Menambahkan Klasifikasi Teks di perangkat ke aplikasi Anda dengan TensorFlow Lite dan Firebase - Android Codelab

1. Ringkasan

hasil-klasifikasi-teks.png

Selamat datang di codelab Klasifikasi Teks dengan TensorFlow Lite dan Firebase. Dalam codelab ini, Anda akan mempelajari cara menggunakan TensorFlow Lite dan Firebase untuk melatih dan men-deploy model klasifikasi teks ke aplikasi Anda. Codelab ini didasarkan pada contoh TensorFlow Lite ini.

Klasifikasi teks adalah proses menetapkan tag atau kategori ke teks sesuai dengan kontennya. Ini adalah salah satu tugas mendasar dalam Natural Language Processing (NLP) dengan penerapan yang luas seperti analisis sentimen, pelabelan topik, deteksi spam, dan deteksi intent.

Analisis sentimen adalah interpretasi dan klasifikasi emosi (positif, negatif, dan netral) dalam data teks menggunakan teknik analisis teks. Analisis sentimen memungkinkan bisnis mengidentifikasi sentimen pelanggan terhadap produk, merek, atau layanan dalam percakapan dan masukan online.

Tutorial ini menunjukkan cara membangun model machine learning untuk analisis sentimen, khususnya mengklasifikasikan teks sebagai positif atau negatif. Ini adalah contoh klasifikasi biner—atau kelas dua—yang merupakan jenis masalah machine learning yang penting dan dapat diterapkan secara luas.

Yang akan Anda pelajari

  • Latih model analisis sentimen TF Lite dengan TF Lite Model Maker
  • Men-deploy model TF Lite ke Firebase ML dan mengaksesnya dari aplikasi Anda
  • Integrasikan model analisis sentimen TF Lite ke aplikasi Anda menggunakan Library Tugas TF Lite

Hal yang akan Anda perlukan

  • Versi Android Studio terbaru.
  • Kode contoh.
  • Perangkat pengujian dengan Android 5.0+ dan layanan Google Play 9.8 atau yang lebih baru, atau Emulator dengan layanan Google Play 9.8 atau yang lebih baru
  • Jika menggunakan perangkat, gunakan kabel koneksi.

Bagaimana Anda akan menggunakan tutorial ini?

Hanya membacanya Membacanya dan menyelesaikan latihan

Bagaimana penilaian Anda terhadap pengalaman membangun aplikasi Android?

Pemula Menengah Mahir

2. Mendapatkan kode contoh

Clone repositori GitHub dari command line.

$ git clone https://github.com/FirebaseExtended/codelab-textclassification-android.git

Jika belum menginstal git, Anda juga dapat mendownload project contoh dari halaman GitHub-nya atau dengan mengklik link ini.

3. Mengimpor aplikasi awal

Dari Android Studio, pilih direktori codelab-textclassification-android-master ( folder_android_studio.png) dari download kode contoh (File > Open > .../codelab-textclassification-android-master/start).

Sekarang, project awal akan terbuka di Android Studio.

4. Menjalankan aplikasi awal

Setelah mengimpor project ke Android Studio, Anda siap menjalankan aplikasi untuk pertama kalinya. Hubungkan perangkat Android, lalu klik Run ( jalankan.png) di toolbar Android Studio.

Aplikasi akan diluncurkan di perangkat Anda. Library ini hanya berisi UI sederhana yang memudahkan integrasi dan menguji model klasifikasi teks di langkah berikutnya. Pada tahap ini, jika Anda mencoba memprediksi sentimen, aplikasi hanya akan menampilkan beberapa hasil contoh.

2fb4e69fafb2e3ed.pngS

5. Membuat project Firebase console

Menambahkan Firebase ke project

  1. Buka Firebase console.
  2. Pilih Tambahkan project.
  3. Pilih atau masukkan nama Project.
  4. Ikuti langkah-langkah penyiapan yang tersisa di Firebase console, lalu klik Create project (atau Add Firebase, jika Anda menggunakan project Google yang sudah ada).

6. Menambahkan Firebase ke aplikasi

  1. Dari layar ringkasan project baru Anda, klik ikon Android untuk meluncurkan alur kerja penyiapan.
  2. Masukkan nama paket codelab: org.tensorflow.lite.codelabs.textclassification

Menambahkan file google-services.json ke aplikasi Anda

Setelah menambahkan nama paket dan memilih Register**, klik Download google-services.json** untuk mendapatkan file konfigurasi Android Firebase, kemudian salin file google-services.json ke direktori *app* di proyek Anda.

Menambahkan plugin google-services ke aplikasi Anda

Ikuti petunjuk di Firebase Console untuk memperbarui file build.gradle.kts untuk menambahkan Firebase ke aplikasi Anda.

Plugin google-services menggunakan file google-services.json untuk mengonfigurasi aplikasi Anda agar menggunakan Firebase.

Menyinkronkan project dengan file gradle

Guna memastikan bahwa semua dependensi tersedia untuk aplikasi, Anda harus menyinkronkan project dengan file gradle pada tahap ini. Pilih File > Sinkronkan Project dengan File Gradle dari toolbar Android Studio.

