Firebase Machine Learning

שימוש בלמידת מכונה באפליקציות שלכם כדי לפתור בעיות בעולם האמיתי.

Firebase Machine Learning הוא ערכת SDK לנייד שמאפשרת להשתמש במחשב של Google למידת מומחיות באפליקציות ל-Android ו-Apple חבילה. גם אם אתם מתחילים וגם אם אתם מומחים בלמידת מכונה, תוכלו להטמיע את הפונקציונליות הנדרשת בכמה שורות קוד בלבד. אין צריך ידע מעמיק על רשתות נוירונים או על אופטימיזציה של מודלים כדי לקבל בתהליך. לעומת זאת, אם אתם מפתחים מנוסים של למידת מכונה, ב-Firebase ML יש ממשקי API נוחים שעוזרים לך להשתמש בהתאמה אישית דגמי TensorFlow Lite באפליקציות לנייד.

יכולות עיקריות

אירוח ופריסה של מודלים מותאמים אישית

להשתמש במודלים של TensorFlow Lite להסקת מסקנות במכשיר. יישור לפרוס את המודל שלכם ב-Firebase, ואנחנו נטפל באירוח שממלאת אותו באפליקציה. מערכת Firebase תציג באופן דינמי את העדכונים האחרונים של המודל למשתמשים שלך, כך שתוכל לעדכן באופן קבוע בלי לשלוח למשתמשים גרסה חדשה של האפליקציה.

כשמשתמשים ב-Firebase ML עם Remote Config, אפשר להציג מודלים שונים למשתמשים שונים פלחים, ועם A/B Testing, יכול להריץ ניסויים כדי למצוא את המודל עם הביצועים הטובים ביותר (עיינו Apple וגם מדריכי Android).
מוכנים לסביבת ייצור לתרחישים נפוצים לדוגמה

Firebase ML כולל קבוצה של ממשקי API מוכנים לשימוש בנייד לדוגמה: זיהוי טקסט, הוספת תוויות לתמונות וזיהוי ציוני דרך. פשוט מעבירים את הנתונים לספרייה של Firebase ML, ומקבלים את המידע הדרוש לכם. ממשקי ה-API האלה מנצלים את העוצמהGoogle Cloud טכנולוגיה של למידת מכונה כדי לתת לכם את רמת הדיוק הגבוהה ביותר.

ענן לעומת במכשיר

ל-Firebase ML יש ממשקי API שפועלים בענן או במכשיר. כשאנחנו מתארים ממשק API של למידת מכונה כ-API בענן או כ-API במכשיר, אנחנו מתארים באיזו מכונה מתבצעת ההסקה: כלומר, באיזו מכונה נעשה שימוש במודל ה-ML כדי לגלות תובנות לגבי הנתונים שאתם מספקים לה. ב-Firebase ML, התהליך הזה מתרחש ב-Google Cloud או במכשירים הניידים של המשתמשים.

ממשקי ה-API של זיהוי הטקסט, הוספת התוויות לתמונות וזיהוי ציוני הדרך מבצעים יצירת אינטרפולציה בענן. למודלים האלה יש יותר כוח מחשוב וזיכרון זמינים בהשוואה למודל דומה במכשיר, וכתוצאה מכך הם יכולים לבצע הסקת מידע עם דיוק ורמת פירוט גבוהים יותר מאשר מודל במכשיר. מצד שני, כל בקשה לממשקי ה-API האלה מחייבת מעבר רשת הלוך ושוב, ולכן הם לא מתאימים לאפליקציות בזמן אמת ולאפליקציות עם זמן אחזור קצר, בעיבוד וידאו.

ממשקי ה-API של מודל מותאם אישית מטפלים במודלים של למידת מכונה שפועלים במכשיר. המודלים שבהם נעשה שימוש בתכונות האלה והופקו על ידה מודלים של TensorFlow Lite, מותאם להצגה במכשירים ניידים. היתרון הגדול ביותר של המודלים האלה הוא שהם לא זקוקים לחיבור לרשת ויכולים לפעול מהר מאוד – מספיק, לדוגמה, כדי לעבד פריימים של וידאו בזמן אמת.

Firebase ML מספק את היכולת לפרוס מודלים מותאמים אישית עבור המשתמשים מכשירים לפי להעלות אותם לשרתים שלנו. האפליקציה שתומכת ב-Firebase תוריד את של המכשיר על פי דרישה. כך אפשר לשמור על ההפעלה הראשונית של האפליקציה גודל ההתקנה קטן, ואפשר להחליף את מודל למידת המכונה בלי לפרסם מחדש באפליקציה שלך.

ערכת ML: מודלים מוכנים לשימוש במכשיר

אם אתם מחפשים מודלים מאומנים מראש שפועלים במכשיר, כדאי לבדוק את ML Kit. ערכת ML זמינה ל-iOS ול-Android, ויש בו ממשקי API לתרחישים רבים לדוגמה:

  • זיהוי טקסט
  • הוספת תוויות לתמונות
  • זיהוי אובייקטים ומעקב אחריהם
  • זיהוי פנים ומעקב אחר קונטור
  • סריקת ברקוד
  • זיהוי שפה
  • תרגום
  • תשובה מהירה

השלבים הבאים