Après avoir entraîné un nouveau modèle personnalisé ou un modèle AutoML Vision Edge, vous pouvez utiliser les tests A/B pour voir les performances du nouveau modèle dans des conditions réelles, par rapport au modèle que vous utilisez déjà. Une fois que vous avez confirmé que votre nouveau modèle est une amélioration, vous pouvez facilement déployer le nouveau modèle pour tous vos utilisateurs, sans nécessiter de mise à jour de l'application.
Cette page montre comment vous pouvez effectuer un test A/B qui évalue deux versions d'un modèle qui alimente une hypothétique fonction de recherche visuelle de plantes. Cette fonctionnalité utilise un modèle d'étiquetage d'image personnalisé pour aider les utilisateurs à identifier les espèces végétales à partir de leurs images.
Supposons que vous venez de publier un nouveau modèle d'étiquetage d'usine, plant_labeler_v2 et que vous souhaitiez exécuter une expérience qui le compare à votre modèle actuel, nommé plant_labeler_v1 . Les étapes ci-dessous montrent comment configurer l'expérience, l'exécuter et agir sur les résultats.
1. Rendez votre modèle configurable à distance
La première étape du test A/B de vos modèles consiste à modifier votre application pour utiliser un paramètre de configuration à distance afin de déterminer le modèle qu'elle utilise. Au départ, vous définirez la valeur par défaut de ce paramètre comme étant le modèle que votre application utilise déjà, mais comme le nom du modèle est contrôlé par un paramètre configurable à distance, vous pouvez modifier et expérimenter différents modèles sans avoir à pousser les mises à jour de l'application vers votre utilisateurs à chaque fois.
Ainsi, si vous avez publié votre modèle actuel sous le nom plant_labeler_v1 , vous devez, dans le code d'initialisation de votre application, définir plant_labeler_v1 comme valeur par défaut du paramètre plant_labeler_model , comme dans l'exemple suivant :
Rapide
let remoteConfig = RemoteConfig.remoteConfig()
let defaults = [
"plant_labeler_model": "plant_labeler_v1" as NSObject,
// ...
]
remoteConfig.setDefaults(defaults)
remoteConfig.fetchAndActivate()
Objectif c
FIRRemoteConfig *remoteConfig = [FIRRemoteConfig remoteConfig];
NSDictionary<NSString *, NSObject *> *defaults = @{
@"plant_labeler_model" : (NSObject *)@"plant_labeler_v1",
// ...
};
[remoteConfig setDefaults:defaults];
[remoteConfig fetchAndActivateWithCompletionHandler:nil];
Ensuite, modifiez le code de configuration de votre modèle pour charger le modèle spécifié par le paramètre plant_labeler_model :
Rapide
let rcValue = remoteConfig.configValue(forKey: "plant_labeler_model")
guard let remoteModelName = rcValue.stringValue else { return }
// ...
let remoteModel = RemoteModel(
name: remoteModelName,
allowsModelUpdates: true,
initialConditions: initialConditions,
updateConditions: updateConditions
)
ModelManager.modelManager().register(remoteModel)
// Optionally configure a local model:
// https://firebase.google.com/docs/ml/ios/label-images-with-automl#configure-a-local-model-source
// https://firebase.google.com/docs/ml/ios/use-custom-models#configure_a_local_model
Objectif c
FIRRemoteConfigValue *rcValue = [remoteConfig configValueForKey:@"plant_labeler_model"];
NSString *remoteModelName = [rcValue stringValue];
// ...
FIRRemoteModel *remoteModel = [[FIRRemoteModel alloc] initWithName:remoteModelName
allowsModelUpdates:YES
initialConditions:initialConditions
updateConditions:updateConditions];
[[FIRModelManager modelManager] registerRemoteModel:remoteModel];
// Optionally configure a local model:
// https://firebase.google.com/docs/ml/android/label-images-with-automl#configure-a-local-model-source
// https://firebase.google.com/docs/ml/android/use-custom-models#configure_a_local_model
Maintenant que votre application utilise un paramètre Remote Config pour déterminer le modèle à charger, vous pouvez modifier le modèle simplement en publiant un nouveau modèle et en attribuant son nom au paramètre Remote Config. Cette fonctionnalité permet aux tests A/B d'attribuer différents modèles à différents utilisateurs dans le but de les comparer.
Avant de continuer, faites également l'ajout suivant au code de téléchargement de votre modèle :
Rapide
NotificationCenter.default.addObserver(
forName: .firebaseMLModelDownloadDidSucceed,
object: nil,
queue: nil
) { [weak self] notification in
guard let _ = self,
let userInfo = notification.userInfo,
let model = userInfo[ModelDownloadUserInfoKey.remoteModel.rawValue]
as? RemoteModel,
model.name == remoteModelName
else { return }
// If the model downloaded was specified by a remote parameter, log an
// event, which will be our experiment's activation event.
if rcValue.source == .remote {
Analytics.logEvent("nondefault_model_downloaded", parameters: nil)
}
}
Objectif c
__weak typeof(self) weakSelf = self;
[NSNotificationCenter.defaultCenter
addObserverForName:FIRModelDownloadDidSucceedNotification
object:nil
queue:nil
usingBlock:^(NSNotification *_Nonnull note) {
if (weakSelf == nil | note.userInfo == nil) {
return;
}
FIRRemoteModel *model = note.userInfo[FIRModelDownloadUserInfoKeyRemoteModel];
if ([model.name isEqualToString:remoteModelName] &&
rcValue.source == FIRRemoteConfigSourceRemote) {
// If the model downloaded was specified by a remote parameter, log an
// event, which will be our experiment's activation event.
