Linuxeden开源社区作者 ，译者
谷歌近日推出了ML KIT，一个与Firebase移动开发平台完全集成的机器学习模块，可用于iOS和Android平台。通过这个新的Firebase模块，谷歌简化了创建机器学习驱动的移动应用的过程，并解决了在移动设备上实现计算密集型功能所面临的一些挑战。
ML KIT允许移动开发者使用Vision API提供的一些模型（如图像标记、OCR和人脸检测）来创建机器学习功能。 ML KIT可直接在Firebase平台中使用，支持Android和iOS应用程序，以及其他基于Google Cloud的模块（如身份验证和存储）。
ML KIT旨在解决移动设备特有的几项挑战，这些挑战是由人工智能计算密集型操作所引发的。目标是在模型精度和模型大小之间获得令人满意的折中，同时保持电池寿命，并在计算资源非常有限的环境中使用本地数据来刷新模型。
优化移动设备的机器学习是一种多层方法。在硬件层面，Android Neural Net API是一种Android C API，通过在可用设备处理器上分配计算工作负载来执行计算密集型操作。
在模型层，通过减少模型复杂性和大小来获得优化。为此，谷歌在一年前发布了Tensorflow Lite，而苹果此前也推出了Core ML，Facebook则推出了Coffee2Go。这些轻量级格式便于在设备上下载预训练的模型，并对本地数据进行推断。不过，移动机器学习工程师Eric Hsiao说，从Tensorflow到Tensorflow Lite的转换仍然很复杂。
正如谷歌ML KIT产品经理Brahim Elbouchikhi在谷歌I/O 2018 ML KIT演讲中强调的那样，将移动机器学习带入移动设备，ML KIT是第三需要用到的层，它将深度学习直接交给了移动应用开发者，并且直接在Firebase移动应用开发平台上进行。
ML KIT支持设备和基于云的推断。设备推断可用于小型的模型，提供较低的准确性，不过是免费的。基于云的推断仅对前1000个API调用免费，但会带来更高的准确性。例如，设备上的图像标记功能可以访问400多个标签，而基于云的模型可以访问超过10k个标签。然而，设备推断带来更好的用户体验，提供实时交互功能并解决隐私问题，因为用户数据仍保留在手机上。
ML KIT还允许通过Firebase Remote Config动态下载模型。模型上传到Firebase平台，并向用户动态提供，无需将模型捆绑到Android开发工具包中。这种灵活的模型部署能够进行简单的A/B测试，并为细分用户定制模型。
ML KIT包含了一些预训练的模型，并可以访问一些Google Machine Learning API服务。它还允许集成在专有数据集上训练的定制模型。到目前为止，基础API提供的可用功能包括文本识别（OCR）、图像标签、条形码扫描、人脸检测和地标识别。预计脸部轮廓和智能回复将在近期发布。基于Learn2Compress的Tensorflow到Tensorflow Lite转换服务预计很快会推出。与此同时，开发者可以注册转换服务测试版。
请记住，ML KIT才刚发布几周时间，开发者在论坛中提出了一些问题，这些问题主要与无法扫描条形码和文本识别有关，但图像分类方面的问题较少。
查看英文原文：Google Brings Machine Learning to Firebase with ML KIT
转自 http://www.infoq.com/cn/news/2018/05/firebase-mlkit-machine-learning