Ditulis oleh Stephen Elliott, Product Manager, Google Cloud Platform

Apakah Anda seorang developer yang bekerja pada project baru, engineering manager yang memeriksa anggaran, atau administrator penagihan yang mengawasi pengeluaran bulanan, Anda mungkin bertanya-tanya tentang tagihan GCP seperti:

• Project mana yang paling banyak menghabiskan biaya bulan lalu? 
• Bagaimana tren biaya GCP saya? 
• Produk GCP mana yang paling banyak menghabiskan biaya?

Hari ini, kami senang sekali bisa meluncurkan Cloud Billing reports versi beta untuk membantu Anda menjawab pertanyaan-pertanyaan ini dengan cepat, dan pertanyaan lain yang serupa. Billing reports memungkinkan Anda melihat biaya penggunaan GCP secara sekilas serta menemukan dan menganalisis tren.

Dengan billing reports, Anda bisa melihat data untuk semua project yang terhubung ke akun billing. Anda bisa menyesuaikan tampilan untuk menampilkan tren tertentu, termasuk:

• Biaya yang dikelompokkan berdasarkan project, produk, atau SKU 
• Agregasi waktu yang berbeda termasuk tampilan harian dan bulanan. Anda bahkan bisa melihat data setiap jam bila memilih rentang waktu satu minggu atau kurang. 
• Biaya dengan dan tanpa aplikasi kredit layanan 

Mari kita lihat billing reports beraksi:

Billing reports akan tersedia untuk semua akun dalam beberapa minggu mendatang. Mulailah dengan masuk ke halaman billing akun Anda dalam konsol GCP dan buka tab reports di menu navigasi sebelah kiri.

Anda bisa mempelajari lebih lanjut dalam dokumentasi billing reports. Bila Anda tertarik untuk membuat lebih banyak visualisasi data billing, Anda bisa melakukannya dengan mengekspor ke BigQuery dan memvisualisasikan data billing Anda dengan Data Studio.

Di AdMob, kami berdedikasi untuk membangun fitur sederhana dan canggih yang bisa membantu developer memperoleh pendapatan lebih banyak dari aplikasi mereka. Itulah sebabnya kami terus meningkatkan investasi kami dalam solusi monetisasi seperti grup mediasi dan pengoptimalan jaringan iklan. Namun kami tidak berhenti di situ.

 Diposting oleh Hoi Lam, Lead Developer Advocate, Wear OS by Google
Hari ini kami meluncurkan Wear OS by Google developer preview dan menghadirkan fitur platform Android P ke perangkat wearable. Developer preview memuat system image terupdate pada Android Emulator resmi dan system image yang dapat didownload untuk Huawei Watch 2 Bluetooth atau Huawei Watch 2 Classic Bluetooth. Rilis awal ini ditujukan untuk kalangan developer saja dan bukan untuk penggunaan sehari-hari atau pengguna umumnya. Oleh karena itu, rilis ini hanya tersedia melalui download manual dan flash. Silakan merujuk ke catatan rilis untuk masalah yang diketahui sebelum mendownload dan mem-flash perangkat Anda.

Dalam rilis ini, kami ingin memperjelas fitur berikut yang harus diperhatikan oleh developer:

• Pembatasan terkait dengan fields dan metode non-SDK: Untuk meningkatkan kompatibilitas aplikasi, Android P telah memulai proses pembatasan akses ke fields dan metode non-SDK. Developer harus membuat rencana untuk bermigrasi dari hal ini. Bila tidak ada padanan umum untuk kasus penggunaan Anda, harap beri tahu kami.
• Tema sistem Dark UI: Untuk meningkatkan keterlihatan, Wear OS beralih ke tema UI dengan latar belakang lebih gelap / hitam untuk deretan notifikasi dan peluncur sistem sejak awal tahun. Sekarang ini juga merupakan setelan default bagi tema sistem dan akan meningkatkan keterlihatan untuk aplikasi wear. Developer harus memeriksa aksesibilitas UI aplikasi mereka setelah perubahan ini.
• Pembatasan aktivitas latar belakang: Untuk menghemat daya, aplikasi tidak lagi diizinkan berjalan di latar belakang kecuali jam tangan tersambung ke pengisi daya. Developer harus memperhatikan bahwa Wear OS memanfaatkan fitur aplikasi siaga Android dengan lebih maksimal daripada beberapa faktor bentuk yang lain. Pengecualian untuk hal ini meliputi tampilan jam dan detail yang telah dipilih pengguna. Fitur ini akan diluncurkan secara bertahap dalam developer preview, jadi Anda mungkin tidak melihatnya secara langsung di perangkat, tetapi Anda harus membangun aplikasi secara sesuai dengan menghapus service latar belakang.
• Mematikan radio saat tidak dipakai: Untuk menghemat daya, bluetooth, Wi-Fi, dan radio seluler akan dimatikan saat jam tangan terdeteksi tidak dipakai untuk jangka waktu yang lama. Sekali lagi, fitur ini akan diluncurkan secara bertahap sehingga pada awalnya Anda mungkin tidak melihatnya di perangkat Anda. Bila fitur ini menyebabkan kesulitan dalam proses pengembangan, Anda bisa menonaktifkan fitur melalui adb; silakan ikuti petunjuk di catatan rilis.
• Mematikan Wi-Fi ketika BT terputus: Untuk menghemat daya, perangkat tidak lagi terhubung secara otomatis ke wifi saat terputus dari bluetooth. Pengecualiannya adalah jika aplikasi meminta jaringan bandwidth tinggi atau jika jam tangan tersambung ke pengisi daya. Fitur ini akan diluncurkan secara bertahap sehingga pada awalnya Anda mungkin tidak melihatnya di perangkat Anda.

Harap kirimkan masukan Anda

Kami berharap bisa memberikan beberapa update untuk preview ini sebelum rilis produksi final. Harap laporkan bug apa pun yang Anda temukan melalui Wear OS by Google issue tracker. Semakin awal Anda melaporkannya, semakin tinggi kemungkinan kami menyertakan perbaikan untuk masalah tersebut dalam rilis final.

Tahun lalu, kami meluncurkan versi beta Cloud Functions for Firebase untuk membantu Anda membangun fungsionalitas backend bagi aplikasi tanpa harus khawatir mengelola server. Fungsi ini memungkinkan Anda menulis dalam JavaScript atau Typescript, menerapkan ke infrastruktur Cloud Google, dan menjalankannya sebagai respons terhadap event aplikasi. Hari ini, kami gembira bisa merilis Cloud Functions for Firebase SDK versi 1.0 - bersama dengan penyempurnaan baru yang paling sering diminta untuk pengembangan, pengujian, dan pemantauan Functions.