[FIRAnalytics logEventWithName:@"nondefault_model_downloaded" parameters:nil];
}
}];
Le code ci-dessus enregistre un événement Analytics personnalisé que vous utiliserez plus tard pour votre test
2. Déterminer une métrique d'objectif
L'étape suivante consiste à décider comment vous allez mesurer le succès de votre modèle et à vous assurer que votre application collecte les données nécessaires pour tester les performances des différentes versions du modèle en fonction de cette métrique.
Les tests A/B comportent plusieurs mesures intégrées, notamment les revenus, l'engagement quotidien et la fidélisation des utilisateurs. Ces métriques sont souvent utiles pour tester différents flux UX ou affiner les paramètres, mais peuvent ne pas avoir de sens pour évaluer votre modèle et votre cas d'utilisation. Dans cette situation, vous pouvez plutôt essayer d'optimiser pour un événement Analytics personnalisé.
En utilisant la fonction de recherche visuelle de plantes hypothétiques comme exemple, supposons que vous présentiez les résultats de la recherche à votre utilisateur dans l'ordre de confiance du modèle dans chaque résultat. Une façon d'avoir une idée de la précision de votre modèle serait de regarder à quelle fréquence les utilisateurs ont ouvert le premier résultat de recherche.
Pour tester quel modèle a le mieux atteint l'objectif de maximiser les clics sur les meilleurs résultats, vous devez enregistrer un événement personnalisé chaque fois qu'un utilisateur appuie sur le premier élément de la liste de résultats.
Rapide
Analytics.logEvent("first_result_opened", parameters: nil)
Objectif c
[FIRAnalytics logEventWithName:@"first_result_opened" parameters:nil];
La métrique que vous testez dépend en fin de compte de la façon dont votre application utilise votre modèle.
À ce stade, vous pouvez déployer votre application sur l'App Store. Votre application continuera d'utiliser votre modèle d'origine, mais le code de configuration et d'analyse à distance que vous avez ajouté vous permettra de tester différents modèles en utilisant uniquement la console Firebase.
3. Exécutez une expérience de test A/B
Maintenant que votre application est entre les mains de vos utilisateurs et qu'elle collecte des données d'analyse, créez une expérience de test A/B qui teste l'effet de l'utilisation de votre nouveau modèle au lieu du modèle actuel.
Pour créer l'expérience :
Sur la page Événements de la console Firebase, vérifiez que vous enregistrez les événements Analytics pertinents : l'événement d'activation et la métrique d'objectif.
Votre application doit enregistrer chaque événement au moins une fois avant qu'il n'apparaisse dans la console Firebase.
Dans la console Firebase, ouvrez la section Test A/B .
Créez un test :
Cliquez sur Créer une expérience > Configuration à distance .
Dans la section Ciblage :
- Choisissez votre application dans la liste
- Spécifiez le nombre d'utilisateurs que vous souhaitez inclure dans le test
- Sélectionnez l'événement d'activation que vous avez commencé à consigner (dans cet exemple, nondefault_model_downloaded )
Dans la section Objectifs , choisissez la métrique d'objectif que vous avez déterminée dans la section précédente (dans cet exemple, first_result_opened ) dans la liste des métriques d'objectif, et sélectionnez les métriques supplémentaires que vous souhaitez suivre, telles que les revenus d'achat ou les utilisateurs sans plantage.
Dans la section Variantes , définissez deux variantes :
- Groupe de contrôle (créé automatiquement)
- Étiqueteuse de plantes expérimentale
Pour le groupe de contrôle , créez un paramètre
plant_labeler_modelet définissez - le surplant_labeler_v1. Les utilisateurs affectés au groupe de contrôle utiliseront l'ancien modèle. (Ne définissez pas le paramètre sur(no change), car dans votre application, vous testez que vous utilisez une valeur distante.)Pour la variante Experimental plant labeler , définissez le paramètre
plant_labeler_modelsurplant_labeler_v2(en supposant que vous ayez publié votre nouveau modèle sous ce nom). Les utilisateurs affectés à cette variante utiliseront le nouveau modèle.
Démarrez l'expérience et laissez-la fonctionner pendant plusieurs jours ou plus, jusqu'à ce que l'A/B Testing déclare un leader. Si le test ne parvient pas à déterminer un leader, vous devrez peut-être étendre le test à d'autres utilisateurs .
4. Déployez la variante gagnante pour tous les utilisateurs
Une fois que les tests A/B ont collecté suffisamment d'informations pour déclarer un leader (dans ce cas, la variante qui a maximisé les clics sur les résultats de recherche les plus élevés), vous pouvez décider de déployer la variante gagnante (ou une autre variante) à tous vos utilisateurs.
Dans la section Tests A/B de la console Firebase , ouvrez la vue détaillée de l'expérience terminée. À partir de cette vue, vous pouvez voir les performances de chaque variante en fonction de votre métrique d'objectif et de toute métrique secondaire que vous avez sélectionnée. Avec ces informations, vous pouvez décider de déployer la variante principale ou une autre variante.
Pour déployer une variante pour tous les utilisateurs, cliquez sur more_vert > Déployer la variante sur la page des détails du test. Une fois cela fait, la valeur du paramètre plant_labeler_model sera plant_labeler_v2 pour tous les utilisateurs.
Dans une future mise à jour de l'application, vous devez modifier la valeur par défaut du paramètre plant_labeler_model en plant_labeler_v2 et mettre à jour le modèle groupé si vous en utilisez un. Vos utilisateurs utilisent déjà le dernier modèle, cependant, vous pouvez pousser cette mise à jour dans le cadre de l'application publiée chaque fois que cela vous convient, par exemple lors de la prochaine mise à jour des fonctionnalités.