Eseguire test A/B di due versioni di un modello

Dopo aver addestrato un nuovo modello personalizzato o un modello AutoML Vision Edge, puoi utilizzare A/B Testing per vedere le prestazioni del nuovo modello in condizioni reali, rispetto al modello che già utilizzi. Dopo aver confermato che il nuovo modello è un miglioramento, puoi implementare facilmente il nuovo modello per tutti gli utenti, senza richiedere un aggiornamento dell'app.

Questa pagina mostra come eseguire un test A/B che valuta due versioni alla base di un'ipotetica funzionalità visiva di ricerca delle piante. Questa funzionalità utilizza un modello di etichettatura delle immagini personalizzato per aiutare gli utenti a identificare le specie di piante dalle relative immagini.

Supponiamo che tu abbia appena pubblicato un nuovo modello di etichettatura delle piante, plant_labeler_v2 e vuoi eseguire un esperimento per confrontarlo con il modello attuale, denominato plant_labeler_v1. I passaggi che seguono che mostrano come configurare l'esperimento, eseguirlo e intervenire sui risultati.

1. Rendere il modello configurabile da remoto

Il primo passaggio per il test A/B dei modelli consiste nel modificare l'app in modo che utilizzi una Parametro Remote Config per determinare quale modello utilizza. All'inizio imposterà il valore predefinito di questo parametro in modo che sia il modello utilizzato dalla tua app utilizza già, ma poiché il nome del modello è controllato da un parametro configurabile, puoi modificare e sperimentare modelli diversi senza dover inviare ogni volta aggiornamenti dell'app agli utenti.

Pertanto, se hai pubblicato il tuo modello attuale con il nome plant_labeler_v1, nel codice di inizializzazione dell'app imposterai plant_labeler_v1 come valore predefinito del plant_labeler_model parametro, come nell'esempio seguente:

val remoteConfig = FirebaseRemoteConfig.getInstance()

val remoteConfigDefaults = HashMap<String, Any>()
remoteConfigDefaults["plant_labeler_model"] = "plant_labeler_v1"
Tasks.await(remoteConfig.setDefaultsAsync(remoteConfigDefaults))

remoteConfig.fetchAndActivate().addOnSuccessListener { success ->
    if (success) {
      // Okay to get remote values.
      // ...
    }
}

final FirebaseRemoteConfig remoteConfig = FirebaseRemoteConfig.getInstance();

Map<String, Object> remoteConfigDefaults = new HashMap<>();
remoteConfigDefaults.put("plant_labeler_model", "plant_labeler_v1");
Tasks.await(remoteConfig.setDefaultsAsync(remoteConfigDefaults));

remoteConfig.fetchAndActivate().addOnSuccessListener(
        new OnSuccessListener<Boolean>() {
            @Override
            public void onSuccess(Boolean success) {
                if (success) {
                  // Okay to get remote values.
                  // ...
                }
            }
        });

Quindi, modifica il codice di configurazione del modello per caricare il modello specificato Parametro plant_labeler_model:

val rcValue = remoteConfig.getValue("plant_labeler_model")
val remoteModelName = rcValue.asString()

// ...

val remoteModel = FirebaseRemoteModel.Builder(remoteModelName)
        .enableModelUpdates(true)
        .setInitialDownloadConditions(initialConditions)
        .setUpdatesDownloadConditions(updateConditions)
        .build()
FirebaseModelManager.getInstance().registerRemoteModel(remoteModel)

// Optionally configure a local model:
// https://firebase.google.com/docs/ml-kit/android/label-images-with-automl#configure-a-local-model-source
// https://firebase.google.com/docs/ml-kit/android/use-custom-models#configure_a_local_model

FirebaseRemoteConfigValue rcValue = remoteConfig.getValue("plant_labeler_model");
String remoteModelName = rcValue.asString();

// ...

FirebaseRemoteModel remoteModel = new FirebaseRemoteModel.Builder(remoteModelName)
        .enableModelUpdates(true)
        .setInitialDownloadConditions(initialConditions)
        .setUpdatesDownloadConditions(updateConditions)
        .build();
FirebaseModelManager.getInstance().registerRemoteModel(remoteModel);

// Optionally configure a local model:
// https://firebase.google.com/docs/ml-kit/android/label-images-with-automl#configure-a-local-model-source
// https://firebase.google.com/docs/ml-kit/android/use-custom-models#configure_a_local_model

Ora che la tua app utilizza un parametro Remote Config per determinare quale modello caricare, puoi modificarlo semplicemente pubblicando un nuovo modello e assegnando il relativo nome al parametro Remote Config. Questa funzionalità consente a A/B Testing di assegnare modelli diversi a utenti diversi al fine di confrontarli.

Prima di continuare, aggiungi anche la seguente aggiunta al download del modello codice:

FirebaseModelManager.getInstance().downloadRemoteModelIfNeeded(remoteModel)
    .addOnSuccessListener {
        // If the model downloaded was specified by a remote parameter, log an
        // event, which will be our experiment's activation event.
        if (rcValue.source == FirebaseRemoteConfig.VALUE_SOURCE_REMOTE) {
            FirebaseAnalytics.getInstance(this).logEvent("nondefault_model_downloaded", null)
        }
    }

FirebaseModelManager.getInstance().downloadRemoteModelIfNeeded(remoteModel)
        .addOnSuccessListener(new OnSuccessListener<Void>() {
            @Override
            public void onSuccess(Void aVoid) {
                // If the model downloaded was specified by a remote parameter, log an
                // event, which will be our experiment's activation event.
                if (rcValue.getSource() == FirebaseRemoteConfig.VALUE_SOURCE_REMOTE) {
                    FirebaseAnalytics.getInstance(YourActivity.this)
                            .logEvent("nondefault_model_downloaded", null);
                }
            }
        });

Il codice riportato sopra registra un evento Analytics personalizzato che utilizzerai in seguito come l'evento di attivazione dell'esperimento. Un evento di attivazione è un evento che deve essere attivato dall'utente prima che venga considerato parte dell'esperimento. Questo assicura che gli utenti non vengano registrati nel test A/B finché il dispositivo non ha ha terminato il download del modello ML Kit personalizzato.

