Adicione classificação de texto no dispositivo ao seu aplicativo com TensorFlow Lite e Firebase - iOS Codelab

1. Visão Geral

Bem-vindo ao codelab Classificação de texto com TensorFlow Lite e Firebase. Neste codelab, você aprenderá a usar o TensorFlow Lite e o Firebase para treinar e implantar um modelo de classificação de texto no seu app. Este codelab é baseado neste exemplo do TensorFlow Lite.

Classificação de texto é o processo de atribuição de tags ou categorias ao texto de acordo com seu conteúdo. É uma das tarefas fundamentais no Processamento de Linguagem Natural (PNL) com amplas aplicações, como análise de sentimentos, rotulagem de tópicos, detecção de spam e detecção de intenções.

A análise de sentimento é a interpretação e classificação de emoções (positivas, negativas e neutras) em dados de texto usando técnicas de análise de texto. A análise de sentimento permite que as empresas identifiquem o sentimento do cliente em relação a produtos, marcas ou serviços em conversas e feedback online.

Este tutorial mostra como construir um modelo de aprendizado de máquina para análise de sentimento, em particular classificando o texto como positivo ou negativo. Este é um exemplo de classificação binária – ou de duas classes, um tipo importante e amplamente aplicável de problema de aprendizado de máquina.

O que você aprenderá

• Treine um modelo de análise de sentimento do TF Lite com o TF Lite Model Maker
• Implante modelos TF Lite no Firebase ML e acesse-os no seu aplicativo
• Acompanhe o feedback do usuário para medir a precisão do modelo com o Firebase Analytics
• Analise o desempenho do modelo por meio do Firebase Performance Monitoring
• Selecione qual dos vários modelos implantados será carregado por meio do Configuração remota
• Experimente diferentes modelos por meio do Firebase A/B Testing

O que você precisará

• Xcode 11 (ou superior)
• CocoaPods 1.9.1 (ou superior)

Como você usará este tutorial?

Leia apenas Leia e complete os exercícios

Como avaliaria sua experiência com a criação de aplicativos Android?

Novato Intermediário Proficiente

2. Crie um projeto de console do Firebase

Adicione o Firebase ao projeto

5. Vá para o console do Firebase .
6. Selecione Criar novo projeto e nomeie seu projeto como "Firebase ML iOS Codelab".

3. Obtenha o projeto de amostra

Baixe o código

Comece clonando o projeto de amostra e executando pod update no diretório do projeto:

git clone https://github.com/FirebaseExtended/codelab-textclassification-ios.git
cd codelab-textclassification-ios
pod install --repo-update

Se você não tiver o git instalado, também poderá baixar o projeto de amostra na página do GitHub ou clicando neste link . Depois de baixar o projeto, execute-o no Xcode e brinque com a classificação do texto para ter uma ideia de como ele funciona.

Configurar o Firebase

Siga a documentação para criar um novo projeto Firebase. Depois de obter seu projeto, baixe o arquivo GoogleService-Info.plist do console do Firebase e arraste-o para a raiz do projeto Xcode.

Adicione o Firebase ao seu Podfile e execute pod install.

pod 'FirebaseMLModelDownloader', '9.3.0-beta'

No método didFinishLaunchingWithOptions do seu AppDelegate , importe o Firebase na parte superior do arquivo

import FirebaseCore

E adicione uma chamada para configurar o Firebase.

FirebaseApp.configure()

Execute o projeto novamente para garantir que o aplicativo esteja configurado corretamente e não trave na inicialização.

4. Treine um modelo de análise de sentimento

Usaremos o TensorFlow Lite Model Maker para treinar um modelo de classificação de texto para prever o sentimento de um determinado texto.

Esta etapa é apresentada como um notebook Python que você pode abrir no Google Colab.

Abrir no Colab

Depois de concluir esta etapa, você terá um modelo de análise de sentimento do TensorFlow Lite pronto para implantação em um aplicativo móvel.