Apa yang bisa dilakukan Cloud Functions for Firebase

Firebase SDK untuk Google Cloud Functions memungkinkan Anda mengembangkan produk Firebase yang lain, dan memberikan pengguna fitur yang mereka butuhkan dalam aplikasi Anda. Salah satu pelanggan paling awal kami, Posse, pembuat aplikasi Hamilton, perlu membuat sistem lotre untuk memberikan kesempatan kepada penggemar agar bisa memenangkan tiket ke pertunjukan drama Broadway yang sangat populer - tanpa pengeluaran tambahan karena harus mengelola server mereka sendiri. Saat pengguna mengikuti lotre, logika yang didukung Functions berjalan di cloud dengan hasil yang langsung disimpan ke Cloud Firestore. Hasil lotre didorong secara otomatis ke aplikasi seluler Hamilton milik penggemar yang beruntung.

Posse juga perlu menskalakan aplikasi Hamilton. Ketika lotre dibuka, penggunaan aplikasi bisa tiba-tiba melonjak berlipat ganda sebelum kembali normal beberapa menit kemudian. Functions secara otomatis menskalakan tanpa memerlukan aksi apa pun dari Posse, dan klien mereka hanya membayar sumber daya yang digunakan.

Selain lotre tiket, Posse juga menggunakan Functions untuk melakukan integrasi dengan produk Firebase lainnya untuk:

• Mengotomatiskan pembuatan profil pengguna dengan Firebase Auth
• Mengirim notifikasi push dengan Firebase Cloud Messaging
• Mengubah ukuran foto pengguna secara otomatis dengan Cloud Storage
• Memproses pembayaran dalam aplikasi menggunakan Stripe melalui webhooks HTTP

Ada banyak hal yang bisa Anda lakukan dengan Functions. Untuk lebih banyak kasus penggunaan dan kode contoh, lihat repo GitHub populer kami.

Hari ini rilis v1.0 hadir dengan sejumlah fitur baru berdasarkan masukan Anda - inilah detailnya!

Mobile client SDK

Salah satu permintaan terbesar Anda adalah cara mudah untuk langsung memanggil Functions dari aplikasi klien. Untuk memfasilitasinya, kami menambahkan tipe fungsi baru, bersama dengan SDK untuk iOS, Android, dan klien web. Tipe baru tersebut adalah fungsi Callable HTTPS yang mengelola permintaan HTTPS dari SDK klien. Fungsi Callable HTTPS secara drastis mengurangi jumlah kode boilerplate yang harus Anda tulis untuk membuat permintaan HTTPS ke Functions.

Begini cara kerjanya:

1. Pertama, tulis sebuah fungsi Callable HTTPS yang menerima objek data dari klien. Fungsi tersebut mengembalikan objek data lain ke klien.
2. Kemudian, pada aplikasi seluler Anda, gunakan SDK klien untuk meminta fungsi tersebut. SDK klien mengelola koneksi HTTPS dan secara otomatis menyambungkan objek data input dan output. Dalam permintaan, SDK akan menyertakan token ID pengguna dari Firebase Authentication bila pengguna login. Yang juga disertakan adalah token ID instance yang digunakan oleh Firebase Cloud Messaging.

Untuk selengkapnya, lihat dokumentasi kami!

Pengujian unit yang lebih mudah

Meskipun Functions Shell memberi Anda kemampuan untuk berinteraksi dengan fungsi secara lokal, ia tidak optimal untuk menulis pengujian unit seperti yang berjalan dalam sistem CI. Karena itulah kami meluncurkan modul npm firebase-functions-test baru yang menyederhanakan penulisan pengujian unit. firebase-functions-test menangani semua persiapan dan pembongkaran yang diperlukan, yang memudahkan dalam memanipulasi data pengujian. Sekarang, Anda bisa menulis pengujian offline sepenuhnya tanpa efek samping, atau pengujian yang berinteraksi dengan project pengembangan Firebase - di mana Anda dapat mengamati keberhasilan tindakan seperti penulisan database.

Dukungan resmi untuk emulasi fungsi

Musim gugur yang lalu, kami memperkenalkan kemampuan untuk mengemulasikan fungsi Anda secara lokal melalui Firebase CLI dengan perintah "firebase serve --only functions" dan "firebase experimental:functions:shell". Ini adalah fitur eksperimental, dan sekarang kami secara resmi mendukungnya. "firebase experimental:functions:shell" berubah namanya menjadi "firebase functions:shell", dan "firebase serve" akan mengemulasikan semua fungsi HTTPS secara default tanpa memerlukan flag "--only".

Fitur pemantauan yang lebih baik

Setelah menerapkan fungsi, Anda mungkin bertanya-tanya: "Apa yang terjadi dengan fungsi saya? Bagaimana kinerja aplikasi saya? Apakah ada yang rusak?" Dengan rilis hari ini, Anda sekarang bisa mengawasi setiap error dalam fungsi Anda melalui monitor kesehatan kinerja yang baru:

Selain itu, Anda bisa melacak kinerja fungsi, latensi dan penggunaan memori:

Update API

API untuk menulis Cloud Functions dengan Firebase SDK telah berubah dalam rilis SDK v1.0 ini. Ini berarti bahwa melakukan upgrade ke SDK baru membutuhkan beberapa update bagi kode apa pun yang sudah Anda tulis selama versi beta. Namun jangan khawatir - ini tidak memengaruhi fungsi apa pun yang telah Anda terapkan. Untuk melihat apa yang berubah dan cara beradaptasi dengan format baru, ikuti saja panduan migrasi kami!

Memulai Cloud Functions for Firebase

Bila Anda baru saja memulai Firebase SDK untuk Cloud Functions, cobalah ikuti Codelab langkah demi langkah kami dan kunjungi dokumentasi. Ada juga video tutorial untuk membantu Anda menyiapkan penggunaan TypeScript sebagai bahasa pemrograman yang disarankan.

Kami harap Anda terbantu dengan fitur-fitur baru ini. Harap diperhatikan: Cloud Functions for Firebase masih dalam versi beta - nantikan update terbaru!