7. Menjalankan aplikasi dengan Firebase

Setelah mengonfigurasi plugin google-services dengan file JSON, Anda siap menjalankan aplikasi dengan Firebase. Hubungkan perangkat Android, lalu klik Run ( jalankan.png) di toolbar Android Studio.

Aplikasi akan diluncurkan di perangkat Anda. Pada tahap ini, aplikasi Anda seharusnya tetap berhasil dibuat.

8. Melatih model analisis sentimen

Kita akan menggunakan TensorFlow Lite Model Maker untuk melatih model klasifikasi teks guna memprediksi sentimen teks tertentu.

Langkah ini ditampilkan sebagai notebook Python yang dapat Anda buka di Google Colab. Anda dapat memilih Runtime > Jalankan semua untuk menjalankan semua notebook sekaligus.

Buka di Colab

Setelah menyelesaikan langkah ini, Anda akan memiliki model analisis sentimen TensorFlow Lite yang siap untuk di-deploy ke aplikasi seluler.

9. Men-deploy model ke Firebase ML

Men-deploy model ke Firebase ML berguna karena dua alasan utama:

  1. Kita dapat memastikan ukuran penginstalan aplikasi tetap kecil dan hanya mendownload model jika diperlukan
  2. Model dapat diupdate secara berkala dan dengan siklus rilis yang berbeda dari seluruh aplikasi

Model ini dapat di-deploy melalui konsol atau secara terprogram, menggunakan Firebase Admin SDK. Pada langkah ini, kita akan men-deploy melalui konsol.

Pertama, buka Firebase Console, lalu klik Machine Learning di panel navigasi kiri. Klik 'Mulai' jika ini pertama kalinya Anda buka. Lalu buka "Kustom" dan klik tombol "Add model" tombol.

Saat diminta, beri nama model sentiment_analysis, lalu upload file yang Anda download dari Colab pada langkah sebelumnya.

3c3c50e6ef12b3b.pngS

10. Download model dari Firebase ML

Memilih kapan akan mendownload model jarak jauh dari Firebase ke aplikasi Anda bisa jadi sedikit rumit karena model TFLite dapat berukuran relatif besar. Idealnya, kita ingin menghindari pemuatan model segera saat aplikasi diluncurkan, karena jika model kita hanya digunakan untuk satu fitur dan pengguna tidak pernah menggunakan fitur tersebut, kita akan mendownload data dalam jumlah besar tanpa alasan. Kita juga dapat menyetel opsi download seperti hanya mengambil model saat terhubung ke Wi-Fi. Jika Anda ingin memastikan bahwa model tersedia bahkan tanpa koneksi jaringan, penting juga untuk memaketkan model tanpa aplikasi sebagai cadangan.

Demi kemudahan, kita akan menghapus model paket default dan selalu mendownload model dari Firebase saat aplikasi dimulai untuk pertama kalinya. Dengan cara ini, ketika menjalankan analisis sentimen, Anda dapat yakin bahwa inferensi berjalan dengan model yang disediakan dari Firebase.

Dalam file app/build.gradle.kts, tambahkan dependensi Firebase Machine Learning.

app/build.gradle.kts

Temukan komentar ini:

// TODO 1: Add Firebase ML dependency

Kemudian, tambahkan:

implementation(platform("com.google.firebase:firebase-bom:32.0.0"))
implementation("com.google.firebase:firebase-ml-modeldownloader:24.1.2")

Saat diminta oleh Android Studio untuk menyinkronkan project Anda, pilih Sync Now.

Lalu, tambahkan beberapa kode untuk mendownload model dari Firebase.

MainActivity.java

Temukan komentar ini:

// TODO 2: Implement a method to download TFLite model from Firebase

Kemudian, tambahkan:

  /** Download model from Firebase ML. */
  private synchronized void downloadModel(String modelName) {
      CustomModelDownloadConditions conditions = new CustomModelDownloadConditions.Builder()
            .requireWifi()
            .build();
      FirebaseModelDownloader.getInstance()
              .getModel("sentiment_analysis", DownloadType.LOCAL_MODEL, conditions)
              .addOnSuccessListener(model -> {
                  try {
                      // TODO 6: Initialize a TextClassifier with the downloaded model

                      predictButton.setEnabled(true);
                  } catch (IOException e) {
                      Log.e(TAG, "Failed to initialize the model. ", e);
                      Toast.makeText(
                              MainActivity.this,
                              "Model initialization failed.",
                              Toast.LENGTH_LONG)
                              .show();
                      predictButton.setEnabled(false);
                  }
              })
              .addOnFailureListener(e -> {
                      Log.e(TAG, "Failed to download the model. ", e);
                      Toast.makeText(
                              MainActivity.this,
                              "Model download failed, please check your connection.",
                              Toast.LENGTH_LONG)
                              .show();

                      }
              );

}

Selanjutnya, panggil metode downloadModel dalam metode onCreate aktivitas.