2. Stabilire una metrica dell'obiettivo

Il passo successivo è decidere come misurare il successo del modello, e assicurarti che la tua app stia raccogliendo i dati necessari per verificare l'efficacia versioni diverse del modello funzionano in base a quella metrica.

A/B Testing ha diverse metriche integrate, tra cui Entrate, Giornaliere coinvolgimento e fidelizzazione degli utenti. Queste metriche sono spesso utili per testare flussi UX o parametri di ottimizzazione diversi, ma potrebbero non avere senso per per valutare il modello e il caso d'uso. In questo caso, puoi provare a ottimizzare per un evento Analytics personalizzato.

Utilizzando l'ipotetica funzionalità di ricerca visiva delle piante come esempio, supponi di ha presentato i risultati di ricerca all'utente in base all'ordine di confidenza del modello per ciascun risultato. Un modo per avere un'idea dell'accuratezza del modello è esaminare la frequenza con cui gli utenti hanno aperto il primo risultato di ricerca.

Per verificare quale modello ha raggiunto l'obiettivo di massimizzare i clic sui risultati migliori, registrerai un evento personalizzato ogni volta che un utente tocca il primo elemento nel risultato dall'elenco di lettura.

FirebaseAnalytics.getInstance(this).logEvent("first_result_opened", null)

FirebaseAnalytics.getInstance(YourActivity.this).logEvent("first_result_opened", null);

La metrica che testerai dipende in definitiva dal modo in cui la tua app utilizza le tue un modello di machine learning.

A questo punto, puoi implementare la tua app nel Play Store. L'app continuerà a usare il modello originale, ma il codice Remote Config e Analytics che hai aggiunto ti permetteranno di sperimentare con modelli diversi usando solo la console Firebase.

3. Eseguire un esperimento A/B Testing

Ora che la tua app è disponibile e sta raccogliendo dati analitici, crea un esperimento A/B Testing per verificare l'effetto dell'utilizzo del nuovo anziché quello attuale.

Per creare l'esperimento:

1. Nella scheda Eventi della console Firebase, verifica di aver eseguito l'accesso Eventi di Analytics: la metrica relativa all'evento di attivazione e all'obiettivo.

   La tua app deve registrare ogni evento almeno una volta prima che venga visualizzato nella Console Firebase.

2. Nella console Firebase, apri la sezione A/B Testing.

3. Crea un nuovo esperimento:

   1. Fai clic su Crea esperimento > Remote Config.

   2. Nella sezione Targeting:

      • Scegli l'app dall'elenco
      • Specifica quanti utenti vuoi includere nel esperimento
      • Seleziona l'evento di attivazione che hai iniziato a registrare (in questo esempio, nondefault_model_downloaded)

   3. Nella sezione Obiettivi, scegli la metrica dell'obiettivo che hai determinato nella sezione precedente (in questo esempio, first_result_opened) dall'elenco delle metriche dell'obiettivo e seleziona eventuali altre metriche da monitorare, come le entrate generate dagli acquisti o gli utenti senza arresti anomali.

   4. Nella sezione Varianti, definisci due varianti:

      • Gruppo di controllo (creato automaticamente)
      • Etichettatore sperimentale per piante

      Per Gruppo di controllo, crea un plant_labeler_model e impostalo su plant_labeler_v1. Gli utenti assegnati al gruppo di controllo utilizzeranno il vecchio modello. Non impostare il parametro su (no change), in quanto nella tua app stai testando l'uso di una valore remoto).

      Per la variante Etichettatura vegetale sperimentale, imposta il valore plant_labeler_model per plant_labeler_v2 (supponendo che tu abbia pubblicato il nuovo modello) con lo stesso nome). Gli utenti assegnati a questa variante utilizzeranno il nuovo un modello di machine learning.

   

Avvia l'esperimento e attendi che venga eseguito per alcuni giorni o più, fino a quando A/B Testing dichiara una variante leader. Se l'esperimento non riesce a determinare una variante principale, potresti dover per estendere l'esperimento a un maggior numero di utenti.

4. Implementa la variante vincente per tutti gli utenti

Dopo che A/B Testing ha raccolto informazioni sufficienti per dichiarare un leader, in questo caso la variante che ha massimizzato i clic sui risultati di ricerca principali, puoi decidere se implementare la variante vincente (o un'altra variante) per tutti gli utenti.

Nella sezione A/B Testing della console Firebase, apri i dettagli vista dell'esperimento completato. In questa visualizzazione puoi vedere come ogni variante rendimento in base alla metrica dell'obiettivo e a eventuali metriche secondarie selezionate. Con queste informazioni, puoi decidere se implementare la variante principale o un'altra variante.

Per implementare una variante per tutti gli utenti, fai clic su more_vert > Implementa la variante sulla pagina dei dettagli dell'esperimento. Dopodiché, il valore del parametro Il parametro plant_labeler_model verrà plant_labeler_v2 per tutti gli utenti.

In un futuro aggiornamento dell'app, dovresti modificare il valore predefinito Parametro plant_labeler_model in plant_labeler_v2 e aggiorna il bundle modello, se ne utilizzi uno. I tuoi utenti stanno già utilizzando il modello più recente, quindi puoi inviare questo aggiornamento come parte dell'app pubblicata in qualsiasi momento come il prossimo aggiornamento di una funzionalità.