 Diposting oleh Michael Hermanto, Software Engineer, Firebase
Kami meluncurkan Google URL Shortener pada tahun 2009 sebagai cara untuk membantu orang agar lebih mudah berbagi link dan mengukur traffic online. Sejak itu, banyak service pemendek URL populer muncul dan cara orang menemukan isi di Internet juga berubah secara dramatis, dari semula halaman desktop menjadi aplikasi, perangkat seluler, home assistant, dan banyak lagi.

Untuk memfokuskan kembali upaya kami, kami menghapus dukungan bagi goo.gl dalam beberapa minggu mendatang dan menggantinya dengan Firebase Dynamic Links (FDL). FDL adalah smart URL yang memungkinkan Anda mengirim pengguna potensial yang ada ke lokasi mana pun dalam iOS, Android, atau aplikasi web. Kami sangat senang bertumbuh dan meningkatkan produk-produk kami ke depannya. Meskipun sebagian besar fitur goo.gl akhirnya akan pensiun, semua link yang sudah ada akan terus dialihkan ke tujuan yang dimaksud.

Untuk pengguna

Mulai 13 April 2018, pengguna anonim dan pengguna yang belum pernah membuat link pendek sebelum hari ini tidak akan dapat membuat link pendek baru melalui konsol goo.gl. Bila Anda ingin membuat link pendek baru, kami sarankan menggunakan Firebase Dynamic Links atau gunakan service populer seperti Bitly dan Ow.ly sebagai alternatif.

Bila Anda memiliki link pendek goo.gl, Anda bisa terus menggunakan semua fitur konsol goo.gl untuk jangka waktu satu tahun, hingga 30 Maret 2019, waktu ketika kami akan menghentikan konsol. Anda bisa mengelola semua link pendek dan analytics mereka melalui konsol goo.gl selama periode ini.

Setelah 30 Maret 2019, semua link akan terus dialihkan ke tujuan yang dimaksud. Link pendek Anda yang sudah ada tidak akan dilakukan migrasi ke Firebase console, tetapi, Anda bisa mengekspor informasi link dari konsol goo.gl.

Untuk developer

Mulai 30 Mei 2018, hanya project yang telah mengakses URL Shortener API sebelum hari ini yang bisa membuat link pendek. Untuk membuat link pendek baru, kami menyarankan FDL API. Link pendek FDL akan secara otomatis mendeteksi platform pengguna dan mengirim pengguna ke web atau aplikasi Anda, dengan tepat.

Jika Anda sudah memanggil URL Shortener API untuk mengelola link pendek goo.gl, Anda bisa terus menggunakannya untuk jangka waktu satu tahun, hingga 30 Maret 2019, waktu ketika kami akan menghentikan API.

Sama seperti untuk pengguna, semua link akan terus dialihkan ke tujuan yang dimaksud setelah 30 Maret 2019. Namun, link pendek yang sudah ada tidak akan dilakukan migrasi ke Firebase console/API.

URL Shortener adalah fitur hebat yang kami banggakan. Saat kami melihat masa depan, kami senang dengan kemungkinan Firebase Dynamic Links, terutama ketika menyangkut deteksi platform dinamis dan link yang bertahan dari proses penginstalan aplikasi. Kami harap Anda juga!

 Oleh Dan Aharon, Product Manager, Cloud AI

Banyak produk Google (misal, Asisstant, Search, Maps) datang dengan sintesis text-to-speech bawaan berkualitas tinggi yang menghasilkan ucapan berbunyi natural. Developer memberi tahu kami bahwa mereka ingin menambahkan text-to-speech ke aplikasi mereka sendiri, jadi hari ini kami menghadirkan teknologi ini ke Google Cloud Platform dengan Cloud Text-to-Speech.

Anda bisa menggunakan Cloud Text-to-Speech dalam berbagai cara, misalnya:

• Untuk mendukung sistem respons suara bagi pusat panggilan (IVR) dan mengaktifkan percakapan bahasa natural real-time 
• Untuk mengaktifkan perangkat IoT (mis., TV, mobil, robot) agar merespons suara Anda 
•  Untuk mengonversi media berbasis teks (mis., artikel berita, buku) ke dalam format lisan (mis., Podcast atau audiobook)

Cloud Text-to-Speech memungkinkan Anda memilih 32 suara berbeda dari 12 bahasa dan varian. Cloud Text-to-Speech mengucapkan teks kompleks dengan tepat seperti nama, tanggal, waktu, dan alamat persis seperti suara asli langsung dari program. Cloud Text-to-Speech juga memungkinkan Anda menyesuaikan nada, kecepatan berbicara, dan kekerasan volume, serta mendukung berbagai format audio, termasuk MP3 dan WAV.

DeepMind

Selain itu, kami senang sekali bisa mengumumkan bahwa Cloud Text-to-Speech juga menyertakan pilihan suara fidelitas-tinggi yang dibuat menggunakan WaveNet, model generatif untuk audio mentah yang dibuat oleh DeepMind. WaveNet mensintesis suara yang terdengar lebih natural dan, rata-rata, menghasilkan audio ucapan yang lebih disukai orang daripada teknologi text-to-speech lainnya.

Pada akhir tahun 2016, DeepMind memperkenalkan versi pertama WaveNet — neural network yang dilatih dengan volume besar sampel ucapan yang mampu menciptakan bentuk gelombang audio mentah dari awal. Selama pelatihan, jaringan mengekstraksi struktur dasar kemampuan berbicara, misalnya nada apa yang mengikuti satu dengan lainnya dan bagaimana seharusnya bentuk gelombang suara yang realistis. Ketika diberikan input teks, model WaveNet yang terlatih menghasilkan bentuk gelombang ucapan yang sesuai, satu sampel ke sampel lainnya, meraih akurasi yang lebih tinggi daripada pendekatan alternatif.

