Android lama tidak berubah. Untuk mempelajari lebih lanjut tentang transisi ke app bundle, tonton serial video baru kami: modern Android development (MAD) skills. Kami sangat berterima kasih kepada semua developer yang telah mengadopsi app bundle dan API level 30. Kami berharap bisa memajukan platform Android bersama Anda.

Now in Android #31

28 December 2020

Now in Android #31

Konten pengembangan Android modern, penyempurnaan dokumentasi, rilis AndroidX, artikel, dan episode podcast

Chet Haase

16 Des · bacaan 9 menit

Selamat datang di Now in Android, panduan berkelanjutan tentang hal-hal baru dan penting dalam dunia development Android.

Development Android Modern

Dapatkan #MADScore Anda

Berkaitan dengan seri MAD Skills, kami ingin sedikit bergembira dan memberi Anda kesempatan untuk menjawab pertanyaan menarik: Seberapa MAD kamu? Untuk mengetahuinya, instal dan jalankan plugin MAD Scorecard di Android Studio. Kartu akan dibuat untuk Anda, yang menunjukkan seberapa bagus skor aplikasi dalam empat pilar development Android modern, yang bisa Anda bagikan ke Twitter dengan hashtag #MADscore .

Kunjungi situs MAD Score untuk mendapatkan detailnya, atau lihat selengkapnya di blog Christopher Katsaros:

android-developers.googleblog.com

MAD Skills: Komponen Desain Material

Sementara itu, seri MAD Skills terus berlanjut, dengan konten teknis tentang development Android modern. Minggu lalu, seri Komponen Desain Material selesai. Sejak Now in Android terakhir, tim sudah memposting 3 episode lagi:

#4: Material Motion
Di episode MDC keempat, Nick Rout berbicara tentang empat pola gerakan dalam Material dan cara menerapkannya dalam aplikasi Anda. Dia membahas aplikasi contoh Reply , dan codelab berdasarkan aplikasi tersebut, untuk menunjukkan cara kerjanya secara langsung.

#5 Tip Komunitas dari Zarah Dominguez
Di episode MDC kelima kami menghadirkan Zarah Dominguez, seorang Google Developer Expert, yang berbicara tentang cara timnya menggunakan aplikasi katalog Material, untuk melihat bagaimana segala sesuatunya diaplikasikan dan seperti apa kode sumbernya sebagai contoh cara menerapkannya.

#6: Tanya Jawab Langsung
Episode terakhir MDC adalah, sama seperti seri sebelumnya di App Bundle dan Navigasi, Tanya Jawab langsung dengan pakar MDC tentang hubungan developer dan tim teknis material. Kami mendapat banyak pertanyaan dari Anda di Twitter dan secara real-time di YouTube selama sesi Tanya Jawab. Kami tidak punya waktu untuk menjawab semuanya, tetapi kami membuat… progres material.

Jika Anda melewatkan salah satu konten dalam seri MDC, Nick Rout menulis ringkasan seri dalam artikel penutup ini, dengan link ke semua video dan artikel yang relevan, bersama dengan contoh terkait, dokumen, codelab, dan banyak lagi.

medium.com

MAD Skills: Kotlin dan Jetpack

Minggu ini, ada seri MAD Skills baru tentang Kotlin dan Jetpack. Secara khusus, seri ini membahas cara menggunakan Kotlin bersama berbagai Jetpack API. Florina Muntenescu akan membahas:

#1: Menggunakan KTX
Episode pertama dalam seri ini adalah tentang menggunakan KTX, ekstensi Kotlin yang memberikan pendekatan lebih baik dan sederhana untuk berbagai platform dan library Jetpack. Florina membahas KTX secara umum, dengan contoh dalam platform dan Jetpack API, serta menunjukkan cara menggunakannya saat menggunakan LiveData dan ViewModel.

Atau dalam bentuk artikel:

medium.com

#2: Menyederhanakan API dengan Coroutine
Di episode kedua ini, Manuel Vivo menjelaskan cara menggunakan coroutine Kotlin untuk meningkatkan pengalaman penggunaan API yang ada untuk developer Kotlin. Misalnya, Anda bisa membuat adaptor yang menyederhanakan kompleksitas callback tersarang dengan coroutine. Dia mengerjakannya melalui contoh pembuatan API yang lebih sederhana bagi Fused Location Provider untuk menunjukkan cara melakukannya dalam praktik.

Atau dalam bentuk artikel:

medium.com

Nantikan episode Kotlin/Jetpack lainnya dalam beberapa minggu mendatang, yang akan muncul di playlist YouTube serta dalam bentuk artikel di publikasi Developer Android.

