Couchbase Lite로 머신 러닝 예측 만들기

카우치베이스 라이트의 예측 쿼리 API 를 사용하면 애플리케이션이 사전 학습된 머신 러닝(ML) 모델을 활용하여 임베디드 카우치베이스 라이트 데이터베이스의 데이터에 대한 예측 쿼리를 편리하고 빠르며 항상 사용할 수 있는 방식으로 실행할 수 있습니다. 이러한 예측을 앱에서 캡처한 실시간 데이터에 대한 예측과 결합하여 다양하고 매력적인 애플리케이션을 구현할 수 있습니다. Couchbase Lite의 예측 쿼리 API는 임베디드 데이터베이스에서 최초로 제공됩니다. 우리는 발표 작년에 카우치베이스 모바일 2.5와 함께 예측 쿼리 API의 개발자 프리뷰 버전을 출시했습니다. 와 카우치베이스 모바일 2.7이 기능의 일반 공개를 발표하게 되어 기쁩니다.

이 게시물에서는 이 기능을 구축한 이유와 해당 기능이 적용되는 애플리케이션의 종류를 포함하여 기능에 대한 개요를 제공합니다. 를 활성화할 수 있습니다. 또한 예시를 통해 예측 API의 사용법을 보여드립니다. 이 예제는 문서 페이지에서 API 및 샘플 코드 스니펫에 대한 자세한 내용을 확인하세요.

모바일에서의 머신 러닝 - 동기 부여

머신 러닝은 전통적으로 클라우드에서 수행되어 왔습니다. "무제한" 컴퓨팅 및 스토리지 리소스에 액세스할 수 있는 클라우드가 머신 러닝을 실행할 수 있는 유일한 장소처럼 보였기 때문입니다. 특정 애플리케이션에서는 그럴 수 있지만, 모바일 디바이스에서 로컬로 머신 러닝을 수행해야 하는 이유는 여러 가지가 있습니다.

빠른 응답성

클라우드로의 왕복 시간을 피함으로써 네트워크 연결 상태에 관계없이 예측에 대한 응답 시간을 몇 밀리초 단위로 보장할 수 있습니다. 앱의 응답 속도는 앱 리텐션에 중요한 최종 사용자 경험과 직접적인 상관관계가 있으므로 이는 매우 중요합니다.

항상 사용 가능

디바이스에서 로컬로 머신러닝을 실행하면 연결이 끊긴 상태에서도 예측을 수행할 수 있습니다. 애플리케이션과 데이터를 항상 사용할 수 있습니다. 이는 연결이 끊긴 환경에 배포된 현장 애플리케이션의 경우 특히 유용합니다.

데이터 개인 정보 보호

디바이스에서 로컬로 예측을 실행한다는 것은 민감한 데이터가 디바이스를 떠날 필요가 없음을 의미합니다. 이를 통해 데이터 프라이버시 제한을 위반하지 않으면서도 고도로 개인화된 경험을 제공하는 앱을 구축할 수 있습니다.

대역폭 절약

데이터를 클라우드로 전송할 필요가 없으므로 대역폭 비용을 절약할 수 있습니다. 이는 데이터 요금제가 비싼 네트워크 대역폭이 제한된 환경의 경우 특히 중요합니다.

위에서 언급한 모든 이점은 다음과 같은 패러다임과 잘 부합합니다. 엣지 컴퓨팅 스토리지와 컴퓨팅을 엣지에 더 가까이 가져가야 할 필요성이 점점 더 커지고 있습니다.

모바일 ML - 에코시스템

모바일 ML은 현실이며, 이를 가능하게 하는 몇 가지 에코시스템이 있습니다.

강력한 모바일 디바이스

모바일 기기는 점점 더 강력해지고 있습니다. 예를 들어, 최근에 출시된 iPhone11 그리고 Pixel 4 전용 뉴럴 코어 엔진을 포함합니다. 실리콘 레이어의 혁신으로 모바일 디바이스에서 로컬로 ML 모델을 실행할 수 있게 되었습니다. 플랫폼 하드웨어 가속 기능을 활용하면 모델을 고성능으로 실행할 수 있습니다.

모바일에 최적화된 모델

머신러닝 모델은 전통적으로 스토리지와 컴퓨팅 집약적이었습니다. 필요한 수준의 정확도를 유지하면서 리소스 활용을 위해 모델을 최적화하기 위한 여러 노력과 프로젝트가 진행 중입니다. 다음과 같이 사전 학습된 오픈 소스 ML 모델 네트워크가 점점 늘어나고 있습니다. 모바일넷 그리고 스퀴즈넷 모바일 디바이스에서 실행되도록 최적화되어 있습니다.

머신 러닝 프레임워크

모든 주요 모바일 플랫폼에는 개발자가 ML 지원을 앱에 매우 쉽게 통합할 수 있도록 지원하는 머신러닝 프레임워크와 라이브러리가 포함되어 있습니다. 이러한 프레임워크는 하드웨어 가속과 로우레벨 API를 활용하여 성능이 매우 뛰어납니다. 예를 들면 다음과 같습니다. 핵심 ML iOS용, 텐서플로 라이트 Android용, ML.NET Windows 및 ML 키트 등이 있습니다.