Lompat ke hari ini, dan kami sekarang menggunakan versi terbaru WaveNet yang berjalan pada infrastruktur Google Cloud TPU. Model WaveNet baru yang telah disempurnakan ini menghasilkan bentuk gelombang mentah 1.000 kali lebih cepat daripada model asli, dan bisa menghasilkan satu detik ucapan hanya dalam 50 milidetik. Bahkan, model ini tidak hanya lebih cepat, tetapi juga mempunyai fidelitas lebih tinggi, mampu membuat bentuk gelombang dengan 24.000 sampel per detik. Kami juga meningkatkan resolusi setiap sampel dari 8 bit menjadi 16 bit, menghasilkan audio berkualitas lebih tinggi untuk suara yang lebih terdengar seperti manusia.
Dengan penyesuaian ini, model WaveNet baru menghasilkan ucapan yang terdengar lebih natural. Dalam pengujian, pengguna memberikan nilai untuk suara WaveNet US English baru dengan mean-opinion-score (MOS) rata-rata 4,1 pada skala 1-5 — lebih dari 20% lebih baik daripada suara standar dan mengurangi gap dengan ucapan manusia lebih dari 70%. Karena suara WaveNet juga memerlukan lebih sedikit input audio terekam untuk menghasilkan model berkualitas tinggi, kami berharap bisa terus melakukan peningkatan baik dalam variasi maupun kualitas suara WaveNet yang tersedia bagi pelanggan Cloud dalam beberapa bulan mendatang.
Cloud Text-to-Speech sudah membantu banyak pelanggan memberikan pengalaman yang lebih baik kepada pengguna akhir mereka. Pelanggan ini termasuk Cisco dan Dolphin ONE.

“Sebagai penyedia solusi kolaborasi terkemuka, Cisco memiliki sejarah panjang dalam membawa kemajuan teknologi terbaru ke perusahaan. Cloud Text-to-Speech Google memungkinkan kami untuk mencapai kualitas suara natural yang diinginkan pelanggan kami."  

— Tim Tuttle, CTO of Cognitive Collaboration, Cisco

“Platform telepon Calll.io Dolphin ONE menawarkan konektivitas dari banyak perangkat, di hampir semua lokasi. Kami mengintegrasikan Cloud Text-to-Speech ke dalam produk kami dan mengizinkan pengguna kami menciptakan pengalaman pusat panggilan natural. Dengan menggunakan fitur machine learning Google Cloud, kami langsung menghadirkan teknologi termutakhir kepada para pengguna kami.” 

—Jason Berryman, Dolphin ONE

Mulai sekarang

Dengan Cloud Text-to-Speech, Anda sekarang hanya berjarak beberapa klik saja dari salah satu teknologi ucapan tercanggih di dunia. Untuk mempelajari lebih lanjut, silakan kunjungi dokumentasi atau halaman harga kami. Untuk mulai mencoba beta versi publik kami atau mencoba suara baru, kunjungi situs Cloud Text-to-Speech.

 Semula diposting oleh Sandeep Gupta, Product Manager for TensorFlow, atas nama tim TensorFlow pada Blog TensorFlow.
Pada tanggal 30 Maret, kami mengadakan TensorFlow Developer Summit yang kedua di Computer History Museum di Mountain View, CA! Event ini mempertemukan lebih dari 500 pengguna TensorFlow secara langsung dan ribuan lainnya yang melakukan streaming langsung event TensorFlow di seluruh dunia. Hari itu diisi dengan pengumuman produk baru beserta pembicaraan teknis dari tim TensorFlow dan pembicara tamu. Inilah highlight dari event tersebut:

Machine learning memecahkan masalah menantang yang memengaruhi semua orang di seluruh dunia. Masalah yang kami pikir tidak mungkin atau terlalu rumit dipecahkan sekarang bisa dicari solusinya dengan teknologi ini. Menggunakan TensorFlow, kami melihat kemajuan besar dalam berbagai bidang. Misalnya:

• Astrofisikawan menggunakan TensorFlow untuk menganalisis sejumlah besar data dari misi Kepler untuk menemukan planet baru.
• Peneliti medis menggunakan teknik ML dengan TensorFlow untuk menilai risiko kardiovaskular seseorang dari serangan jantung dan stroke.
• Pemandu Lalu Lintas Udara menggunakan TensorFlow untuk memprediksi rute penerbangan melalui wilayah udara yang padat untuk pendaratan yang aman dan efisien.
• Engineer menggunakan TensorFlow untuk menganalisis data auditori di hutan hujan untuk mendeteksi truk pengangkut kayu dan kegiatan ilegal lainnya.
• Ilmuwan di Afrika menggunakan TensorFlow untuk mendeteksi penyakit pada tanaman Singkong untuk meningkatkan hasil bagi petani.

Kami senang sekali melihat penggunaan TensorFlow yang luar biasa ini dan berkomitmen agar TensorFlow bisa diakses oleh lebih banyak developer. Inilah mengapa kami senang mengumumkan update baru untuk TensorFlow yang akan membantu meningkatkan pengalaman developer!

Kami membuat TensorFlow lebih mudah digunakan

Peneliti dan developer menginginkan cara yang lebih mudah dalam menggunakan TensorFlow. Kami mengintegrasikan model pemrograman yang lebih intuitif untuk developer Python yang disebut eager execution yang menghilangkan perbedaan antara pembangunan dan eksekusi dari grafik komputasional. Anda bisa mengembangkan dengan eager execution kemudian menggunakan kode yang sama untuk menghasilkan grafik yang setara untuk pelatihan pada skala menggunakan API tingkat tinggi Estimator. Kami juga mengumumkan metode baru untuk menjalankan model Estimator pada beberapa GPU dalam satu mesin. Ini memungkinkan developer untuk dengan cepat menskalakan model mereka dengan sedikit perubahan kode.

Karena model machine learning semakin banyak dan kompleks, kami ingin memudahkan developer untuk berbagi, menggunakan kembali, dan mendebugnya. Untuk membantu developer berbagi dan menggunakan kembali model, kami mengumumkan TensorFlow Hub, library yang dibangun untuk mendorong publikasi dan penemuan modul (potongan mandiri grafik TensorFlow) yang bisa digunakan kembali di tugas yang serupa. Modul berisi bobot yang telah dilatih sebelumnya pada kumpulan data besar, dan dapat dilatih ulang serta digunakan dalam aplikasi Anda sendiri. Dengan menggunakan kembali modul, developer bisa melatih model menggunakan kumpulan data yang lebih kecil, meningkatkan generalisasi, atau mempercepat pelatihan. Untuk membuat proses debug model lebih mudah, kami juga merilis plugin debugger grafik interaktif baru sebagai bagian dari fitur visualisasi TensorBoard yang membantu Anda memeriksa dan menjelajahi node internal grafik komputasi secara real-time.