Untuk konten selanjutnya, pastikan memeriksa playlist MAD Skills di YouTube, artikel di Medium, atau halaman pendahuluan praktis ini yang akan menunjukkan semuanya.

Dokumentasi

Izin

Ada beberapa perubahan izin dalam beberapa rilis terakhir, seiring dengan fokus kami pada kontrol pengguna dan transparansi data pengguna. Terkadang, developer harus bekerja ekstra untuk mengikuti update dan perubahan perilaku terkini, jadi kami mengerjakan dokumentasi untuk membantu proses tersebut.

Sebagai bagian dari upaya ini, baru-baru ini kami melakukan beberapa peningkatan besar untuk panduan Izin di Android. Situs ini sekarang memberikan panduan yang lebih efisien tentang cara kerja izin, bersama dengan praktik terbaik penggunaan izin di aplikasi Anda. Secara khusus, Anda harus mengevaluasi apakah Anda benar-benar perlu mendeklarasikan izin, yang tidak diperlukan untuk banyak kasus penggunaan umum.

DAO Room

Beberapa panduan library Room dirombak untuk menjelaskan cara menggunakan beberapa aspek API:

Penggunaan Data Access Objects (DAO) dengan Room memberikan ringkasan tentang penggunaan antarmuka DAO, termasuk menggunakan metode kueri bawaan serta metode khusus yang menggunakan anotasi @Query .

Menulis kueri DAO asinkron membahas banyak detail tentang cara menulis kueri yang terjadi di luar thread UI, yang sangat diperlukan untuk interaksi database. Panduan ini menjelaskan beberapa alternatif yang bisa Anda gunakan, tergantung bahasa dan preferensi API asinkron Anda.

AndroidX

Di antara banyak rilis versi alfa, beta, dan RC terbaru dari berbagai library AndroidX, berikut ini adalah rilis yang stabil:

Browser 1.3.0: Rilis terbaru ini memperkenalkan kemampuan meneruskan perintah bentuk bebas dengan Trusted Web Activity API, bersama fitur lain seperti peningkatan pengaturan warna pada tab khusus.
Media2 1.1.0: Rilis ini memiliki banyak perbaikan bug, bersama API tambahan untuk menangani track media dan interop dengan library Media AndroidX.
WearInput 1.0.0: Versi pertama WearInput ini menghadirkan dukungan untuk WearableButtons ke library AndroidX.

Ada juga beberapa rilis perbaikan bug stabil, termasuk Exifinterface 1.3.2, Media 1.2.1, dan Navigation 2.3.2.

Android Studio

Jamal Eason memposting artikel yang mengumumkan rilis Android Studio berikutnya: Arctic Fox sekarang ada di saluran canary dan siap dicoba. Hal pertama yang perlu Anda perhatikan tentang rilis ini adalah skema penamaan dan pembuatan versi baru, yang dibahas artikel ini secara detail. Selain itu, beberapa hal yang perlu diperiksa dalam rilis ini meliputi UI untuk memasangkan dengan perangkat untuk proses debug wifi (saat ini hanya tersedia untuk MacOS), alat validasi layout, dan dukungan berkelanjutan untuk development Jetpack Compose. (Perhatikan, bahwa harus selalu menggunakan Studio versi canary untuk bekerja dengan Compose dalam kondisnya yang masih sangat-dini ini.)

android-developers.googleblog.com

Murat Yener juga memposting tentang hal-hal baru di Android Studio, dalam artikelnya tentang rilis alfa baru dari plugin Android Gradle, versi 7.0.0-alpha01. Perhatikan, AGP juga mengalami perubahan penamaan versi. AGP sekarang akan melacak versi rilis Gradle alih-alih dihubungkan dengan versi Android Studio. Yang menjelaskan mengapa sepertinya versi ini melewatkan atau melupakan beberapa versi sejak rilis 4.2. Artikel ini juga membahas tentang beberapa perubahan API terbaru di AGP 4.2.

android-developers.googleblog.com

Artikel & Video

ListAdapter

Meghan Mehta memposting artikel lain dalam serialnya tentang RecyclerView. Meskipun RecyclerView bukanlah hal baru (dan sebagian besar developer Android mungkin sudah menggunakannya di aplikasi mereka), kami menemukan bahwa dokumentasi dan contoh untuk beberapa hal fundamental cukup sulit ditemukan (setidaknya di dokumen dan artikel kami), jadi ia mencoba menjelaskan cara menggunakan beberapa hal fundamental ini, bersama kode contoh untuk menunjukkan cara melakukannya dalam praktik.

