Créer des expériences hybrides dans les applications Web avec des modèles hébergés sur l'appareil et dans le cloud

Créez des applications et des fonctionnalités Web optimisées par l'IA avec l'inférence hybride à l'aide de Firebase AI Logic. L'inférence hybride permet d'exécuter l'inférence à l'aide de modèles sur l'appareil lorsqu'ils sont disponibles, et de revenir de manière transparente aux modèles hébergés dans le cloud dans le cas contraire (et inversement).

Cette page explique comment démarrer avec le SDK client. Une fois cette configuration standard terminée, consultez les options et fonctionnalités de configuration supplémentaires (comme la sortie structurée).

Notez que l'inférence sur l'appareil est compatible avec les applications Web exécutées sur Chrome pour ordinateur.

Accéder aux exemples de code

Cas d'utilisation recommandés et fonctionnalités compatibles

Cas d'utilisation recommandés :

• L'utilisation d'un modèle sur l'appareil pour l'inférence offre les avantages suivants :

  • Confidentialité renforcée
  • Contexte local
  • Inférence sans frais
  • Fonctionnalités hors connexion

• L'utilisation des fonctionnalités hybrides offre les avantages suivants :

  • Touchez 100 % de votre audience, quelle que soit la disponibilité du modèle sur l'appareil ou la connectivité Internet.

Fonctionnalités et caractéristiques compatibles pour l'inférence sur l'appareil :

L'inférence sur l'appareil n'est compatible qu'avec la génération de texte en un seul tour (pas le chat), avec ou sans flux de sortie. Il est compatible avec les fonctionnalités de génération de texte suivantes :

• Générer du texte à partir d'une entrée textuelle uniquement

• Génération de texte à partir d'une entrée de texte et d'image, en particulier les types d'images d'entrée JPEG et PNG

Vous pouvez également générer des résultats structurés, y compris des fichiers JSON et des énumérations.

Avant de commencer

Veuillez noter les points suivants :

• L'inférence à l'aide d'un modèle sur l'appareil utilise l'API Prompt de Chrome, tandis que l'inférence à l'aide d'un modèle hébergé dans le cloud utilise le fournisseur Gemini API de votre choix (Gemini Developer API ou Vertex AI Gemini API).

• Cette page explique comment commencer à développer à l'aide de localhost (pour en savoir plus sur l'utilisation des API sur localhost, consultez la documentation Chrome).

  Une fois cette configuration standard terminée, consultez les options et fonctionnalités de configuration supplémentaires (comme la sortie structurée).

• Une fois votre fonctionnalité implémentée, vous pouvez permettre aux utilisateurs finaux de la tester dans votre application.

Premiers pas sur localhost

Ces étapes de démarrage décrivent la configuration générale requise pour toute demande de prompt compatible que vous souhaitez envoyer.

Étape 1 : Configurez Chrome et l'API Prompt pour l'inférence sur l'appareil

1. Assurez-vous d'utiliser une version récente de Chrome. Mise à jour dans chrome://settings/help.
   L'inférence sur l'appareil est disponible à partir de Chrome 139.

2. Activez le modèle multimodal sur l'appareil en définissant l'indicateur suivant sur Activé :

   • chrome://flags/#prompt-api-for-gemini-nano-multimodal-input

3. Redémarrez Chrome.

4. (Facultatif) Téléchargez le modèle sur l'appareil avant la première requête.

   L'API Prompt est intégrée à Chrome, mais le modèle sur l'appareil n'est pas disponible par défaut. Si vous n'avez pas encore téléchargé le modèle avant votre première requête d'inférence sur l'appareil, la requête lancera automatiquement le téléchargement du modèle en arrière-plan.

   Afficher les instructions pour télécharger le modèle sur l'appareil

   1. Ouvrez Outils pour les développeurs > Console.

   2. Exécutez la commande suivante :

      await LanguageModel.availability();
      

   3. Assurez-vous que le résultat est available, downloading ou downloadable.

   4. Si le résultat est downloadable, lancez le téléchargement du modèle en exécutant la commande suivante :

      await LanguageModel.create();
      

   5. Vous pouvez utiliser le rappel monitor suivant pour écouter la progression du téléchargement et vous assurer que le modèle est available avant d'envoyer des requêtes :

      const session = await LanguageModel.create({
        monitor(m) {
          m.addEventListener("downloadprogress", (e) => {
            console.log(`Downloaded ${e.loaded * 100}%`);
          });
        },
      });
      

Étape 2 : Configurez un projet Firebase et associez votre application à Firebase

1. Connectez-vous à la console Firebase, puis sélectionnez votre projet Firebase.

   Vous n'avez pas encore de projet Firebase ?

   Si vous n'avez pas encore de projet Firebase, cliquez sur le bouton pour en créer un, puis utilisez l'une des options suivantes :

   • Option 1 : Créez un projet Firebase entièrement nouveau (et son projet Google Cloud sous-jacent automatiquement) en saisissant un nouveau nom de projet à la première étape du workflow.