5. Implante um modelo no Firebase ML

Implantar um modelo no Firebase ML é útil por dois motivos principais:

1. Podemos manter o tamanho de instalação do aplicativo pequeno e baixar o modelo apenas se necessário
2. O modelo pode ser atualizado regularmente e com um ciclo de lançamento diferente de todo o aplicativo

O modelo pode ser implantado por meio do console ou de forma programática, usando o SDK Admin do Firebase. Nesta etapa iremos implantar por meio do console.

Primeiro, abra o Firebase Console e clique em Machine Learning no painel de navegação esquerdo. Clique em 'Começar' se estiver abrindo pela primeira vez. Em seguida, navegue até “Personalizado” e clique no botão “Adicionar modelo”.

Quando solicitado, nomeie o modelo sentiment_analysis e carregue o arquivo que você baixou do Colab na etapa anterior.

Observação: se você tiver um pipeline para treinar novamente seu modelo continuamente, poderá automatizar o processo de upload para o Firebase usando a API Firebase ML Model Management .

6. Baixe o modelo do Firebase ML

Escolher quando fazer download do modelo remoto do Firebase para seu aplicativo pode ser complicado, pois os modelos TFLite podem crescer relativamente grandes. Idealmente, queremos evitar o carregamento do modelo imediatamente quando o aplicativo é iniciado, pois se nosso modelo for usado para apenas um recurso e o usuário nunca usar esse recurso, teremos baixado uma quantidade significativa de dados sem motivo. Também podemos definir opções de download, como buscar apenas modelos quando conectado ao wifi. Se você quiser garantir que o modelo esteja disponível mesmo sem conexão de rede, é importante agrupá-lo também sem o aplicativo como backup.

Para simplificar, removeremos o modelo empacotado padrão e sempre baixaremos um modelo do Firebase quando o aplicativo for iniciado pela primeira vez. Dessa forma, ao executar a análise de sentimento, você pode ter certeza de que a inferência está sendo executada com o modelo fornecido pelo Firebase.

Na parte superior de ModelLoader.swift , importe o módulo Firebase.

import FirebaseCore
import FirebaseMLModelDownloader

Em seguida, implemente os seguintes métodos.

static func downloadModel(named name: String,
                          completion: @escaping (CustomModel?, DownloadError?) -> Void) {
  guard FirebaseApp.app() != nil else {
    completion(nil, .firebaseNotInitialized)
    return
  }
  guard success == nil && failure == nil else {
    completion(nil, .downloadInProgress)
    return
  }
  let conditions = ModelDownloadConditions(allowsCellularAccess: false)
  ModelDownloader.modelDownloader().getModel(name: name, downloadType: .localModelUpdateInBackground, conditions: conditions) { result in
          switch (result) {
          case .success(let customModel):
                  // Download complete.
                  // The CustomModel object contains the local path of the model file,
                  // which you can use to instantiate a TensorFlow Lite classifier.
                  return completion(customModel, nil)
          case .failure(let error):
              // Download was unsuccessful. Notify error message.
            completion(nil, .downloadFailed(underlyingError: error))
          }
  }
}

No viewDidLoad de ViewController.swift , substitua a chamada para loadModel() pelo nosso novo método de download de modelo.

// Download the model from Firebase
print("Fetching model...")
ModelLoader.downloadModel(named: "sentiment_analysis") { (customModel, error) in
  guard let customModel = customModel else {
    if let error = error {
      print(error)
    }
    return
  }

  print("Model download complete")

  // TODO: Initialize an NLClassifier from the downloaded model
}

Execute novamente seu aplicativo. Após alguns segundos, você deverá ver um log no Xcode indicando que o modelo remoto foi baixado com sucesso. Tente digitar algum texto e confirme se o comportamento do aplicativo não mudou.

Observação: certifique-se de que o nome do modelo aqui seja o mesmo que você especificou ao fazer upload do modelo para o Firebase na etapa anterior.

7. Integre o modelo em seu aplicativo

A biblioteca de tarefas do Tensorflow Lite ajuda a integrar modelos do TensorFlow Lite ao seu aplicativo com apenas algumas linhas de código. Inicializaremos uma instância TFLNLClassifier usando o modelo TensorFlow Lite baixado do Firebase. Em seguida, iremos usá-lo para classificar a entrada de texto dos usuários do aplicativo e mostrar o resultado na IU.