Di artikel terbaru ini, Meghan berbicara secara khusus tentang penggunaan ListAdapter, yang menyediakan cara termudah untuk mendapatkan beberapa fungsi luar biasa untuk RecyclerView Anda, termasuk kinerja yang lebih baik dan animasi item otomatis. ListAdapter menggunakan DiffUtil untuk menentukan perubahan khusus yang terjadi, yang dibutuhkan RecyclerView untuk kinerja dan animasi yang optimal.

medium.com

Kinerja

Saya melanjutkan penjelajahan ke dalam kinerja startup dengan seri dua bagian di App Startup, library AndroidX yang baru saja mencapai 1.0 . Bagian satu mengamati bagaimana penyedia konten sering digunakan untuk membuat instance library, dan bagaimana hal ini bisa menyebabkan dampak tersembunyi terhadap waktu startup aplikasi.

medium.com

Bagian 2 menyelidiki bagaimana menggunakan library App Startup untuk menghapus penyedia konten tersembunyi dan sebagai gantinya mengumpulkan permintaan untuk menginisialisasi library dengan mudah.

medium.com

Lokasi, Lokasi, Lokasi [GPS yang Lebih Baik]

Ada sebuah artikel di Blog Developer Android yang memerinci peningkatan yang telah kami tambahkan ke sistem lokasi dan API sehingga kami bisa mendapatkan informasi lokasi yang lebih akurat di kota-kota. Artikel ini membahas masalah mendapatkan lokasi GPS di kota, ketika asumsi default teknologi GPS saat ini yang menggunakan garis pandang tertipu saat sinyal tersebut dipantulkan oleh gedung-gedung tinggi. (Tor dan saya berbicara dengan Marc Stogaitis dari tim lokasi tentang hal ini dalam podcast ADB pada tahun 2014: fenomena ini disebut “urban canyons”).

Tim mengintegrasikan model bangunan 3D di kota-kota besar untuk mendapatkan hasil lokasi yang jauh lebih akurat. Versi 2 dari teknologi ini tersedia pada beberapa perangkat Pixel saat ini. Versi sebelumnya sudah tersedia untuk ekosistem yang lebih luas, dan versi terbaru ini juga akan tersedia awal tahun depan.

Tentu saja, semua ini adalah fitur pengguna, sedangkan Now in Android adalah untuk developer. Namun saya ingin menyebutnya di sini karena (a) menurut saya artikel dan teknologinya menarik dan (b) ada panggilan developer di sini, yaitu menggunakan Fused Location Provider (FLP) untuk mendapatkan akses data lokasi yang disempurnakan.

Selain itu, terdapat API baru di FLP sehingga Anda bisa mendapatkan informasi lokasi saat ini dengan lebih mudah cukup dengan meminta lokasi saat ini dan mendapatkan hasilnya vs. berlangganan perubahan lokasi terus-menerus dan kemudian berhenti berlangganan setelah Anda mendapatkan hasil pertama. Lihat dokumen FLP getCurrentLocation() API, contoh CurrentLocationKotlin baru, dan artikel untuk informasi selengkapnya.

android-developers.googleblog.com

Migrasi Jetpack Compose

Chris Banes telah memindahkan aplikasinya Tivi dari aplikasi yang menggunakan Toolkit UI ke aplikasi yang menggunakan Jetpack Compose. Ia sudah menyelesaikan sebagian besar migrasi itu, dengan seluruh UI sekarang ditulis dalam Compose, dan melaporkan beberapa hasil menarik mengenai ukuran APK (yang jauh lebih kecil!), jumlah metode (yang lebih kecil!), dan durasi build (yang sedikit lebih kecil!).

medium.com

CameraController di CameraX

CameraView API di CameraX berbuat terlalu banyak, menangani UI dan logika pengontrol. Sehingga logika tersebut telah direfaktorisasi menjadi PreviewView dan class CameraController baru. Artikel ini menjelaskan cara menggunakan CameraController, dan bagaimana fungsionalitas tersebut dibandingkan dengan apa yang mungkin telah Anda gunakan sebelumnya di CameraView.

medium.com

Episode Podcast

Ada episode lain dari Android Developers Backstage yang diposting sejak Now in Android terakhir. Lihatlah pada link di bawah ini, atau di klien podcast favorit Anda:

ADB 153: Ok, Ok, Ok

Romain Guy, Tor Norbye dan saya berbicara dengan Jesse Wilson dari Square tentang beberapa library open-source populer yang dia kerjakan, antara lain OkHttp, Okio, dan [Ok]Moshi. Kami berbicara tentang library ini dan hal-hal lainnya, serta tentang Android, library, framework, dan pengembangan Kotlin. Dan tentang kebiasaan buruk beberapa programmer mengubah permintaan fitur atau gangguan kecil menjadi project pembuatan library open-source baru.

