แมชชีนเลิร์นนิงของ Firebase

ใช้แมชชีนเลิร์นนิงในแอปเพื่อแก้ไขปัญหาในชีวิตจริง

แมชชีนเลิร์นนิงของ Firebase เป็น SDK อุปกรณ์เคลื่อนที่ที่นำความเชี่ยวชาญด้านแมชชีนเลิร์นนิงของ Google มาใช้กับแอป Android และ Apple ในแพ็กเกจที่ทรงพลังแต่ใช้งานง่าย ไม่ว่าคุณจะเป็นมือใหม่หรือมีประสบการณ์เกี่ยวกับแมชชีนเลิร์นนิง คุณก็จะติดตั้งใช้งานฟังก์ชันที่ต้องการได้ด้วยโค้ดเพียงไม่กี่บรรทัด คุณไม่จำเป็นต้องมีความรู้ที่ลึกซึ้งเกี่ยวกับโครงข่ายประสาทหรือการเพิ่มประสิทธิภาพโมเดลเพื่อเริ่มต้นใช้งานเลย ในทางกลับกัน หากคุณเป็นนักพัฒนาซอฟต์แวร์ ML ที่มีประสบการณ์ Firebase ML จะมี API ที่ใช้งานง่าย ซึ่งจะช่วยให้คุณใช้โมเดล TensorFlow Lite ที่กำหนดเองในแอปบนอุปกรณ์เคลื่อนที่

ความสามารถที่สำคัญ

โฮสต์และติดตั้งใช้งานโมเดลที่กำหนดเอง

ใช้โมเดล TensorFlow Lite ของคุณเองสำหรับการอนุมานในอุปกรณ์ เพียงทำให้โมเดลใช้งานได้กับ Firebase และเราจะดูแลโฮสติ้งและให้บริการในแอป Firebase จะแสดงโมเดลเวอร์ชันล่าสุดแก่ผู้ใช้แบบไดนามิก ซึ่งจะช่วยให้คุณอัปเดตโมเดลได้เป็นประจำโดยไม่ต้องส่งแอปเวอร์ชันใหม่ให้ผู้ใช้

เมื่อใช้ Firebase ML กับ การกำหนดค่าระยะไกล คุณจะใช้โมเดลที่ต่างกันแก่ผู้ใช้กลุ่มต่างๆ ได้ และเมื่อใช้การทดสอบ A/B คุณจะทำการทดสอบเพื่อค้นหาโมเดลที่มีประสิทธิภาพดีที่สุดได้ (ดูคำแนะนำของ Apple และ Android)
พร้อมสำหรับการใช้งานจริงสำหรับ Use Case ทั่วไป

Firebase ML มาพร้อมกับชุด API ที่พร้อมใช้งานสำหรับกรณีการใช้งานทั่วไปบนอุปกรณ์เคลื่อนที่ เช่น การจดจำข้อความ การติดป้ายกำกับรูปภาพ และการระบุจุดสังเกต เพียงส่งผ่านข้อมูลไปยังไลบรารี Firebase ML ก็จะให้ข้อมูลที่คุณต้องการ API เหล่านี้ใช้ประโยชน์จากขุมพลังของเทคโนโลยีแมชชีนเลิร์นนิงของ Google Cloud เพื่อมอบความแม่นยำในระดับสูงสุด

ระบบคลาวด์เทียบกับในอุปกรณ์

Firebase ML มี API ที่ทำงานในระบบคลาวด์หรือบนอุปกรณ์ เมื่อเราอธิบาย ML API ว่าเป็น Cloud API หรือ API ในอุปกรณ์ เรากำลังอธิบายเครื่องที่ทำการอนุมาน กล่าวคือ เครื่องใดใช้โมเดล ML เพื่อสำรวจข้อมูลเชิงลึกเกี่ยวกับข้อมูลที่คุณให้ ใน Firebase ML สิ่งนี้จะเกิดขึ้นบน Google Cloud หรืออุปกรณ์เคลื่อนที่ของผู้ใช้

API การจดจำข้อความ การติดป้ายกำกับรูปภาพ และการจดจำจุดสังเกตจะทำการอนุมานในระบบคลาวด์ โมเดลเหล่านี้มีกำลังในการคำนวณและหน่วยความจำมากกว่าโมเดลที่เทียบเท่ากันในอุปกรณ์ จึงทำให้สามารถอนุมานได้อย่างแม่นยำและแม่นยำกว่าโมเดลในอุปกรณ์ ในทางกลับกัน คำขอทุกรายการที่ส่งไปยัง API เหล่านี้ต้องมีการส่งข้อมูลแบบไปกลับของเครือข่าย ซึ่งทำให้ไม่เหมาะกับแอปพลิเคชันแบบเรียลไทม์ที่มีเวลาในการตอบสนองต่ำ เช่น การประมวลผลวิดีโอ

API โมเดลที่กำหนดเองจะจัดการกับโมเดล ML ที่ทำงานในอุปกรณ์ โมเดลที่ฟีเจอร์เหล่านี้ใช้และผลิตคือโมเดล TensorFlow Lite ซึ่งได้รับการเพิ่มประสิทธิภาพให้ทำงานได้บนอุปกรณ์เคลื่อนที่ ข้อได้เปรียบที่ใหญ่ที่สุดของโมเดลเหล่านี้คือโมเดลนี้ไม่ต้องใช้การเชื่อมต่อเครือข่ายและทำงานได้รวดเร็วมาก เช่น เร็วพอสำหรับการประมวลผลเฟรมของวิดีโอแบบเรียลไทม์ เป็นต้น

Firebase ML ช่วยให้ทำให้โมเดลที่กำหนดเองใช้งานได้ในอุปกรณ์ของผู้ใช้ด้วยการอัปโหลดโมเดลไปยังเซิร์ฟเวอร์ของเรา แอปที่เปิดใช้ Firebase จะดาวน์โหลดโมเดลดังกล่าว ไปยังอุปกรณ์ตามคำขอ วิธีนี้ทำให้การติดตั้งครั้งแรกของแอปมีขนาดเล็กและสลับโมเดล ML ได้โดยไม่ต้องเผยแพร่แอปอีกครั้ง

ML Kit: รุ่นในอุปกรณ์ที่พร้อมใช้งาน

หากกำลังมองหาโมเดลก่อนการฝึกที่ทำงานในอุปกรณ์ โปรดดู ML Kit ML Kit มีให้ใช้งาน สำหรับ iOS และ Android และมี API สำหรับกรณีการใช้งานมากมายดังนี้

  • การรู้จำข้อความ
  • การติดป้ายกำกับรูปภาพ
  • การตรวจจับและติดตามวัตถุ
  • การตรวจจับใบหน้าและการติดตามรูปทรง
  • การสแกนบาร์โค้ด
  • การระบุภาษา
  • การแปล
  • ช่วยตอบ

ขั้นตอนถัดไป