Pelatihan model hanyalah salah satu bagian dari proses machine learning dan developer membutuhkan solusi yang bekerja secara menyeluruh untuk membangun sistem ML sesungguhnya. Menuju ke sini, kami mengumumkan peta jalan untuk TensorFlow Extended (TFX) bersama dengan peluncuran TensorFlow Model Analysis, sebuah library open-source yang menggabungkan kekuatan TensorFlow dan Apache Beam untuk menghitung dan memvisualisasikan metrik evaluasi. Komponen TFX yang telah dirilis sejauh ini (termasuk TensorFlow Model Analysis, TensorFlow Transform, Estimators, dan TensorFlow Serving) terintegrasi dengan baik dan memungkinkan developer menyiapkan data, melatih, memvalidasi, dan menerapkan model TensorFlow dalam produksi.

TensorFlow tersedia dalam lebih banyak bahasa dan platform

Selain membuat TensorFlow lebih mudah digunakan, kami mengumumkan bahwa developer bisa menggunakan TensorFlow dalam bahasa baru. TensorFlow.js adalah framework ML baru untuk developer JavaScript. Machine learning di browser menggunakan TensorFlow.js membuka kemungkinan baru yang menarik, termasuk ML interaktif dan dukungan untuk skenario di mana semua data tetap client-side. Ini bisa digunakan untuk membangun dan melatih modul seluruhnya dalam browser, serta mengimpor model TensorFlow dan Keras yang dilatih offline untuk inferensi menggunakan akselerasi WebGL. Game Emoji Scavenger Hunt adalah contoh menarik dari aplikasi yang dibangun menggunakan TensorFlow.js.

Kami juga memiliki beberapa berita menarik untuk para programmer Swift: TensorFlow for Swift akan dibuat open source bulan April ini. TensorFlow for Swift bukanlah pengikat bahasa khusus Anda untuk TensorFlow. Ia mengintegrasikan dukungan bahasa dan compiler kelas wahid, menyediakan kekuatan penuh grafik dengan kegunaan eager execution. Project ini masih dalam pengembangan, dengan lebih banyak update segera hadir!

Kami juga membagikan update terbaru untuk TensorFlow Lite, solusi lintas platform yang ringan dari TensorFlow untuk menerapkan model ML terlatih pada perangkat seluler dan perangkat tepi lainnya. Selain dukungan untuk Android dan iOS, kami mengumumkan dukungan untuk Raspberry Pi, peningkatan dukungan untuk operasi/model (termasuk operasi khusus), dan menjelaskan bagaimana developer bisa dengan mudah menggunakan TensorFlow Lite dalam aplikasi mereka sendiri. Interpreter inti TensorFlow Lite sekarang hanya berukuran 75KB (vs 1,1 MB untuk TensorFlow) dan kami melihat peningkatan hingga 3 kali lipat ketika menjalankan model klasifikasi gambar terkuantisasi pada TensorFlow Lite vs. TensorFlow.

Untuk dukungan hardware, TensorFlow sekarang terintegrasi dengan TensorRT NVIDIA. TensorRT adalah library yang mengoptimalkan model deep learning untuk inferensi dan menciptakan runtime guna penerapan pada GPU dalam lingkungan produksi. Hal ini membawa sejumlah optimalisasi ke TensorFlow dan secara otomatis memilih kernel tertentu platform untuk memaksimalkan throughput dan meminimalkan latensi selama inferensi pada GPU.

Bagi pengguna yang menjalankan TensorFlow pada CPU, kemitraan kami dengan Intel menghadirkan integrasi dengan library open source Intel MKL-DNN yang sangat dioptimalkan untuk deep learning. Ketika menggunakan Intel MKL-DNN, kami mengamati percepatan inferensi hingga 3 kali lipat pada berbagai platform Intel CPU.

Daftar platform yang menjalankan TensorFlow terus bertambah termasuk Cloud TPU, yang dirilis dalam versi beta bulan lalu. Tim Google Cloud TPU telah memberikan peningkatan kinerja 1.6X yang kuat dalam kinerja ResNet-50 sejak diluncurkan. Penyempurnaan ini akan tersedia untuk pengguna TensorFlow bersama dengan rilis 1.8.

Mengaktifkan aplikasi dan domain baru menggunakan TensorFlow

Banyak masalah analisis data diselesaikan dengan menggunakan metode statistik dan probabilistik. Selain model deep learning dan neural network, TensorFlow kini menyediakan metode termutakhir untuk analisis Bayesian melalui TensorFlow Probability API. Library ini berisi blok pembangun seperti distribusi probabilitas, metode sampling, serta kehilangan dan metrik baru. Banyak metode ML klasik lain juga meningkatkan dukungan. Sebagai contoh, pohon keputusan yang ditingkatkan bisa dengan mudah dilatih dan diterapkan menggunakan class tingkat atas yang sudah dibuat sebelumnya.

Machine learning dan TensorFlow telah membantu menyelesaikan masalah yang menantang dalam berbagai bidang. Area lain di mana kami melihat TensorFlow memiliki dampak besar adalah dalam genomik, itulah sebabnya kami merilis Nucleus, library untuk membaca, menulis, dan memfilter format file genomik umum untuk digunakan dalam TensorFlow. Ini, bersama dengan DeepVariant, fitur open-source berbasis TensorFlow untuk penemuan varian genome, akan membantu mendorong penelitian dan kemajuan baru dalam genomik.

Memperluas sumber daya dan interaksi komunitas

Update untuk TensorFlow ini bertujuan untuk memberikan manfaat dan menumbuhkan komunitas pengguna dan kontributor - ribuan orang yang berperan dalam membuat TensorFlow salah satu framework ML paling populer di dunia. Untuk terus berinteraksi dengan komunitas dan selalu update dengan perkembangan TensorFlow, kami telah meluncurkan blog TensorFlow dan saluran YouTube TensorFlow resmi yang baru. Kami juga mempermudah komunitas untuk berkolaborasi dengan meluncurkan milis baru dan Special Interest Groups yang dirancang untuk mendukung karya open-source pada project-project tertentu. Untuk melihat bagaimana Anda bisa menjadi bagian dari komunitas, kunjungi halaman Komunitas TensorFlow dan seperti biasa, Anda dapat mengikuti TensorFlow di Twitter untuk berita terbaru.

Kami sangat berterima kasih kepada semua orang yang telah membantu membuat TensorFlow menjadi framework ML yang sukses dalam dua tahun terakhir. Terima kasih telah hadir, terima kasih telah menonton, dan ingat untuk menggunakan #MadeWithTensorFlow untuk berbagi mengenai bagaimana cara Anda memecahkan masalah yang berdampak dan menantang dengan machine learning dan TensorFlow!