MainActivity.java

Temukan komentar ini:

// TODO 3: Call the method to download TFLite model

Kemudian, tambahkan:

downloadModel("sentiment_analysis");

11. Mengintegrasikan model di aplikasi Anda

Library Tugas Tensorflow Lite membantu Anda mengintegrasikan model TensorFlow Lite ke dalam aplikasi hanya dengan beberapa baris kode. Kita akan melakukan inisialisasi instance NLClassifier menggunakan model TensorFlow Lite yang didownload dari Firebase. Kemudian, kita akan menggunakannya untuk mengklasifikasikan input teks dari pengguna aplikasi dan menampilkan hasilnya di UI.

Menambahkan dependensi

Buka file Gradle aplikasi dan tambahkan Library Tugas TensorFlow Lite (Text) di dependensi aplikasi.

app/build.gradle

Temukan komentar ini:

// TODO 4: Add TFLite Task API (Text) dependency

Kemudian, tambahkan:

implementation("org.tensorflow:tensorflow-lite-task-text:0.3.0")

Saat diminta oleh Android Studio untuk menyinkronkan project Anda, pilih Sync Now.

Melakukan inisialisasi pengklasifikasi teks

Kemudian, kita akan memuat model analisis sentimen yang didownload dari Firebase menggunakan NLClassifier Library Tugas.

MainActivity.java

Mari kita deklarasikan variabel instance NLClassifier. Temukan komentar ini:

// TODO 5: Define a NLClassifier variable

Kemudian, tambahkan:

private NLClassifier textClassifier;

Lakukan inisialisasi variabel textClassifier dengan model analisis sentimen yang didownload dari Firebase. Temukan komentar ini:

// TODO 6: Initialize a TextClassifier with the downloaded model

Kemudian, tambahkan:

textClassifier = NLClassifier.createFromFile(model.getFile());

Mengklasifikasi teks

Setelah instance textClassifier disiapkan, Anda dapat menjalankan analisis sentimen dengan satu panggilan metode.

MainActivity.java

Temukan komentar ini:

// TODO 7: Run sentiment analysis on the input text

Kemudian, tambahkan:

List<Category> results = textClassifier.classify(text);

Menerapkan pascapemrosesan

Terakhir, kita akan mengonversi output model menjadi teks deskriptif untuk ditampilkan di layar.

MainActivity.java

Temukan komentar ini:

// TODO 8: Convert the result to a human-readable text

Hapus kode yang membuat teks hasil contoh:

String textToShow = "Dummy classification result.\n";

Kemudian, tambahkan:

String textToShow = "Input: " + text + "\nOutput:\n";
for (int i = 0; i < results.size(); i++) {
  Category result = results.get(i);
  textToShow += String.format("    %s: %s\n", result.getLabel(),
                              result.getScore());
}
textToShow += "---------\n";

12. Menjalankan aplikasi final

Anda telah mengintegrasikan model analisis sentimen ke aplikasi, jadi mari kita uji. Hubungkan perangkat Android, lalu klik Run ( jalankan.png) di toolbar Android Studio.

Aplikasi harus dapat memprediksi dengan benar sentimen ulasan film yang Anda masukkan.

img/text-classification-result.png

13. Tingkatkan aplikasi dengan lebih banyak fitur Firebase

Selain menghosting model TFLite Anda, Firebase menyediakan beberapa fitur lain untuk mendukung kasus penggunaan machine learning Anda:

  • Firebase Performance Monitoring untuk mengukur kecepatan inferensi model yang dijalankan pada perangkat seluler.
  • Firebase Analytics untuk mengukur seberapa baik performa model Anda dalam produksi dengan mengukur reaksi pengguna.
  • Firebase A/B Testing untuk menguji beberapa versi model Anda
  • Apakah Anda ingat bahwa kita melatih dua versi model TFLite sebelumnya? Pengujian A/B adalah cara yang baik untuk mengetahui versi mana yang berperforma lebih baik dalam produksi.

Untuk mempelajari lebih lanjut cara memanfaatkan fitur ini di aplikasi Anda, lihat codelab di bawah ini:

14. Selamat!

Dalam codelab ini, Anda telah mempelajari cara melatih model TFLite analisis sentimen dan men-deploy-nya ke aplikasi seluler menggunakan Firebase. Untuk mempelajari TFLite dan Firebase lebih lanjut, lihat contoh TFLite lainnya dan panduan memulai Firebase.

Yang telah kita bahas

  • TensorFlow Lite
  • Firebase ML

Langkah Berikutnya

  • Ukur kecepatan inferensi model Anda dengan Firebase Performance Monitoring.
  • Deploy model dari Colab langsung ke Firebase melalui Firebase ML Model Management API.
  • Tambahkan mekanisme untuk mengizinkan pengguna memberikan masukan tentang hasil prediksi, dan gunakan Firebase Analytics untuk melacak masukan pengguna.
  • Lakukan pengujian A/B pada model Average Word Vector dan model MobileBERT dengan Firebase A/B Testing.

Pelajari Lebih Lanjut

Ada Pertanyaan?

Melaporkan Masalah