Aprendizaje automático de Firebase

Utilice el aprendizaje automático en sus aplicaciones para resolver problemas del mundo real.

Firebase Machine Learning es un SDK móvil que aporta la experiencia en aprendizaje automático de Google a las aplicaciones de Android y Apple en un paquete potente pero fácil de usar. Ya sea que sea nuevo o tenga experiencia en el aprendizaje automático, puede implementar la funcionalidad que necesita en solo unas pocas líneas de código. No es necesario tener un conocimiento profundo de redes neuronales ni de optimización de modelos para comenzar. Por otro lado, si es un desarrollador de ML con experiencia, Firebase ML proporciona API convenientes que lo ayudan a usar sus modelos personalizados de TensorFlow Lite en sus aplicaciones móviles.

Capacidades clave

Alojar e implementar modelos personalizados

Utilice sus propios modelos de TensorFlow Lite para realizar inferencias en el dispositivo. Simplemente implemente su modelo en Firebase y nosotros nos encargaremos de alojarlo y distribuirlo en su aplicación. Firebase ofrecerá dinámicamente la última versión del modelo a sus usuarios, lo que le permitirá actualizarlos periódicamente sin tener que enviar una nueva versión de su aplicación a los usuarios.

Cuando usas Firebase ML con Remote Config , puedes ofrecer diferentes modelos a diferentes segmentos de usuarios y, con las pruebas A/B , puedes ejecutar experimentos para encontrar el modelo con mejor rendimiento (consulta las guías de Apple y Android ).

Listo para producción para casos de uso comunes

Firebase ML viene con un conjunto de API listas para usar para casos de uso móvil comunes: reconocer texto, etiquetar imágenes e identificar puntos de referencia. Simplemente pase datos a la biblioteca Firebase ML y le brindará la información que necesita. Estas API aprovechan el poder de la tecnología de aprendizaje automático de Google Cloud para brindarte el más alto nivel de precisión.

Nube versus dispositivo

Firebase ML tiene API que funcionan en la nube o en el dispositivo. Cuando describimos una API de ML como una API en la nube o una API en el dispositivo, describimos qué máquina realiza la inferencia : es decir, qué máquina utiliza el modelo de ML para descubrir información sobre los datos que usted le proporciona. En Firebase ML, esto sucede en Google Cloud o en los dispositivos móviles de sus usuarios.

Las API de reconocimiento de texto, etiquetado de imágenes y reconocimiento de puntos de referencia realizan inferencias en la nube. Estos modelos tienen más potencia computacional y memoria disponible que un modelo en el dispositivo comparable y, como resultado, pueden realizar inferencias con mayor exactitud y precisión que un modelo en el dispositivo. Por otro lado, cada solicitud a estas API requiere un viaje de ida y vuelta en la red, lo que las hace inadecuadas para aplicaciones en tiempo real y de baja latencia, como el procesamiento de video.

Las API de modelos personalizados se ocupan de los modelos de aprendizaje automático que se ejecutan en el dispositivo. Los modelos utilizados y producidos por estas funciones son modelos TensorFlow Lite , que están optimizados para ejecutarse en dispositivos móviles. La mayor ventaja de estos modelos es que no requieren una conexión de red y pueden ejecutarse muy rápidamente; lo suficientemente rápido, por ejemplo, para procesar fotogramas de vídeo en tiempo real.

Firebase ML brinda la capacidad de implementar modelos personalizados en los dispositivos de sus usuarios cargándolos en nuestros servidores. Su aplicación habilitada para Firebase descargará el modelo al dispositivo a pedido. Esto le permite mantener pequeño el tamaño de instalación inicial de su aplicación y puede cambiar el modelo ML sin tener que volver a publicar su aplicación.

Kit de aprendizaje automático: modelos en el dispositivo listos para usar

Si busca modelos previamente entrenados que se ejecuten en el dispositivo, consulte ML Kit . ML Kit está disponible para iOS y Android y tiene API para muchos casos de uso:

  • Reconocimiento de texto
  • Etiquetado de imágenes
  • Detección y seguimiento de objetos.
  • Detección de rostros y seguimiento de contornos
  • Escaneo de códigos de barras
  • Identificación del idioma
  • Traducción
  • Respuesta inteligente

Próximos pasos