androidbackstage.blogspot.com

Nah sekarang…

Sekian untuk kali ini. Dapatkan MAD scorecard Anda! Jadilah MAD untuk mendapatkan konten MDC dan Kotlin/Jetpack lainnya! Baca dokumentasi Izin dan Ruang terbaru! Download rilis stabil AndroidX terbaru! Baca artikel terbaru mengenai ListAdapter, kinerja startup, lokasi GPS yang ditingkatkan, migrasi Jetpack Compose, dan CameraController! Dengarkan podcast ADB terbaru dan segera kembali ke sini untuk mendapatkan update berikutnya dari dunia developer Android.

Now in Android #30

21 December 2020

code { background-color: transparent }Now in Android #30

Ilustrasi oleh Virginia Poltrack

App Bundle, Komponen Desain Material, persyaratan API Target baru, dokumen alur dan fragmen baru, serta sejumlah artikel dan videoSelamat datang di Now in Android, panduan berkelanjutan Anda tentang apa yang baru dan penting dalam dunia development Android.MAD Skills: App Bundle & Komponen Desain Material

Seri MAD Skills terus berlanjut, dengan konten teknis baru tentang development Android modern.Seri tentang App Bundle diakhiri dengan tip dari Google Developer Expert Angelica Oliveira dan Tanya Jawab langsung + rekaman dengan saya (bertanya) plus Ben Weiss, Wojtek Kaliciński, dan Iurii Makhno (yang akan menjawabnya). Anda bisa menemukan semua episode App Bundle (dalam bentuk video dan artikel) yang ditautkan di blog ringkasan:MAD Skills - Menjadi pakar Android App BundlePekan lalu, MAD Skills melanjutkan seri barunya tentang Komponen Desain Material, library yang menyederhanakan pembangunan aplikasi menggunakan panduan Desain Material.Yang pertama adalah episode dari Nick Butcher tentang alasan kami menyarankan developer Android menggunakan Komponen Desain Material. Video ini menyertakan ringkasan berbagai hal yang ditawarkan MDC, termasuk dukungan tema, transisi bawaan, dan komponen bergaya Material default:<a href="https://medium.com/media/9e4f15fb57f571f5909ea338fbcc7560/href">https://medium.com/media/9e4f15fb57f571f5909ea338fbcc7560/href</a>Konten ini juga dibahas dalam artikel sebelumnya:Kami Merekomendasikan Komponen Desain MaterialBerikutnya, Nick Rout memposting sebuah episode mengenai Tema Material, yang membahas project contoh MaterialThemeBuilder untuk menunjukkan kepada Anda cara menggunakan dan menyesuaikan tema material:<a href="https://medium.com/media/aa67e6766dbe8ed0bc1031b380a4f1f5/href">https://medium.com/media/aa67e6766dbe8ed0bc1031b380a4f1f5/href</a>Selain video, Anda juga bisa melihat artikel terbaru tentang tema MDC mengenai warna, tipografi, dan bentuk.Pekan ini, Chris Banes memposting episode ketiga tentang pembuatan tema gelap dengan MDC menggunakan fitur Force Dark Android 10 dan tema DayNight MDC.<a href="https://medium.com/media/a09f127b760e4d0b2f5ca06d03af2d96/href">https://medium.com/media/a09f127b760e4d0b2f5ca06d03af2d96/href</a>Chris juga baru saja memublikasikan konten ini dalam bentuk artikel:Dark Theme with MDCKami punya banyak konten MDC yang hadir pekan ini, plus sesi Tanya Jawab langsung lain yang akan berlangsung Kamis depan. Nantikan informasi selanjutnya tentang playlist MDC untuk detailnya.Untuk konten MAD yang berkelanjutan, pastikan memeriksa playlist MAD Skills di YouTube, artikel di Medium, atau halaman pendahuluan praktis ini yang akan menunjukkan semuanya.App Bundle dan Persyaratan API TargetAkan ada persyaratan untuk API target (bagi aplikasi baru dan update) serta App Bundle pada akhir 2021. Hoi Lam membuat entri blog dengan semua detailnya. Ringkasan:Agustus 2021:

Aplikasi baru harus menargetkan API level 30.

Aplikasi baru harus menggunakan App Bundle untuk memublikasikan ke Play Store.

