Codelab de iOS: Agrega la clasificación de texto en el dispositivo a tu app con TensorFlow Lite y Firebase

1. Descripción general

Nota: En este codelab, se usa la biblioteca de TensorFlow Lite. Se recomienda que todo el código nuevo use las herramientas de la biblioteca de RT de Google AI Edge Lite.

Te damos la bienvenida al codelab Clasificación de texto con TensorFlow Lite y Firebase. En este codelab, aprenderás a usar TensorFlow Lite y Firebase para entrenar y, luego, implementar un modelo de clasificación de texto en tu app. Este codelab se basa en este ejemplo de TensorFlow Lite.

La clasificación de texto es el proceso de asignar etiquetas o categorías al texto según su contenido. Es una de las tareas fundamentales del procesamiento de lenguaje natural (PLN) con amplios usos, como el análisis de opiniones, el etiquetado de temas, la detección de spam y la detección de intents.

El análisis de opiniones es la interpretación y clasificación de emociones (positivas, negativas y neutras) en los datos de texto mediante técnicas de análisis de textos. El análisis de opiniones permite a las empresas identificar la opinión de los clientes sobre los productos, las marcas o los servicios en conversaciones y comentarios en línea.

En este instructivo, se muestra cómo compilar un modelo de aprendizaje automático para el análisis de opiniones, en particular, para clasificar el texto como positivo o negativo. Este es un ejemplo de clasificación binaria (o de dos clases), un tipo de problema de aprendizaje automático importante y de amplia aplicación.

Qué aprenderás

• Entrena un modelo de análisis de opiniones de TF Lite con Model Maker de TF Lite
• Implementa modelos de TF Lite en el AA de Firebase y accede a ellos desde tu app
• Realiza un seguimiento de los comentarios de los usuarios para medir la precisión del modelo con Firebase Analytics
• Cómo generar perfiles del rendimiento del modelo con Firebase Performance Monitoring
• Selecciona cuál de los múltiples modelos implementados se carga a través de Remote Config
• Experimenta con diferentes modelos a través de Firebase A/B Testing

Requisitos

• Xcode 11 (o versiones posteriores)
• CocoaPods 1.9.1 (o una versión posterior)

¿Cómo usarás este instructivo?

Leer Leer y completar los ejercicios

¿Cómo calificarías tu experiencia cuando compilas apps para Android?

Principiante Intermedio Avanzado

2. Crea un proyecto de Firebase console

Agrega Firebase al proyecto

5. Ve a Firebase console.
6. Selecciona Create New Project y asigna el nombre "Firebase ML iOS Codelab" a tu proyecto.

3. Obtén el proyecto de muestra

Descargue el código

Comienza por clonar el proyecto de ejemplo y ejecutar pod update en el directorio del proyecto:

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

Si no tienes git instalado, también puedes descargar el proyecto de ejemplo desde su página de GitHub o haciendo clic en este vínculo. Una vez que hayas descargado el proyecto, ejecútalo en Xcode y prueba la clasificación de texto para ver cómo funciona.

Configura Firebase

Sigue la documentación para crear un nuevo proyecto de Firebase. Cuando tengas tu proyecto, descarga el archivo GoogleService-Info.plist correspondiente de Firebase console y arrástralo a la raíz del proyecto Xcode.

Agrega Firebase a tu Podfile y ejecuta pod install.

pod 'FirebaseMLModelDownloader', '9.3.0-beta'

En el método didFinishLaunchingWithOptions de tu AppDelegate, importa Firebase en la parte superior del archivo.

import FirebaseCore

Y agrega una llamada para configurar Firebase.

FirebaseApp.configure()

Vuelve a ejecutar el proyecto para asegurarte de que la app esté configurada correctamente y no falle durante el inicio.

4. Entrena un modelo de análisis de opiniones

Usaremos Model Maker de TensorFlow Lite para entrenar un modelo de clasificación de texto que prediga la opinión de un texto determinado.

Este paso se presenta como un notebook de Python que puedes abrir en Google Colab.

Abrir en Colab

Cuando termines este paso, tendrás un modelo de análisis de opiniones de TensorFlow Lite que está listo para implementarse en una app para dispositivos móviles.

5. Implementa un modelo en el AA de Firebase

La implementación de un modelo en AA de Firebase es útil por dos razones principales:

1. Podemos mantener un tamaño de instalación de la app pequeño y solo descargar el modelo si es necesario.
2. El modelo se puede actualizar con regularidad y con un ciclo de lanzamiento diferente al de toda la app.

El modelo se puede implementar a través de la consola o de forma programática con el SDK de Firebase Admin. En este paso, realizaremos la implementación a través de la consola.

Primero, abre Firebase console y haz clic en Aprendizaje automático en el panel de navegación izquierdo. Haz clic en "Comenzar". si es la primera vez que lo abres. Luego, navega a "Personalizado" y haz clic en el botón "Agregar modelo".

Cuando se te solicite, asigna el nombre sentiment_analysis al modelo y sube el archivo que descargaste de Colab en el paso anterior.

Nota: Si tienes una canalización para volver a entrenar tu modelo de forma continua, puedes automatizar el proceso de carga a Firebase con la API de Firebase ML Model Management.

6. Descarga el modelo desde el AA de Firebase

Elegir cuándo descargar el modelo remoto de Firebase a tu app puede ser complicado, ya que los modelos de TFLite pueden crecer bastante. Lo ideal es evitar cargar el modelo inmediatamente cuando se inicia la app, ya que, si nuestro modelo se usa solo para una función y el usuario nunca la usa, descargaremos una cantidad significativa de datos sin motivo. También podemos configurar opciones de descarga, como recuperar modelos solo cuando haya conexión a Wi-Fi. Si quieres asegurarte de que el modelo esté disponible incluso sin conexión de red, es importante empaquetarlo sin la app como copia de seguridad.

