Esta página foi traduzida pela API Cloud Translation.

Adicionar a classificação de texto no dispositivo ao seu app com o TensorFlow Lite e o Firebase: codelab para iOS

1. Visão geral

Este é o codelab de classificação de texto com o TensorFlow Lite e o Firebase. Neste codelab, você vai aprender 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.

A classificação de texto é o processo de atribuir tags ou categorias a um texto de acordo com o conteúdo. É uma das tarefas fundamentais no processamento de linguagem natural (PLN), com amplas aplicações, como análise de sentimento, rotulação de tópicos, detecção de spam e detecção de intenção.

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 dos clientes em relação a produtos, marcas ou serviços em conversas e feedback on-line.

Este tutorial mostra como criar 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 vai aprender

Treinar um modelo de análise de sentimento do TF Lite com o TF Lite Model Maker
Implantar modelos do TF Lite no Firebase ML e acessá-los no app
Acompanhar o feedback dos usuários para medir a precisão do modelo com o Firebase Analytics
Analisar a performance do modelo de perfil com o Monitoramento de desempenho do Firebase
Selecionar qual dos vários modelos implantados é carregado pela Configuração remota
Testar diferentes modelos com o Teste A/B do Firebase

Pré-requisitos

Xcode 11 (ou mais recente)
CocoaPods 1.9.1 (ou mais recente)

Como você usará este tutorial?

Apenas leitura

Leitura e exercícios

Como você classificaria sua experiência com a criação de apps Android?

Iniciante

Intermediário

Proficiente

2. Criar um projeto do Console do Firebase

Adicionar o Firebase ao projeto

Acesse o Console do Firebase.
Selecione Criar novo projeto e nomeie o projeto como "Firebase ML iOS Codelab".

3. Fazer o download do projeto de exemplo

Faça o download do código

Comece clonando o projeto de exemplo 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 o git não estiver instalado, você também pode fazer o download do projeto de exemplo na página do GitHub ou clicando neste link. Depois de fazer o download do projeto, execute-o no Xcode e teste a classificação de texto para ter uma ideia de como ela funciona.

Configurar o Firebase

Siga a documentação para criar um novo projeto do Firebase. Depois de criar o projeto, faça o download do arquivo GoogleService-Info.plist dele no Console do Firebase e arraste-o para a raiz do projeto do Xcode.

Adicione o Firebase ao Podfile e execute o pod install.

pod 'FirebaseMLModelDownloader', '9.3.0-beta'

No método didFinishLaunchingWithOptions do AppDelegate, importe o Firebase na parte de cima do arquivo.

import FirebaseCore

E adicione uma chamada para configurar o Firebase.

FirebaseApp.configure()

Execute o projeto novamente para garantir que o app esteja configurado corretamente e não falhe na inicialização.

4. Treinar um modelo de análise de sentimento

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

Esta etapa é apresentada como um notebook Python que pode ser aberto 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 app para dispositivos móveis.

5. Implantar um modelo no Firebase ML

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

Podemos manter o tamanho da instalação do app pequeno e fazer o download do modelo apenas quando necessário.
O modelo pode ser atualizado regularmente e com um ciclo de lançamento diferente do app inteiro

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

Primeiro, abra o Console do Firebase e clique em "Machine Learning" no painel de navegação à esquerda. Clique em "Começar" se for a primeira vez que você está abrindo o app. Em seguida, navegue até "Personalizado" e clique no botão "Adicionar modelo".

Quando solicitado, nomeie o modelo como sentiment_analysis e faça o upload do arquivo que você transferiu por download do Colab na etapa anterior.

6. Fazer o download do modelo do Firebase ML

Escolher quando fazer o download do modelo remoto do Firebase para o app pode ser complicado, já que os modelos do TFLite podem crescer muito. O ideal é evitar o carregamento do modelo imediatamente quando o app for iniciado, porque, se o modelo for usado apenas para um recurso e o usuário nunca usar esse recurso, vamos fazer o download de uma quantidade significativa de dados sem motivo. Também é possível definir opções de download, como buscar apenas modelos quando conectado ao Wi-Fi. Se você quiser garantir que o modelo esteja disponível mesmo sem uma conexão de rede, é importante também empacotá-lo sem o app como backup.

Para simplificar, vamos remover o modelo agrupado padrão e sempre fazer o download de um modelo do Firebase quando o app 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 de cima de ModelLoader.swift, importe o módulo do Firebase.

import FirebaseCore
import FirebaseMLModelDownloader

Em seguida, implemente os métodos a seguir.

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))
          }
  }
}

Na viewDidLoad da ViewController.swift, substitua a chamada para loadModel() pelo nosso novo método de download 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
}

Execute o app novamente. Após alguns segundos, um registro no Xcode vai aparecer indicando que o modelo remoto foi transferido por download. Tente digitar algum texto e confirme se o comportamento do app não mudou.

7. Integrar o modelo no app

A Tensorflow Lite Task Library ajuda a integrar modelos do TensorFlow Lite ao app com apenas algumas linhas de código. Vamos inicializar uma instância do TFLNLClassifier usando o modelo do TensorFlow Lite feito o download do Firebase. Em seguida, vamos usá-lo para classificar a entrada de texto dos usuários do app e mostrar o resultado na interface.

Adicionar a dependência

Acesse o Podfile do app e adicione a biblioteca de tarefas do TensorFlow Lite (Text) às dependências do app. Adicione a dependência na declaração target 'TextClassification'.

pod 'TensorFlowLiteTaskText', '~> 0.2.0'

Execute pod install para instalar a nova dependência.

Inicializar um classificador de texto

Em seguida, vamos carregar 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. Na parte de cima 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, será possível 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. Executar o app final

Você integrou o modelo de análise de sentimento ao app. Vamos testá-lo. Conecte seu dispositivo iOS e clique em Run ( ) na barra de ferramentas do Xcode.

O app precisa prever corretamente o sentimento da crítica de filme que você inserir.

9. Melhore o app com mais recursos do Firebase

Além de hospedar seus modelos do TFLite, o Firebase oferece vários outros recursos para melhorar seus casos de uso de machine learning:

Monitoramento de desempenho do Firebase para medir a velocidade de inferência do modelo em execução no dispositivo dos usuários.
Firebase Analytics para medir a performance do seu modelo na produção, avaliando a reação do usuário.
Teste A/B do Firebase para testar várias versões do modelo
Você se lembra de que treinamos duas versões do nosso modelo TFLite? Os testes A/B são uma boa maneira de descobrir qual versão tem melhor desempenho na produção.

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

10. Parabéns!

Neste codelab, você aprendeu a treinar um modelo TFLite de análise de sentimento e implantá-lo no seu app para dispositivos móveis usando o Firebase. Para saber mais sobre o TFLite e o Firebase, confira outros exemplos do TFLite e os guias de primeiros passos do Firebase.

O que vimos

TensorFlow Lite
Firebase ML

Próximas etapas

Meça a velocidade de inferência do modelo com o Monitoramento de desempenho do Firebase.
Implante o modelo do Colab diretamente no Firebase usando a API Firebase ML Model Management.
Adicione um mecanismo para permitir que os usuários enviem feedback sobre o resultado da previsão e use o Firebase Analytics para acompanhar o feedback dos usuários.
Faça testes A/B com o modelo Average Word Vector e o modelo MobileBERT usando o Teste A/B do Firebase.