Aplikasi baru dengan ukuran aset atau fitur lebih dari 150MB harus mengirimkannya melalui Play Asset Delivery dan/atau Play Feature Delivery. File ekspansi (OBB) tidak lagi didukung untuk aplikasi baru.

November, 2021:

Update aplikasi harus menargetkan API level 30.

Android App Bundle baru dan persyaratan level API target tahun 2021DokumentasiDokumen TerfragmentasiFragment menyediakan elemen arsitektur penting bagi developer UI, ia memungkinkan Anda mengelola potongan kecil UI aplikasi secara terpisah. Ketika Anda menggunakan Navigasi dengan fragmen atau menggunakan fragmennya sendiri, sebaiknya ketahui cara terbaik menggunakannya dalam aplikasi. Kami tahu betapa pentingnya dokumentasi terbaru dan menyeluruh untuk memahami cara menggunakan alat dan API. Meskipun API yang tidak digunakan lagi memberi tahu Anda apa yang harus dihindari, dokumentasilah yang seharusnya memandu Anda ke arah yang benar dan menjelaskan praktik terbaiknya.Jadi, tim ini secara substansial telah menulis ulang dokumentasi Fragment, menawarkan panduan terbaru yang lebih jelas tentang beragam aspek Fragment, termasuk daur hidup, keadaan, pengujian, dan banyak lagi. Lihat dokumen terbaru (termasuk subbagian yang ditautkan di bawah) di sini:Fragment | Developer AndroidIan Lake, yang telah memperbaiki dan menyempurnakan Fragment di AndroidX, menjelaskan perubahan dokumen ini di feed twitter-nya.Alur KotlinAda juga serangkaian dokumentasi baru tentang alur Kotlin, beserta informasi tentang segala hal, mulai dari dasar-dasar penggunaan alur hingga pengujian untuk API StateFlow dan SharedFlow baru. Pastikan juga melihat video tentang penggunaan alur (yang akan saya bahas di bawah).Alur Kotlin | Developer AndroidArtikel & VideoMenguji Kinerja StartupPekan lalu saya memposting artikel tentang cara mengotomatiskan beberapa aspek kinerja startup aplikasi. Saya telah melihat kinerja startup secara umum, dan ingin menemukan cara otomatis yang bagus guna mendapatkan durasi startup untuk banyak proses yang berjalan berurutan. Saya memublikasikan pendekatan untuk siapa saja yang juga tertarik dengan pengujian kinerja startup.Menguji Kinerja Startup AplikasiDagger -> HiltDalam artikelnya, Migrasi dari Dagger ke Hilt, Manuel Vivo mengajukan pertanyaan, “Apakah ini sepadan?” (Peringatan spoiler: “Mungkin saja… tetapi itu tergantung situasi Anda.”)Artikel ini membahas beberapa alasan penting untuk mempertimbangkan migrasi, termasuk pengujian API, konsistensi, dan integrasi dengan ekstensi AndroidX.Migrasi dari Dagger ke Hilt — Apakah ini sepadan?Memulai HiltBerbicara tentang Hilt, Filip Stanis memposting artikel ini untuk membantu developer memulai dengan Hilt, bahkan mereka yang tidak memiliki pengalaman sebelumnya dengan Dependency Injection atau Dagger. Jadi jika semua ini terasa baru bagi Anda, bacalah terus.Meskipun judulnya menyiratkan bahwa artikel ini ditujukan untuk developer Kotlin, ini sebenarnya berisi tentang cuplikan kode dalam artikel tersebut. Teknik dan pendekatan umum dalam artikel ini juga berlaku untuk developer yang menggunakan bahasa pemrograman Java.Panduan praktis untuk Hilt dengan KotlinMengikuti AlurManuel Vivo memposting video baru dalam seri Kotlin Vocabulary yang membahas penggunaan alur Kotlin untuk melakukan streaming data. Ini dibuat berdasarkan video sebelumnya, The ABC of Coroutines, jadi kami sarankan Anda menonton video pertama dahulu untuk… mengikuti alur.<a href="https://medium.com/media/b32f0dd60115435756022186be7e98ee/href">https://medium.com/media/b32f0dd60115435756022186be7e98ee/href</a>Ekstensi Kotlin: Pengikatan Tampilan vs SintetisDavid Winer memublikasikan blog yang membahas Sintetis Kotlin serta Pengikatan Tampilan (keduanya merupakan mekanisme untuk menghilangkan panggilan findViewById() yang mengganggu dalam kode Anda). Artikel ini menunjukkan bahwa synthetics tidak akan digunakan lagi di versi plugin Kotlin mendatang (untuk alasan yang dijelaskan dalam artikel). Bagian ini juga membahas ekstensi @Parcelize, yang akan terus direkomendasikan dan didukung.Masa depan Android Kotlin ExtensionsLokasi Latar BelakangBanyak perubahan dalam rilis Android terbaru untuk melindungi data pengguna dan memberikan pengguna lebih banyak kontrol dan transparansi dalam cara mengakses data. Salah satu area fokus utama adalah lokasi, karena pengguna mungkin tidak menginginkan aplikasi memiliki akses ke data ini, dan mereka mungkin ingin mengontrol akses tersebut dengan sangat hati-hati.Karena itu, kebijakan Google Play akan segera mengharuskan aplikasi yang membutuhkan akses ke lokasi saat berjalan di latar belakang meminta izin (dari Play Store) untuk akses tersebut. Artikel ini akan menjelaskan proses permintaan izinnya.Tip agar aplikasi Anda disetujui untuk akses lokasi latar belakangNah sekarang…Itu saja untuk saat ini. Silakan nikmati MAD untuk App Bundle dan Komponen Desain Material! Lihat persyaratan tahun depan untuk App Bundle dan API Target! Baca dokumen terbaru tentang Fragment dan alur Kotlin! Lihat konten developer terbaru di publikasi Developer Android di Medium, Blog Developer Android, dan saluran Developer Android di YouTube! Dan segera kembali ke sini untuk mendapatkan update berikutnya dari dunia developer Android.