 Aslinya diposting pada Flutter Medium oleh Martin Aguinis

Hamilton dan Posse, agensi desain dan pengembangan di New York, hanya membutuhkan tiga bulan untuk mengembangkan dan meluncurkan aplikasi seluler bagi acara Broadway yang sedang hit. Bagaimana mereka melakukannya? Menggunakan Flutter, framework UI seluler Google yang baru.

Menjangkau jutaan pengguna — dengan setengah juta pengguna aktif bulanan yang luar biasa dan dipublikasikan di App Store dan Google Play— aplikasi memungkinkan penggemar memasukkan lotre tiket, membeli merchandise, bermain trivia, berfoto selfie dengan #HamCam, membaca berita dan interviu terupdate, dan banyak lagi.

Tonton studi kasus video ini untuk melihat bagaimana Flutter terus membantu aplikasi seperti Hamilton agar berhasil di iOS dan Android. Anda bisa membaca detail selengkapnya tentang pengembangan aplikasi ini pada entri blog Posse.

Flutter gratis dan open source. Mulai sekarang di flutter.io. Kami tak sabar ingin segera melihat kreasi Anda!

 Diposting oleh Jamal Eason, Product Manager, Android
Dengan gembira kami umumkan bahwa Android Studio 3.1 kini bisa didownload pada saluran rilis stabil. Area fokus untuk rilis ini adalah seputar kualitas produk dan produktivitas pengembangan aplikasi. Selain banyak perubahan kualitas dasarnya, kami menambahkan beberapa fitur baru ke dalam Android Studio 3.1 yang harus Anda integrasikan ke dalam alur pengembangan.

Fitur Baru di Android Studio 3.1 adalah profiler kinerja C++ untuk membantu memecahkan masalah bottleneck kinerja dalam kode aplikasi Anda. Bagi Anda dengan database SQLite atau Room pada aplikasi, kami menambahkan dukungan editor kode yang lebih baik untuk membantu pernyataan pembuatan kueri dan tabel SQL. Kami juga menambahkan dukungan lint yang lebih baik untuk kode Kotlin Anda, dan mempercepat pengujian dengan Android Emulator yang terupdate dengan Quick Boot. Bila salah satu fitur ini terdengar menarik atau Anda mencari versi stabil berikutnya dari Android Studio, Anda harus mendownload Android Studio 3.1 sekarang!

Lihat daftar fitur baru pada Android Studio 3.1 di bawah ini, yang disusun oleh alur developer utama.

Develop

• Pemeriksaan Lint Kotlin - Sejak pengumuman dukungan bahasa resmi Kotlin tahun lalu pada platform Android, kami terus berinvestasi dalam dukungan bahasa Kotlin pada Android Studio. Pada Android Studio 3.1, kami meningkatkan pemeriksaan kualitas kode Lint sehingga sekarang Anda bisa menjalankannya melalui baris perintah serta IDE. Buka saja project Android Studio, dan jalankan gradlew lint melalui baris perintah. Pelajari lebih lanjut.

• Pengeditan Kode Database - Mengedit kode SQL/Room Database inline dalam project Android Anda sekarang semakin mudah dengan Android Studio 3.1. Rilis ini memiliki pelengkapan kode SQL dalam deklarasi @Query, pemfaktoran ulang pernyataan SQL yang lebih baik, dan navigasi kode SQL di seluruh project Anda. Pelajari lebih lanjut.

• Update Platform IntelliJ: Android Studio 3.1 menyertakan rilis platform IntelliJ 2017.3.3, yang memiliki banyak fitur baru seperti intensi bahasa Kotlin baru dan dukungan bawaan untuk pratinjau gambar SVG. Pelajari lebih lanjut.

Build

• D8 Dex Compiler - Sekarang D8 adalah compiler dex default pada Android Studio 3.1. Menggantikan compiler DX lama, D8 dexing adalah langkah kompilasi APK tak terlihat yang membuat ukuran aplikasi lebih kecil, memungkinkan proses debug langkah yang akurat, dan sering kali mengarah ke build yang lebih cepat. Pastikan bahwa gradle.properties Anda tidak memiliki flag android.enableD8, atau bila gradle.properties memiliki flag, pastikan bahwa ia disetel ke true. Pelajari lebih lanjut.

• Jendela Output Build Baru - Android Studio 3.1 memiliki update jendela output Build yang mengatur status build dan error dalam tampilan struktur pohon baru. Perubahan ini juga mengonsolidasikan output Gradle lama ke dalam jendela baru ini. Pelajari lebih lanjut.

Pengujian

• Quick Boot - Quick Boot memungkinkan Anda untuk melanjutkan sesi Android Emulator dalam waktu kurang dari 6 detik. Waktu mulai yang lambat pada Android Emulator adalah titik masalah utama yang kami dengar dari Anda dan Quick Boot memecahkan masalah ini. Seperti perangkat Android fisik, emulator harus melakukan cold boot awal, tetapi start berikutnya dimulai dengan cepat. Fitur ini diaktifkan secara default untuk semua Perangkat Virtual Android. Selain itu, dalam rilis ini, Anda memiliki kontrol yang lebih komplet mengenai kapan waktu menggunakan Quick Boot dan kemampuan untuk menyimpan status quick boot sesuai permintaan dalam halaman setelan emulator. Pelajari lebih lanjut tentang Fitur Android Emulator unggulan yang lain.

• Citra Sistem dan Skin Perangkat Tanpa Bingkai - Versi terbaru Android Emulator kini mendukung Google Play Store dan Google API pada API 24 (Nougat) - citra sistem emulator API 27 (Oreo) serta P Developer Preview. Selain itu, skin emulator perangkat diperbarui agar berfungsi dalam mode tanpa bingkai baru, yang bisa membantu Anda menguji aplikasi dengan rasio aspek layar 18:9, atau DisplayCutout API Android P Developer Preview. Pelajari lebih lanjut.

Pengoptimalan

• C++ CPU Profiling - Tahun lalu pada Android Studio 3.0, kami meluncurkan perangkat profiler Android baru untuk mengukur CPU, Memori, dan Aktivitas Jaringan dalam aplikasi Anda. Dengan Android Studio 3.1, selain pembuatan profil kinerja Kotlin dan kode aplikasi bahasa Java, Anda sekarang bisa membuat profil kode C++ dalam aplikasi Anda. Menggunakan simpleperf sebagai backend, profiler C++ memungkinkan Anda merekam aktivitas metode C++. Pelajari lebih lanjut.

