Google Cloud Vision APIAPI pre analýzu obrázkov v cloude pre OCR, označovanie obrázkov, detekciu tvárí a pamiatkov a moderovanie obsahu.

Google Cloud Vision API je vyspelá, cloudová služba, ktorá umožňuje vývojárom integrovať pokročilé možnosti analýzy obrázkov do ich aplikácií prostredníctvom REST a RPC API. Využitím predtrénovaných strojových učenia modelov Googleu eliminuje API potrebu navrhovať, trénovať a hostovať vlastné modely počítačového videnia pre štandardné klasifikačné a detekčné úlohy. Slúži ako prístupný vstupný bod na pridanie vizuálnej inteligencie do softvéru s minimálnou odbornou znalosťou strojového učenia. Služba je primárne určená pre vývojárov, systémových architektov a podniky, ktoré budujú softvér vyžadujúci automatické vizuálne triedenie, prepis alebo moderovanie. Je vysoko všestranná, nájde si uplatnenie v správe digitálnych aktív, katalogizácii e-commerce, automatickom vkladaní dokumentov a platformách s obsahom generovaným používateľmi. Keďže je súčasťou ekosystému Google Cloud, prirodzene sa integruje s Google Cloud Storage, Cloud Functions a ďalšími službami GCP na tvorbu kompletných serverless pipeline. V jadre Vision API vykonáva niekoľko odlišných typov analýz. Poskytuje robustné optické rozpoznávanie znakov (OCR) na extrahovanie tlačeného a rukopísaného textu z obrázkov. Môže tiež identifikovať široké kategórie objektov cez označovanie obrázkov, lokalizovať populárne pamiatky a firemné logá, detekovať tváre (vrátane základných emocionálnych stavov, hoci neidentifikáciu jednotlivcov) a analyzovať vlastnosti obrázkov ako dominantné farby. Pre bezpečnosť platformy funkcia Safe Search označuje explicitný obsah, vrátane dospelých, násilných alebo lekárskych obrázkov, aby pomohla pri moderovaní obsahu. Aj keď je výkonná pre všeobecné úlohy, vývojári by mali odlíšiť Vision API od iných špecializovaných ponúk v katalógu Google. Napríklad organizácie spracovávajúce zložitú dokumentáciu s hierarchickými polami by sa mali poobzerať na Document AI, ktorý kombinuje videnie s spracovaním prirodzeného jazyka. Podobne tí, ktorí vyžadujú časovú analýzu pohybu, by mali použiť Video Intelligence API, zatiaľ čo generatívne úlohy ako syntéza obrázkov sa smerujú cez Imagen na Gemini Enterprise. Kľúčovou silou Vision API je jeho obrovská škálovateľnosť a spoľahlivosť, podporovaná globálnou infraštruktúrou Google. Avšak významnou obmedzenosťou je jeho predtrénovaný, statický charakter; vývojári nemôžu ľahko prispôsobiť základné modely pre veľmi špecifické alebo špecializované domény bez presunu na vlastné ML platformy. Okrem toho, keďže fakturácia sa počíta na základe funkcie aplikovanej na obrázok, môže sa štruktúra nákladov stať zložitou na predpovedanie pri vysokých objemoch pri požiadavke viacerých typov detekcie súčasne.