Sederhanakan pembuatan pipeline data untuk media dengan Klio Spotify

18 December 2020

code { background-color: transparent }Sederhanakan pembuatan pipeline data untuk media dengan Klio Spotify

Setiap hari, layanan streaming musik Spotify dapat memproses file audio dengan ratusan cara berbeda—mengidentifikasi ritme dan tempo lagu, membuat stempel waktu ketukan, dan mengukur kenyaringan—serta pemrosesan yang lebih canggih, seperti mendeteksi bahasa dan memisahkan vokal dari instrumen. Ini mungkin dilakukan untuk mengembangkan fitur baru, membantu menginformasikan playlist dan rekomendasi, atau murni untuk penelitian.

Melakukan pemrosesan semacam ini pada satu file audio sangat berarti. Namun, library musik Spotify memiliki lebih dari 60 juta lagu, dan bertambah 40.000 lagu setiap hari, belum termasuk katalog podcast yang berkembang pesat. Kemudian, perhitungkan juga bahwa ratusan tim produk memproses semua lagu ini secara bersamaan, di seluruh dunia, dan untuk kasus penggunaan yang berbeda. Skala dan kompleksitas ini—ditambah, kesulitan menangani file biner besar sejak awal—bisa menghambat kolaborasi dan efisiensi, sehingga pengembangan produk terhenti. Kecuali jika Anda memiliki Klio.

Apa yang dimaksud dengan Klio?

Untuk memproduksi pemrosesan audio, Spotify membuat Klio—framework berbasis Apache Beam untuk Python yang membantu peneliti dan programmer menjalankan pipeline data berskala besar untuk memproses file audio dan media lainnya (seperti video dan gambar). Spotify awalnya membuat Klio setelah menyadari bahwa peneliti ML dan audio di seluruh perusahaan melakukan tugas pemrosesan audio yang serupa, tetapi menemui kesulitan untuk men-deploy dan memeliharanya. Spotify melihat peluang untuk membuat proses yang fleksibel dan terkelola yang akan mendukung berbagai kasus penggunaan pemrosesan audio dari waktu ke waktu—secara efisien dan dalam skala besar—serta mudah digunakan.

Di tingkat tinggi, Klio memungkinkan pengguna menyediakan file media sebagai input, melakukan pemrosesan yang diperlukan, dan menghasilkan data serta fitur cerdas. Ada banyak kemungkinan kasus penggunaan untuk audio, mulai dari menstandardkan tugas pemrosesan audio biasa dengan ffmpeg atau librosa hingga menjalankan model machine learning khusus.

Klio menyederhanakan dan menstandardkan pembuatan pipeline untuk tugas-tugas ini, meningkatkan efisiensi, dan memfokuskan pengguna pada tujuan bisnis daripada memelihara infrastruktur pemrosesan. Sekarang Klio telah dirilis sebagai sumber terbuka, siapa pun bisa menggunakan framework ini untuk membangun alur kerja pemrosesan media yang dapat diskalakan dan efisien.

Bagaimana cara kerja Klio?