   • Option 2 : Ajoutez Firebase à un projet Google Cloud existant en cliquant sur Ajouter Firebase au projet Google Cloud (en bas de la page). Dans la première étape du workflow, commencez à saisir le nom du projet existant, puis sélectionnez-le dans la liste affichée.

   Suivez les étapes restantes du workflow à l'écran pour créer un projet Firebase. Notez que lorsque vous y êtes invité, vous n'avez pas besoin de configurer Google Analytics pour utiliser les SDK Firebase AI Logic.

2. Dans la console Firebase, accédez à la page Firebase AI Logic.

3. Cliquez sur Premiers pas pour lancer un workflow guidé qui vous aide à configurer les API requises et les ressources pour votre projet.

4. Configurez votre projet pour utiliser un fournisseur "Gemini API".

   Nous vous recommandons de commencer par utiliser Gemini Developer API. À tout moment, vous pouvez configurer Vertex AI Gemini API (et ses exigences de facturation).

   Pour Gemini Developer API, la console activera les API requises et créera une clé API Gemini dans votre projet.
   N'ajoutez pas cette clé API Gemini dans le code de votre application. En savoir plus

5. Si vous y êtes invité dans le workflow de la console, suivez les instructions à l'écran pour enregistrer votre application et la connecter à Firebase.

6. Passez à l'étape suivante de ce guide pour ajouter le SDK à votre application.

Étape 3 : Ajouter le SDK

La bibliothèque Firebase permet d'accéder aux API pour interagir avec les modèles génératifs. La bibliothèque est incluse dans le SDK Firebase JavaScript pour le Web.

1. Installez le SDK JS Firebase pour le Web à l'aide de npm :

   npm install firebase
   

2. Initialisez Firebase dans votre application :

   import { initializeApp } from "firebase/app";
   
   // TODO(developer) Replace the following with your app's Firebase configuration
   // See: https://firebase.google.com/docs/web/learn-more#config-object
   const firebaseConfig = {
     // ...
   };
   
   // Initialize FirebaseApp
   const firebaseApp = initializeApp(firebaseConfig);
   

Étape 4 : Initialisez le service et créez une instance de modèle

Configurez les éléments suivants avant d'envoyer une requête de prompt au modèle.

1. Initialisez le service pour le fournisseur d'API de votre choix.

2. Créer une instance GenerativeModel. Assurez-vous de procéder comme suit :

   1. Appelez getGenerativeModel après ou lors d'une interaction de l'utilisateur final (comme un clic sur un bouton). Il s'agit d'un prérequis pour inferenceMode.

   2. Définissez mode sur l'une des valeurs suivantes :

      • PREFER_ON_DEVICE : utilisez le modèle sur l'appareil s'il est disponible. Sinon, utilisez le modèle hébergé dans le cloud.

      • ONLY_ON_DEVICE : utilisez le modèle sur l'appareil s'il est disponible. Sinon, générez une exception.

      • PREFER_IN_CLOUD : utilisez le modèle hébergé dans le cloud s'il est disponible. Sinon, revenez au modèle sur l'appareil.

      • ONLY_IN_CLOUD : utilisez le modèle hébergé dans le cloud s'il est disponible. Sinon, générez une exception.

import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend, InferenceMode } from "firebase/ai";

// TODO(developer) Replace the following with your app's Firebase configuration
// See: https://firebase.google.com/docs/web/learn-more#config-object
const firebaseConfig = {
  // ...
};

// Initialize FirebaseApp
const firebaseApp = initializeApp(firebaseConfig);

// Initialize the Gemini Developer API backend service
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });

// Create a `GenerativeModel` instance
// Call `getGenerativeModel` after or on an end-user interaction
// Set the mode (for example, use the on-device model if it's available)
const model = getGenerativeModel(ai, { mode: InferenceMode.PREFER_ON_DEVICE });

Étape 5 : Envoyer une requête de prompt à un modèle

Cette section vous explique comment envoyer différents types d'entrées pour générer différents types de sorties, y compris :

• Générer du texte à partir d'une entrée textuelle uniquement
• Générer du texte à partir d'une entrée texte et image (multimodale)

Si vous souhaitez générer une sortie structurée (comme JSON ou des énumérations), utilisez l'un des exemples de "génération de texte" suivants et configurez le modèle pour qu'il réponde en fonction d'un schéma fourni.

Générer du texte à partir d'une entrée textuelle

Vous pouvez utiliser generateContent() pour générer du texte à partir d'une requête textuelle :

// Imports + initialization of FirebaseApp and backend service + creation of model instance

// Wrap in an async function so you can use await
async function run() {
  // Provide a prompt that contains text
  const prompt = "Write a story about a magic backpack."

