值得注意的是，尽管可以用复杂新机器学习架构以及云来训练信息映射模型，如上文所述，但是，模型本身完全在设备上驻留并进行推论。运行在设备上的应用程序能通过一名用户的引入信息，并接收来自在线设备模型的回复预测，而无需数据离开设备。模型也能适用于消费者手写模式并提供个性化体验的偏好。

推理步骤：模型将学到的映射应用于正在输入的消息（或消息序列），并提出相关且多样的回复。推理在设备上执行时，允许模型适应用户数据和个人写作风格。

为了让移动型设备系统开箱即用，我们必须进行一些额外改进，例如优化以加快设备上的计算并从模型中生成丰富多样的回复。我们有一本即将出版的科学书籍，更详细地描述了移动型机器学习的运作。

手腕上的交流

当我们踏上从头开始构建这项技术的旅程时，我们不确定预测是否有用或足够可靠。即使在计算和存储资源十分有限的安卓可穿戴设备上，它依然运转良好，这使我们非常惊讶和兴奋。我们期望继续改进模型，为用户提供更加愉快的会话体验。在未来几个月里，我们将会利用这种移动型机器学习平台启用全新的应用程序。

你现在可以使用此功能直接从 Google 手表或任何运行 Android Wear 2.0 的手表上回复消息。目前也已在 Google Hangouts、Google Messenger 和许多第三方通讯应用上启用。我们还为第三方穿戴应用程序的开发人员提供 API。

致谢

代表 Google Expander 团队，我要感谢以下帮助我们使这项技术取得成功的人：Andrei Broder、Andrew Tomkins、David Singleton、Mirko Ranieri、Robin Dua 和 Yicheng Fan。

©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]