Klio job overview.jpg — *Ringkasan tugas Klio*

Saat ini Klio mungkinkan beberapa langkah penting untuk membuat pipeline yang diinginkan. Pertama, Klio mengasumsikan bahwa pipeline akan menerima file biner besar sebagai input. Ini bisa berupa audio, gambar, atau video. File ini disimpan di Cloud Storage. Sebagai bagian darinya, tugas mengirimkan pesan unik ke Pub/Sub, yang mengumumkan bahwa file telah di-upload. Klio kemudian membaca pesan ini dan men-download file untuk memulai pemrosesan. Pada langkah ini, Klio bisa mulai menjalankan logika yang diperlukan secara cerdas untuk memproses hasil yang diinginkan untuk kasus penggunaan tertentu, seperti ekstraksi bahasa. Setelah pemrosesan selesai, artefak outputnya di-upload ke bucket Cloud Storage lain untuk disimpan. Orkestrasi pipeline secara keseluruhan dilakukan oleh Apache Beam, yang memungkinkan antarmuka Python tradisional untuk pengguna ML/audio dan eksekusi pipeline tradisional.

Salah satu keunggulan utama Klio adalah dukungannya untuk Directed Acyclic Graphs (DAG), yang memungkinkan pengguna mengonfigurasi tugas dependen dan urutan eksekusinya sehingga tugas induk bisa memicu tugas turunannya.

Dalam contoh ini, ada tiga tim yang semuanya mengandalkan tugas induk yang sama secara keseluruhan, yang disebut Downsample. Downsampling ini menyesuaikan jumlah sampel dalam file audio untuk mengompresi file ke tingkat tertentu yang mungkin diperlukan untuk tugas selanjutnya. Hasilnya, sekarang tugas Tim A, B, dan C bisa mulai meluncurkan pemrosesan yang mereka butuhkan. Tugas ini mungkin mendeteksi “vokal” atau jumlah kata yang diucapkan, “instrumental” atau ketiadaan vokal, dan banyak lagi.

Fitur utama Klio yang lain adalah kemampuannya mengoptimalkan urutan eksekusi. Menjalankan tugas Klio dalam grafik untuk file tertentu tidaklah selalu efisien atau diperlukan. Mungkin Anda ingin melakukan iterasi tugas sendiri tanpa memicu tugas yang setara atau tugas hilir. Atau Anda memiliki subset katalog media yang memerlukan beberapa pemrosesan pengisian ulang. Terkadang ini berarti menjalankan tugas Klio induk untuk mengisi dependensi yang hilang. Karena itu, Klio mendukung pemrosesan bottom-up saat dibutuhkan, seperti ini:

Pertama-tama tugas Klio akan memeriksa untuk melihat apakah pekerjaan untuk file tertentu telah diproses. Jika telah diproses, pekerjaan untuk tugas tersebut akan dilewati. Namun, jika data input tugas tidak tersedia (yaitu, jika tugas Energy tidak memiliki output dari tugas Beat Tracking untuk audio tertentu), Klio secara rekursif akan memicu tugas dalam barisan langsung eksekusinya tanpa memicu pekerjaan untuk tugas yang setara.

Bagaimana pengembangan Klio selanjutnya?

Rilis awal Klio ini merepresentasikan dua tahun pembangunan, pengujian, dan aplikasi praktik oleh berbagai tim di Spotify. Sejak awal, Klio dibuat dengan berorientasi pada sumber terbuka.

Dengan keseluruhan arsitektur ini, pengguna bebas menambahkan kustomisasi khusus untuk memenuhi kebutuhan mereka. Klio bersifat cloud-agnostik, yang berarti bahwa Klio bisa mendukung berbagai runner, baik secara lokal maupun cloud. Dalam kasus Spotify, ini berarti Google Cloud, menggunakan Apache Beam untuk memanggil Dataflow Runner. Namun hal ini juga bisa diperluas ke runner lain. Jika Anda tertarik berkontribusi, mereka akan menyambut setiap kolaborasi dengan komunitas sumber terbuka.

Meskipun pada awalnya dibuat untuk audio, Klio mampu melayani semua tipe media. Di Spotify, Klio telah meraih kesuksesan dalam berbagai kasus penggunaan internal. Secara khusus, Klio memisahkan vokal dan instrumen untuk mengaktifkan fungsionalitas Sing Along di Jepang serta atribut audio umum sidik jari, seperti “danceability” dan “tempo,” di Audio Features API mereka. Berdasarkan kesuksesan awal dari kasus penggunaan ini, akan sangat menarik bila melihat masalah pemrosesan media lainnya yang bisa dipecahkan oleh Klio, baik dengan mengaktifkan moderasi konten skala besar maupun melakukan deteksi objek dalam streaming video berukuran besar.