  // To generate text output, call `generateContent` with the text input
  const result = await model.generateContent(prompt);

  const response = result.response;
  const text = response.text();
  console.log(text);
}

run();

Notez que Firebase AI Logic est également compatible avec le streaming des réponses textuelles à l'aide de generateContentStream (au lieu de generateContent).

Générer du texte à partir d'une entrée texte et image (multimodale)

Vous pouvez utiliser generateContent() pour générer du texte à partir d'une requête contenant des fichiers texte et image, en fournissant le mimeType de chaque fichier d'entrée et le fichier lui-même.

Les types d'images d'entrée acceptés pour l'inférence sur l'appareil sont PNG et JPEG.

// Imports + initialization of FirebaseApp and backend service + creation of model instance

// Converts a File object to a Part object.
async function fileToGenerativePart(file) {
  const base64EncodedDataPromise = new Promise((resolve) => {
    const reader = new FileReader();
    reader.onloadend = () => resolve(reader.result.split(',')[1]);
    reader.readAsDataURL(file);
  });
  return {
    inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
  };
}

async function run() {
  // Provide a text prompt to include with the image
  const prompt = "Write a poem about this picture:";

  const fileInputEl = document.querySelector("input[type=file]");
  const imagePart = await fileToGenerativePart(fileInputEl.files[0]);

  // To generate text output, call `generateContent` with the text and image
  const result = await model.generateContent([prompt, imagePart]);

  const response = result.response;
  const text = response.text();
  console.log(text);
}

run();

Notez que Firebase AI Logic est également compatible avec le streaming des réponses textuelles à l'aide de generateContentStream (au lieu de generateContent).

Permettre aux utilisateurs finaux d'essayer votre fonctionnalité

Pour que les utilisateurs finaux puissent tester votre fonctionnalité dans votre application, vous devez vous inscrire aux versions d'essai Chrome Origin. Notez que la durée et l'utilisation de ces versions d'essai sont limitées.

1. Inscrivez-vous à la phase d'évaluation de l'origine Chrome pour l'API Prompt. Vous recevrez un jeton.

2. Indiquez le jeton sur chaque page Web pour laquelle vous souhaitez activer la fonctionnalité bêta. Utilisez l'une des options suivantes :

   • Fournissez le jeton en tant que balise Meta dans la balise <head> : <meta http-equiv="origin-trial" content="TOKEN">

   • Fournissez le jeton en tant qu'en-tête HTTP : Origin-Trial: TOKEN

   • Fournissez le jeton de manière programmatique.

Qu'est-ce que tu sais faire d'autre ?

Vous pouvez utiliser différentes options et fonctionnalités de configuration supplémentaires pour vos expériences hybrides :

• Définir un mode d'inférence

• Remplacer le modèle de remplacement hébergé dans le cloud par défaut

• Utiliser la configuration du modèle pour contrôler les réponses (comme la température)

• Générer une sortie structurée (comme JSON)

Fonctionnalités pas encore disponibles pour l'inférence sur l'appareil

Comme il s'agit d'une version preview, toutes les fonctionnalités du SDK Web ne sont pas disponibles pour l'inférence sur l'appareil. Les fonctionnalités suivantes ne sont pas encore compatibles avec l'inférence sur l'appareil (mais elles sont généralement disponibles pour l'inférence basée sur le cloud).

• Générer du texte à partir de types de fichiers image autres que JPEG et PNG

  • Peut revenir au modèle hébergé dans le cloud. Toutefois, le mode ONLY_ON_DEVICE générera une erreur.

• Générer du texte à partir d'entrées audio, vidéo et de documents (comme des PDF)

  • Peut revenir au modèle hébergé dans le cloud. Toutefois, le mode ONLY_ON_DEVICE générera une erreur.

• Générer des images à l'aide des modèles Gemini ou Imagen

  • Peut revenir au modèle hébergé dans le cloud. Toutefois, le mode ONLY_ON_DEVICE générera une erreur.

• Fournir des fichiers à l'aide d'URL dans les requêtes multimodales. Vous devez fournir les fichiers sous forme de données intégrées aux modèles sur l'appareil.

• Chat multitour

  • Peut revenir au modèle hébergé dans le cloud. Toutefois, le mode ONLY_ON_DEVICE générera une erreur.

• Streaming bidirectionnel avec Gemini Live API

• Fournir au modèle des outils pour l'aider à générer sa réponse (comme l'appel de fonction, l'exécution de code, le contexte d'URL et l'ancrage avec la recherche Google)

• Compter les jetons

  • Génère toujours une erreur. Le nombre de mots sera différent entre les modèles hébergés dans le cloud et ceux sur l'appareil. Il n'y a donc pas de solution de repli intuitive.

• Surveillance de l'IA dans la console Firebase pour l'inférence sur l'appareil.

  • Notez que toute inférence utilisant les modèles hébergés dans le cloud peut être surveillée comme toute autre inférence à l'aide du SDK client Firebase AI Logic pour le Web.

Envoyer des commentaires sur votre expérience avec Firebase AI Logic