Adicione a dependência

Acesse o Podfile do aplicativo e adicione a biblioteca de tarefas do TensorFlow Lite (texto) nas dependências do aplicativo. Certifique-se de adicionar a dependência na declaração target 'TextClassification' .

pod 'TensorFlowLiteTaskText', '~> 0.2.0'

Execute pod install para instalar a nova dependência.

Inicialize um classificador de texto

Em seguida, carregaremos o modelo de análise de sentimento baixado do Firebase usando o NLClassifier da Biblioteca de Tarefas.

ViewController.swift

Vamos declarar uma variável de instância TFLNLClassifier. No topo do arquivo, importe a nova dependência:

import TensorFlowLiteTaskText

Encontre este comentário acima do método que modificamos na última etapa:

// TODO: Add a TFLNLClassifier property.

Substitua o TODO pelo seguinte código:

private var classifier: TFLNLClassifier?

Inicialize a variável textClassifier com o modelo de análise de sentimento baixado do Firebase. Encontre este comentário que adicionamos na última etapa:

// TODO: Initialize an NLClassifier from the downloaded model

Substitua o TODO pelo seguinte código:

let options = TFLNLClassifierOptions()
self.classifier = TFLNLClassifier.nlClassifier(modelPath: customModel.path, options: options)

Classificar texto

Depois que a instância classifier for configurada, você poderá executar a análise de sentimento com uma única chamada de método.

ViewController.swift

No método classify(text:) , encontre o comentário TODO:

// TODO: Run sentiment analysis on the input text

Substitua o comentário pelo seguinte código:

guard let classifier = self.classifier else { return }

// Classify the text
let classifierResults = classifier.classify(text: text)

// Append the results to the list of results
let result = ClassificationResult(text: text, results: classifierResults)
results.append(result)

8. Execute o aplicativo final

Você integrou o modelo de análise de sentimento ao aplicativo, então vamos testá-lo. Conecte seu dispositivo iOS e clique em Executar ( ) na barra de ferramentas do Xcode.

O aplicativo deve ser capaz de prever corretamente o sentimento da crítica do filme inserida.

9. Aprimore o aplicativo com mais recursos do Firebase

Além de hospedar seus modelos TFLite, o Firebase oferece vários outros recursos para potencializar seus casos de uso de aprendizado de máquina:

• Monitoramento de desempenho do Firebase para medir a velocidade de inferência do seu modelo em execução no dispositivo dos usuários.
• Firebase Analytics para medir o desempenho do seu modelo na produção, medindo a reação do usuário.
• Teste A/B do Firebase para testar várias versões do seu modelo
• Você se lembra que treinamos duas versões do nosso modelo TFLite anteriormente? O teste A/B é uma boa maneira de descobrir qual versão tem melhor desempenho em produção!

Para saber mais sobre como aproveitar esses recursos no seu app, confira os codelabs abaixo:

• Adicione o Firebase ao seu aplicativo Android com tecnologia TFLite
• Adicione o Firebase ao seu aplicativo iOS com tecnologia TFLite

10. Parabéns!

Neste codelab, você aprendeu a treinar um modelo TFLite de análise de sentimento e implantá-lo em seu aplicativo móvel usando o Firebase. Para saber mais sobre o TFLite e o Firebase, dê uma olhada em outros exemplos do TFLite e nos guias de primeiros passos do Firebase.

O que cobrimos

• TensorFlow Lite
• FirebaseML

Próximos passos

• Meça a velocidade de inferência do seu modelo com o Firebase Performance Monitoring.
• Implante o modelo do Colab diretamente no Firebase por meio da API Firebase ML Model Management.
• Adicione um mecanismo para permitir que os usuários forneçam feedback sobre o resultado da previsão e use o Firebase Analytics para rastrear o feedback do usuário.
• Teste A/B do modelo Average Word Vector e do modelo MobileBERT com teste A/B do Firebase.

Saber mais

• Documentação do Firebase Machine Learning
• Documentação do TensorFlow Lite
• Avalie o desempenho do aplicativo com o Firebase
• Modelos de teste A/B com Firebase

Ter uma questão?

• Stackoverflow 'firebase-machine-learning'

Relatar problemas

• Problemas do GitHub