Cara memulai

Untuk mempelajari lebih lanjut, baca kisah Klio selengkapnya di blog Spotify Engineering. Atau bergabunglah dan memulai Klio sekarang.

MAD Skills — Menjadi pakar Android App Bundle

16 December 2020

MAD Skills — Menjadi pakar Android App BundleMAD Skills — Menjadi pakar Android App Bundle

23 November 2020

Diposting oleh Ben Weiss, Developer Relations Engineer

Seri Android App Bundle dari Modern Android Development baru saja selesai. Kami mengakhirinya dengan sesi Tanya Jawab langsung. Saya bergabung dengan Chet Haase, Wojtek Kaliciński, dan Iurii Makhno untuk membahas berbagai pertanyaan dari tagar #AskAndroid di Twitter serta dari obrolan selama streaming langsung.

Namun, mari kita mengulasnya sebentar dari awal.

Pengantar Android App Bundle

Dalam episode tersendiri, Wojtek menyoroti seri ini dengan berbicara tentang mengapa bundel aplikasi sangatlah penting bagi Anda dan aplikasi Anda.

Semua yang perlu diketahui tentang Play App Signing

Dalam episode ini, Anda akan mempelajari cara ikut serta dalam Play App Signing dengan bergabung bersama Wojtek menyusuri Konsol Play. Setelah menonton video ini, Anda akan mempelajari opsi yang tersedia saat memilih Play App Signing.

Selain video ini, kami sarankan Anda melihat FAQ tentang Play App Signing, dokumentasi penandatanganan aplikasi Android , dan halaman bantuan Play App Signing di Konsol Play.

Membangun bundel aplikasi pertama Anda

Sekarang saatnya mempelajari cara membangun dan meng-upload Android App Bundle pertama Anda.

Dalam episode ini, saya akan memandu Anda menjalani proses pembangunan bundel menggunakan Android Studio dan antarmuka baris perintah.

Sebagai gantinya, Anda bisa membaca tulisan mengenai episode ini.

Sebagai pendamping episode ini, lihat dokumentasi bundel aplikasi.

Mengonfigurasi aplikasi Anda untuk Play Feature Delivery

Di sini Anda akan mempelajari tentang opsi pengiriman. Dari waktu instal, pengiriman bersyarat, hingga pengiriman sesuai permintaan. Saya membahas semuanya. Kita juga akan melihat-lihat contoh di GitHub.

Episode ini juga tersedia dalam bentuk artikel yang bisa Anda baca. Selain itu, panduan PlayCore adalah referensi berharga.

Menguji bundel aplikasi dengan bundletool dan Konsol Play

Pernahkah Anda bertanya-tanya bagaimana cara menguji bundel aplikasi? Tidak perlu lagi. Wojtek akan memandu Anda menguji bundel aplikasi secara lokal dan dengan Konsol Play.

Anda bisa membaca materi episode ini dalam artikel pendamping dan panduan untuk menguji Android App Bundle.

Selain itu, kami punya panduan tentang alat developer di Konsol Play dan halaman bantuan Konsol Play untuk berbagi aplikasi secara internal yang tersedia bagi Anda.

Dan, jika Anda ingin mendownload bundletool, di sinilah tempatnya.

Penghematan besar dengan Android App Bundle

Android GDE Angélica Oliveira memberi tahu kita tentang proses dan penghematan ukuran yang mengesankan bagi perusahaannya saat beralih ke Android App Bundle.

Sesi Tanya Jawab langsung

Kami mengajukan pertanyaan Anda di Twitter. Anda membalasnya menggunakan tagar #AskAndroid.

Dan Anda terus mengajukan pertanyaan selama sesi Tanya Jawab langsung.

Chet kemudian menghadirkan Wojtek, Iurii, dan saya di depan kamera dalam sesi tanya jawab langsung untuk menjawab pertanyaan Anda.

Pengingat: Aplikasi baru wajib menggunakan bundel aplikasi mulai Agustus 2021

Baca selengkapnya tentang persyaratan bundel aplikasi dan level API minimum 2021

Google Cloud, Harvard Global Public Health merilis COVID-19 Public Forecasts yang disempurnakan, sebuah pembelajaran bersama

Mempercepat Kinerja TensorFlow di Mac

Android App Bundle baru dan persyaratan API level target pada tahun 2021

Now in Android #31

Now in Android #30

Sederhanakan pembuatan pipeline data untuk media dengan Klio Spotify

MAD Skills — Menjadi pakar Android App Bundle

Labels

Archive