Para simplificar, quitaremos el modelo empaquetado predeterminado y siempre descargaremos un modelo de Firebase cuando la app se inicie por primera vez. De esta manera, cuando ejecutes un análisis de opiniones, podrás asegurarte de que la inferencia se ejecute con el modelo proporcionado por Firebase.

En la parte superior de ModelLoader.swift, importa el módulo de Firebase.

import FirebaseCore
import FirebaseMLModelDownloader

Luego, implementa los siguientes 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))
          }
  }
}

En viewDidLoad de ViewController.swift, reemplaza la llamada a loadModel() por nuestro nuevo método de descarga de modelos.

// 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
}

Vuelve a ejecutar la app. Después de unos segundos, deberías ver un registro en Xcode que indique que el modelo remoto se descargó correctamente. Intenta escribir algún texto y confirma que el comportamiento de la app no haya cambiado.

Nota: Asegúrate de que el nombre del modelo sea el mismo que especificaste cuando subiste el modelo a Firebase en el paso anterior.

7. Integra el modelo en tu app

La biblioteca de tareas de TensorFlow Lite te ayuda a integrar los modelos de TensorFlow Lite en tu app con solo unas pocas líneas de código. Inicializaremos una instancia de TFLNLClassifier con el modelo de TensorFlow Lite que descargaste de Firebase. Luego, lo usaremos para clasificar la entrada de texto de los usuarios de la app y mostrar el resultado en la IU.

Agrega la dependencia

Ve al Podfile de la app y agrega la biblioteca de tareas de TensorFlow Lite (texto) en las dependencias de la app. Asegúrate de agregar la dependencia en la declaración target 'TextClassification'.

pod 'TensorFlowLiteTaskText', '~> 0.2.0'

Ejecuta pod install para instalar la dependencia nueva.

Inicializa un clasificador de texto

Luego, cargaremos el modelo de análisis de opiniones descargado de Firebase con NLClassifier de la biblioteca de tareas.

ViewController.swift

Declararemos una variable de instancia TFLNLClassifier. En la parte superior del archivo, importa la nueva dependencia:

import TensorFlowLiteTaskText

Busca este comentario arriba del método que modificamos en el último paso:

// TODO: Add a TFLNLClassifier property.

Reemplaza el comentario TODO con el siguiente código:

private var classifier: TFLNLClassifier?

Inicializa la variable textClassifier con el modelo de análisis de sentimientos descargado de Firebase. Busca este comentario que agregamos en el paso anterior:

// TODO: Initialize an NLClassifier from the downloaded model

Reemplaza el TODO por el siguiente código:

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

Clasifica texto

Una vez que se haya configurado la instancia classifier, puedes ejecutar el análisis de sentimiento con una sola llamada al método.

ViewController.swift

En el método classify(text:), busca el comentario TODO:

// TODO: Run sentiment analysis on the input text

Reemplaza el comentario por el siguiente 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. Ejecuta la app final

Integraste el modelo de análisis de opiniones a la app, así que probemos. Conecta tu dispositivo iOS y haz clic en Run ( ) en la barra de herramientas de Xcode.

La app debería poder predecir correctamente la opinión de la opinión de la película que ingreses.

9. Mejora la app con más funciones de Firebase

Además de alojar tus modelos de TFLite, Firebase proporciona otras funciones para potenciar tus casos de uso de aprendizaje automático:

• Firebase Performance Monitoring para medir la velocidad de inferencia de tu modelo que se ejecuta en las dispositivo.
• Firebase Analytics para medir el rendimiento de tu modelo en producción a través de la reacción de los usuarios
• Firebase A/B Testing para probar varias versiones de tu modelo
• ¿Recuerdas que entrenamos dos versiones de nuestro modelo de TFLite antes? Las pruebas A/B son una buena manera de averiguar qué versión tiene mejor rendimiento en producción.

Si quieres obtener más información para aprovechar estas funciones en tu app, consulta los siguientes codelabs:

• Agrega Firebase a tu app para Android con la tecnología de TFLite
• Agrega Firebase a tu app para iOS con tecnología TFLite

10. ¡Felicitaciones!

En este codelab, aprendiste a entrenar un modelo de TFLite de análisis de sentimientos y, luego, implementarlo en tu app para dispositivos móviles con Firebase. Para obtener más información sobre TFLite y Firebase, consulta otras muestras de TFLite y las guías de comienzo de Firebase.

Temas abordados

• TensorFlow Lite
• AA de Firebase

Próximos pasos

• Mide la velocidad de inferencia de tu modelo con Firebase Performance Monitoring.
• Implementa el modelo de Colab directamente en Firebase a través de la API de administración de modelos de AA de Firebase.
• Agrega un mecanismo para permitir que los usuarios envíen comentarios sobre el resultado de la predicción y usa Firebase Analytics para hacer un seguimiento de ellos.
• Realiza pruebas A/B del modelo de vector de palabras promedio y de MobileBERT con Firebase A/B Testing.

Más información

• Documentación de Aprendizaje automático de Firebase
• Documentación de TensorFlow Lite
• Cómo medir el rendimiento de las apps con Firebase
• Modelos de A/B Testing con Firebase

¿Tienes alguna pregunta?

• Stack Overflow “firebase-machine-learning”

Informa problemas

• Problemas de GitHub