Firebase Machine Learning

Use o machine learning nos seus apps para resolver problemas do mundo real.

O Firebase Machine Learning é um SDK para dispositivos móveis que leva a experiência em aprendizado de máquina do Google para apps Android e Apple em um pacote eficiente e fácil de usar. Não importa se você é iniciante ou experiente em aprendizado de máquina, é possível implementar a funcionalidade necessária com apenas algumas linhas de código. Não é preciso ter um conhecimento profundo de redes neurais ou otimização de modelos para começar. Por outro lado, se você é um desenvolvedor de ML experiente, o Firebase ML fornece APIs convenientes que ajudam você a usar seus modelos personalizados do TensorFlow Lite nos seus apps para dispositivos móveis.

Principais recursos

Hospedar e implantar modelos personalizados

Use seus próprios modelos do TensorFlow Lite para inferência no dispositivo. Basta implantar seu modelo no Firebase, e nós o hospedaremos e disponibilizaremos para seu app. O Firebase disponibilizará dinamicamente a versão mais recente do modelo aos usuários. Assim, você pode atualizá-los regularmente sem precisar enviar uma nova versão do app aos usuários.

Ao usar o Firebase ML com a Configuração remota, é possível veicular modelos diferentes para diferentes segmentos de usuários e, com o Teste A/B, você pode realizar experimentos para encontrar o modelo de melhor desempenho (consulte os guias da Apple e do Android).
Pronto para produção em casos de uso comuns

O Firebase ML tem um conjunto de APIs prontas para casos de uso comuns para dispositivos móveis: reconhecimento de texto, rotulagem de imagens e identificação de pontos de referência. Basta transmitir os dados para a biblioteca do Firebase ML, e ela fornecerá as informações necessárias. Essas APIs aproveitam o poder da tecnologia de machine learning do Google Cloud para oferecer o mais alto nível de precisão.

Nuvem x dispositivo

O Firebase ML tem APIs que funcionam na nuvem ou no dispositivo. Quando descrevemos uma API de ML como uma API de nuvem ou dispositivo, estamos descrevendo qual máquina faz inferência, ou seja, qual máquina usa o modelo de ML para descobrir insights sobre os dados fornecidos. No Firebase ML, isso acontece no Google Cloud ou nos dispositivos móveis dos usuários.

As APIs de reconhecimento de texto, rotulagem de imagens e reconhecimento de pontos de referência fazem inferência na nuvem. Esses modelos têm mais capacidade computacional e memória disponíveis do que um modelo comparável no dispositivo e, como resultado, podem fazer inferência com mais precisão do que um modelo no dispositivo. Por outro lado, todas as solicitações para essas APIs exigem um tempo de resposta da rede, o que as torna inadequadas para aplicações em tempo real e de baixa latência, como o processamento de vídeos.

As APIs de modelo personalizado lidam com modelos de ML que são executados no dispositivo. Os modelos usados e produzidos por esses recursos são do TensorFlow Lite, que são otimizados para serem executados em dispositivos móveis. A maior vantagem desses modelos é que eles não exigem uma conexão de rede e podem ser executados rapidamente, o suficiente para processar quadros de vídeo em tempo real, por exemplo.

Com o Firebase ML, é possível implantar modelos personalizados nos dispositivos dos seus usuários fazendo upload deles para nossos servidores. Seu app compatível com o Firebase fará o download do modelo no dispositivo sob demanda. Isso permite manter o tamanho diminuto da instalação inicial do seu app e trocar o modelo de ML sem precisar publicar o app novamente.

Kit de ML: modelos prontos para uso no dispositivo

Se você estiver procurando modelos pré-treinados que são executados no dispositivo, confira o Kit de ML. O Kit de ML está disponível para iOS e Android e tem APIs para muitos casos de uso:

  • Reconhecimento de texto
  • Rotulagem de imagens
  • Detecção e rastreamento de objetos
  • Detecção facial e traçado de contornos
  • Leitura de códigos de barras
  • Identificação de idioma
  • Tradução
  • Resposta inteligente

Próximas etapas