Công nghệ học máy Firebase

Sử dụng công nghệ học máy trong ứng dụng để giải quyết các vấn đề thực tế.

Công nghệ học máy của Firebase là một SDK dành cho thiết bị di động, mang kiến thức chuyên môn về công nghệ học máy của Google vào các ứng dụng Android và Apple trong một gói ứng dụng mạnh mẽ và dễ sử dụng. Cho dù là người mới hay có kinh nghiệm về công nghệ học máy, bạn đều có thể triển khai chức năng cần thiết chỉ bằng vài dòng mã. Để bắt đầu, bạn không cần có kiến thức chuyên sâu về mạng nơron hoặc tối ưu hoá mô hình. Mặt khác, nếu bạn là nhà phát triển máy học có kinh nghiệm, công nghệ học máy của Firebase cung cấp các API thuận tiện giúp bạn sử dụng các mô hình TensorFlow Lite tuỳ chỉnh trong ứng dụng di động của mình.

Các chức năng chính

Lưu trữ và triển khai các mô hình tuỳ chỉnh

Sử dụng các mô hình TensorFlow Lite của riêng bạn để suy luận trên thiết bị. Bạn chỉ cần triển khai mô hình lên Firebase, còn chúng tôi sẽ đảm nhận việc lưu trữ và phân phát mô hình đó cho ứng dụng của bạn. Firebase sẽ tự động phân phát phiên bản mới nhất của mô hình cho người dùng, cho phép bạn thường xuyên cập nhật mô hình mà không phải đẩy phiên bản mới của ứng dụng cho người dùng.

Khi sử dụng công nghệ học máy của Firebase với Cấu hình từ xa, bạn có thể phân phát nhiều mô hình cho những phân khúc người dùng khác nhau và với tính năng Thử nghiệm A/B, bạn có thể chạy thử nghiệm để tìm ra mô hình hoạt động hiệu quả nhất (xem hướng dẫn dành cho Apple và Android).
Sẵn sàng phát hành công khai cho các trường hợp sử dụng phổ biến

Công nghệ học máy của Firebase đi kèm với một bộ API có thể dùng cho các trường hợp sử dụng phổ biến trên thiết bị di động: nhận dạng văn bản, gắn nhãn hình ảnh và xác định các địa danh. Bạn chỉ cần truyền dữ liệu vào thư viện máy học Firebase và thư viện này sẽ cung cấp cho bạn thông tin bạn cần. Các API này tận dụng sức mạnh của công nghệ học máy của Google Cloud để cung cấp cho bạn độ chính xác cao nhất.

Trên đám mây so với trên thiết bị

Giải pháp học máy của Firebase có các API hoạt động trên đám mây hoặc trên thiết bị. Khi mô tả API ML là API đám mây hay API trên thiết bị, chúng tôi đang mô tả máy nào thực hiện suy luận: tức là máy nào sử dụng mô hình ML để khám phá thông tin chi tiết về dữ liệu mà bạn cung cấp. Trong công nghệ học máy của Firebase, điều này xảy ra trên Google Cloud hoặc trên thiết bị di động của người dùng.

Các API nhận dạng văn bản, gắn nhãn hình ảnh và nhận dạng mốc thực hiện quá trình suy luận trên đám mây. Các mô hình này có nhiều công suất tính toán và bộ nhớ hơn so với một mô hình trên thiết bị tương đương, do đó, có thể tiến hành suy luận với độ chính xác cao hơn so với mô hình trên thiết bị. Mặt khác, mọi yêu cầu đối với các API này đều yêu cầu thực hiện trọn vòng kết nối mạng. Do đó, các API này không phù hợp với các ứng dụng theo thời gian thực và có độ trễ thấp, chẳng hạn như xử lý video.

API mô hình tuỳ chỉnh xử lý các mô hình học máy chạy trên thiết bị. Các mô hình do các tính năng này sử dụng và tạo ra là mô hình TensorFlow Lite được tối ưu hoá để chạy trên thiết bị di động. Ưu điểm lớn nhất của các mô hình này là không cần kết nối mạng và có thể chạy rất nhanh, chẳng hạn như đủ nhanh để xử lý các khung hình video theo thời gian thực.

Công nghệ học máy của Firebase cho phép triển khai các mô hình tuỳ chỉnh cho thiết bị của người dùng bằng cách tải các mô hình đó lên máy chủ của chúng tôi. Ứng dụng hỗ trợ Firebase sẽ tải mô hình này xuống thiết bị theo yêu cầu. Điều này cho phép bạn duy trì kích thước cài đặt ban đầu của ứng dụng ở mức nhỏ và bạn có thể hoán đổi mô hình ML mà không phải xuất bản lại ứng dụng.

Bộ công cụ học máy: Các mô hình có thể sử dụng trên thiết bị

Nếu bạn đang tìm các mô hình được huấn luyện trước chạy trên thiết bị, hãy xem Bộ công cụ học máy. Bộ công cụ học máy có sẵn cho iOS và Android, đồng thời có API cho nhiều trường hợp sử dụng:

  • Nhận dạng văn bản
  • Gắn nhãn hình ảnh
  • Phát hiện và theo dõi đối tượng
  • Phát hiện khuôn mặt và theo dõi đường viền
  • Quét mã vạch
  • Nhận dạng ngôn ngữ
  • Bản dịch
  • Trả lời thông minh

Các bước tiếp theo