• Update Network Profiler: Thread & Network Request - Untuk membantu menganalisis traffic jaringan di aplikasi Anda, kami menambahkan tampilan Network Thread baru untuk memeriksa traffic jaringan multi-thread, dan kami juga menambahkan tab Network Request baru untuk menyelidiki permintaan jaringan dari waktu ke waktu. Dengan update untuk Network Profiler ini, Anda akan memiliki alat tambahan untuk merekam aktivitas traffic jaringan dari setiap thread dan permintaan jaringan secara lengkap hingga tumpukan panggilan jaringan. Pelajari lebih lanjut.

• Pemeriksaan Lint Kotlin
• Pengeditan Kode Database
• Update Platform IntelliJ

Build

• D8 Dex Compiler
• Jendela Output Build Baru

Pengujian & Debug

• Quick Boot untuk Android Emulator
• API 27 dengan Citra Sistem Emulator Google Play
• Mode tanpa bingkai jendela untuk Android Emulator

Pengoptimalan

• C++ Profiler
• Network Profiler - Dukungan Thread
• Network Profiler - Dukungan Permintaan

Lihat catatan rilis untuk detail selengkapnya.

Memulai

Download

Jika Anda menggunakan versi Android Studio sebelumnya, Anda bisa meng-upgrade ke Android Studio 3.1 sekarang atau Anda dapat mendownload update dari halaman download Android Studio resmi.

Kami menghargai setiap masukan tentang hal-hal yang Anda sukai, masalah atau fitur yang ingin Anda ketahui. Jika Anda menemukan bug atau masalah, silakan melaporkan masalah. Hubungi kami -- tim development Android Studio ‐ di laman Google+ atau di Twitter kami.



 Diposting oleh Mike Krainin, Software Engineer dan Ce Liu, Research Scientist, Machine Perception

Pada tahun 2007, kami memperkenalkan Google Street View, yang memungkinkan Anda menjelajahi dunia melalui panorama wilayah sekitar, landmark, museum dan banyak lagi, langsung dari browser atau perangkat seluler Anda. Pembuatan panorama ini adalah sebuah proses panjang yang rumit, yang melibatkan pengambilan gambar dari rig multi-kamera yang disebut rosette, dan kemudian menggunakan teknik penggabungan gambar untuk menggabungkannya dengan hati-hati. Namun, banyak hal bisa menggagalkan terciptanya panorama yang "bagus", seperti mis-kalibrasi geometri kamera rosette, perbedaan timing antar kamera yang berdekatan, dan paralaks. Dan meskipun kami mencoba mengatasi masalah ini dengan menggunakan perkiraan geometri pemandangan untuk memperhitungkan paralaks dan melakukan kalibrasi kamera berulang kali, sambungan gambar yang terlihat pada bidang tumpang tindih masih bisa terjadi.

Kiri: Mobil Street View membawa rosette multi-kamera. Tengah: Tampilan jarak dekat rosette, yang terdiri dari 15 kamera. Kanan: Visualisasi cakupan spasial dari masing-masing kamera. Tumpang tindih antara kamera yang berdekatan ditunjukkan dengan warna abu-abu gelap.

Kiri: Sydney Opera House dengan sambungan tidak rapi di kerangka kerang ikoniknya. Kanan: Panorama Street View yang sama setelah perbaikan sambungan optical flow.

Untuk menyediakan gambar Street View yang lebih mulus, kami telah mengembangkan algoritme baru berdasarkan optical flow untuk membantu mengatasi masalah ini. Idenya adalah dengan secara halus melengkungkan setiap gambar input sehingga konten gambar berada di posisi yang tepat dalam bidang yang tumpang tindih. Ini harus dilakukan dengan hati-hati untuk menghindari artefak visual jenis baru. Pendekatannya juga harus kuat untuk mengkompensasi berbagai geometri pemandangan, kondisi pencahayaan, kualitas kalibrasi, dan banyak kondisi lainnya. Untuk menyederhanakan tugas menyelaraskan gambar dan memenuhi persyaratan komputasional, kami telah membaginya ke dalam dua langkah.

Optical Flow
Langkah pertama adalah menemukan lokasi piksel yang tepat untuk setiap pasangan gambar yang tumpang tindih. Dengan menggunakan teknik yang dijelaskan di entri blog PhotoScan, kami menghitung optical flow dari satu gambar ke gambar yang lain. Ini akan menyediakan bidang penyesuaian yang halus dan rapat. Kami kemudian menurunkan penyesuaian untuk efisiensi komputasional. Kami juga menghapus penyesuaian ketika struktur visualnya tidak cukup bagus terhadap hasil optical flow

Batas sepasang komponen gambar penyusun dari kamera rosette yang harus digabungkan bersama.

Ilustrasi optical flow dalam pasangan bidang tumpang tindih.

Penyesuaian yang diekstrak pada sepasang gambar. Untuk setiap titik berwarna di bidang tumpang tindih dari gambar kiri, ada titik berwarna sama di bidang tumpang tindih pada gambar kanan, yang menunjukkan bagaimana algoritme optical flow menyelaraskan titiknya. Pasangan titik yang sama ini digunakan sebagai input untuk tahap optimalisasi global. Perhatikan bahwa bidang tumpang tindih ini hanya menutupi sebagian kecil dari setiap gambar.

Optimalisasi Global
Langkah kedua adalah melengkungkan gambar rosette secara serentak untuk menyelaraskan semua titik yang sama dari bidang tumpang tindih (seperti yang terlihat pada gambar di atas). Saat digabungkan menjadi panorama, kumpulan gambar yang dilengkungkan akan diselaraskan dengan benar. Ini sangat menantang karena bidang tumpang tindih hanya menutupi sebagian kecil dari setiap gambar, sehingga terkadang menimbulkan masalah. Untuk membuat hasil visual yang optimal untuk keseluruhan gambar, kami memformulasikan pelengkungan (warping) sebagai bidang alur berbasis spline dengan regularisasi spasial. Parameter spline dipecahkan dalam optimalisasi non-linear menggunakan open source Ceres Solver dari Google.

Visualisasi proses pelengkungan akhir. Kiri: Bagian panorama yang mencakup 180 derajat horizontal. Perhatikan bahwa efek keseluruhan pelengkungan sengaja dibuat cukup halus. Kanan: Tampilan jarak dekat, memperjelas bagaimana pelengkungan memperbaiki penggabungannya.

Pendekatan kami memiliki banyak kesamaan dengan karya yang dipublikasikan sebelumnya oleh Shum & Szeliski pada panorama "deghosting". Perbedaan utamanya adalah bahwa pendekatan kami memperkirakan penyesuaian yang rapat dan halus (bukannya penyesuaian independen dengan cara patch), dan kami memecahkan optimalisasi nonlinier untuk pelengkungan terakhir. Hasilnya adalah pelengkungan yang lebih baik dan cenderung tidak memunculkan artefak visual baru dibandingkan pendekatan berbasis kernel.

Kiri: Tampilan jarak dekat dari panorama yang belum diperbaiki. Tengah: Hasil interpolasi berbasis kernel. Ini memperbaiki diskontinuitas tetapi menghasilkan artefak gambar yang mengganggu karena tumpang tindih gambar kecil dan footprint kernel yang terbatas. Kanan: Hasil optimalisasi global kami.

Hal ini penting karena algoritme kami harus kuat terhadap keragaman konten yang sangat banyak dalam miliaran panorama Street View. Anda bisa melihat seberapa efektif algoritme ini dalam contoh berikut:

Tower Bridge, London

Christ the Redeemer, Rio de Janeiro

Sebuah SUV di jalanan Seattle

Algoritme baru ini baru saja ditambahkan ke jaringan penggabungan gambar Street View. Algoritme ini sekarang digunakan untuk menggabungkan ulang panorama yang sudah ada secara berkelanjutan. Perhatikan selalu Street View yang sudah disempurnakan di dekat Anda!

Ucapan Terima Kasih
Terima kasih banyak kepada Bryan Klingner yang telah membantu mengintegrasikan fitur ini dengan infrastruktur Street View.

Diposting oleh Clementine Jacoby, Product Manager, Google Maps API

Lanskap mobile game berubah seiring semakin banyaknya studio yang mengembangkan game augmented reality. Untuk membaurkan realitas, developer harus terlebih dahulu memahami dunia nyata — lingkungan fisik di sekitar pemain. Karena itulah kami gembira bisa mengumumkan penawaran baru untuk membangun game dunia nyata menggunakan model dunia Google Maps yang telah teruji.

Studio game bisa dengan mudah memfantasikan dunia kita saat ini seperti dunia zaman abad pertengahan, dunia permen karet, atau kota setelah apokaliptik yang dipenuhi zombie. Dengan update real-time Google Maps dan data lokasi yang beragam, developer bisa menemukan tempat terbaik untuk bermain game, tidak peduli di mana pun pemain berada.

Menyesuaikan game Anda seluruhnya

Untuk mempermudah dalam memulai, kami menghadirkan konten berlimpah Google Maps ke mesin game Unity. Kami mengubah bangunan, jalan, dan taman menjadi GameObjects di Unity, di sini developer bisa menambahkan tekstur, gaya, dan penyesuaian agar cocok dengan tampilan dan nuansa game. Ini berarti bahwa mereka bisa berfokus pada pembangunan gameplay yang beragam dan imersif tanpa pengeluaran tambahan dalam membangun dunia game berskala global.

“Dengan data Google Maps terintegrasi ke dalam Unity, kami bisa memfokuskan waktu dan energi kami untuk membangun pengalaman virtual mendetail bagi pengguna kami untuk menemukan dinosaurus virtual di dunia nyata.” - Alexandre Thabet, CEO, Ludia

Menciptakan pengalaman imersif di seluruh dunia

Developer game sekarang memiliki akses ke model dunia yang beragam, akurat, dan hidup untuk membentuk fondasi dunia game mereka. Dengan akses ke lebih dari 100 juta bangunan, jalan, landmark, dan taman 3D dari lebih 200 negara, mereka bisa menghadirkan permainan game yang menarik di seluruh dunia.

"Kami sangat senang bermitra dengan Google yang menyediakan data lokasi beragam dan terbaru sehingga memungkinkan kami menciptakan pengalaman imersif yang terkait dengan lokasi Anda. Ketika bangunan atau jalan baru sudah dibangun, kami memiliki aksesnya dalam game kami. Data lokasi Google Maps yang tak tertandingi, yang mencakup landmark terkenal dunia, bisnis dan bangunan, seperti Patung Liberty, Menara Eiffel, London Eye, Burj Khalifa, dan India Gate, membuat pengalaman menjelajahi lingkungan sekitar Anda menjadi menakjubkan," kata Teemu Huuhtanen, CEO, Next Games

Mendesain game yang beragam dan menarik di dunia nyata

Mendesain interaksi memanfaatkan tempat-tempat dunia nyata dalam skala global adalah tantangan besar dan membutuhkan banyak pengetahuan tentang lingkungan pemain. Kami mempermudah penemuan tempat yang tepat, nyaman, dan menyenangkan untuk dimainkan — di mana pun pemain berada.

"Membangun interaksi game memanfaatkan tempat-tempat dunia nyata dalam skala global dan menemukan tempat yang relevan bagi pengguna dan menyenangkan untuk bermain adalah hal yang menantang. Google Maps API membantu kita menggabungkan lokasi relevan pengguna dan dunia nyata ke dalam game. Pengguna dari seluruh dunia bisa merasakan dunia virtual Ghostbusters melalui game kami, memanfaatkan data lokasi Google. " - HAN Sung Gin, CEO, FourThirtyThree Inc.(4:33)

Memberikan pengalaman game dalam skala Google

Membangun di atas infrastruktur global Google Maps berarti waktu respons yang lebih cepat, kemampuan untuk meningkatkan skala sesuai permintaan, dan ketenangan pikiran karena mengetahui bahwa game Anda akan berhasil.

Kami senang sekali bisa menghadirkan yang terbaik dari Google ke game seluler. Semua mitra akses awal kami memanfaatkan ARCore untuk lebih memahami lingkungan pengguna dan menjangkau lebih dari 100 juta perangkat dalam ekosistem. Di Google kami memiliki lebih banyak produk untuk membantu developer – dari Google Cloud untuk kebutuhan server game Anda hingga YouTube dan Google Play untuk keperluan promosi, dan banyak lagi.

Kami akan menampilkan demo langsung pada Game Developer Conference di stan 823 minggu depan di San Francisco. Jika Anda tertarik untuk membangun pengalaman game dunia nyata, kunjungi halaman web kami atau hubungi bagian penjualan.