ML 모델 만들기

다음과 같은 오픈 소스 도구 및 플랫폼이 점점 더 많아지고 있습니다. 텐서플로 그리고 createML 를 통해 그 어느 때보다 쉽게 머신러닝 모델을 만들 수 있습니다. 데이터 과학자가 아니어도 모델을 만들 수 있습니다.

예측 쿼리 API

예측 쿼리 API를 사용하면 모바일 앱에서 사전 학습된 머신 러닝(ML) 모델을 활용하여 Couchbase Lite 데이터에 대한 예측을 수행할 수 있습니다. 이 API는 앱에 입력된 데이터에 대한 실시간 예측을 Couchbase Lite에 저장된 앱 데이터에 대한 예측과 결합하는 데 사용할 수 있습니다.

건물별 예측 지수 를 사용하면 쿼리 성능이 크게 향상되는 것을 확인할 수 있습니다. 예측 결과는 Couchbase Lite에서 구체화할 수 있으며 다음을 통해 다른 클라이언트로 동기화할 수 있습니다. 동기화 게이트웨이.

애플리케이션

이미지 분류, 음성 인식, 객체 인식, 콘텐츠 기반 추천 시스템 등 모바일에서 머신러닝을 적용할 수 있는 여러 가지 애플리케이션이 있습니다. 이러한 예측을 카우치베이스 라이트에 저장된 데이터와 결합하면 여러 산업에서 일상적인 활동을 혁신할 수 있는 잠재력이 있습니다. 이러한 모든 애플리케이션은 로컬에서 머신 러닝을 실행함으로써 고가용성, 빠른 응답, 효율적인 네트워크 대역폭 사용 및 데이터 프라이버시 보장 등의 이점을 누릴 수 있습니다. 다음은 몇 가지 예입니다.

리테일 및 이커머스

다음 워크플로를 고려하세요.
- 관심 있는 품목의 사진을 들고 매장에 들어갑니다. 예를 들어, 다른 사람이 착용한 핸드백 사진이 있습니다.
- 판매 직원에게 다가가 상품이 있는지 문의합니다.
- 판매 직원이 카탈로그/재고 앱을 실행 중인 태블릿으로 품목의 사진을 찍습니다.
- 캡처한 이미지는 스토어 카탈로그 데이터베이스를 검색하여 사용 가능 여부를 확인하는 데 사용됩니다.
- 매장에 재고가 있는 경우 오른쪽 통로로 이동합니다. 다른 관련 품목에 대한 대안 및 추천 상품도 제시될 수 있습니다.

이미지 기반 검색은 사용자가 관심 있는 항목을 설명하는 능력에 의존하는 기존의 텍스트 기반 검색과 음성 기반 검색 환경을 보완합니다. 이미지 기반 검색 기능을 갖춘 애플리케이션은 온라인 및 매장 내 쇼핑 경험을 크게 향상시킬 수 있습니다. 이미지 기반 검색의 장점은 전자상거래 애플리케이션의 경우 매우 분명하지만, 위에서 설명한 것과 같은 워크플로는 전통적인 오프라인 매장이 온라인 쇼핑 환경과 경쟁할 수 있는 기회를 제공합니다.

카탈로그/인벤토리 앱은 이미지 분류기 ML 모델을 사용하여 태블릿 카메라로 캡처한 품목을 식별합니다. 식별되면 앱은 로컬 Couchbase Lite 데이터베이스를 조회하여 해당 품목이 매장에서 사용 가능한지 확인하고 재고 여부 및 해당 품목을 찾을 수 있는 통로와 같은 기타 관련 세부 정보를 검색합니다. 이미지는 스토어 앱을 벗어나지 않으며 사용 후 로컬에서 삭제할 수 있어 개인정보 보호에 대한 우려를 덜어줍니다.

호스피탈리티

패스트푸드점의 셀프 주문 키오스크를 예로 들어 보겠습니다. 다음은 일반적인 워크플로입니다.
- 이미지를 캡처하는 카메라가 장착된 키오스크에 다가갑니다(동의해야 함).
- 캡처한 얼굴 이미지는 등록된 고객 데이터베이스를 조회하여 선호도를 식별하는 데 사용됩니다.
- 시스템은 주문 내역을 불러오고, 식사 주문을 제안하고, 로열티 포인트를 적용하는 등의 작업을 수행할 수 있습니다. 등록된 신용카드 정보를 사용하여 주문할 수 있습니다.

셀프 주문 키오스크는 어디에나 있으며 대기 시간을 줄여 더 빠른 서비스를 제공함으로써 식사 주문 경험에 혁신을 가져왔습니다. 이러한 키오스크에 안면 인식 기술을 탑재하면 이러한 경험을 더욱 원활하고 빠르게 제공할 수 있습니다.

백그라운드에서 키오스크는 다음과 같은 얼굴 인식 ML 모델을 사용하는 앱을 실행하고 있습니다. OpenFace 를 클릭하여 캡처한 얼굴 이미지의 고유한 지문을 생성합니다. 그런 다음 앱은 유사도 일치 를 사용하여 캡처한 얼굴 이미지의 지문과 Couchbase Lite 데이터베이스에 있는 이미지의 지문을 비교하여 가장 가까운 일치 항목을 식별합니다.

기능 살펴보기

API의 작동 방식을 이해하는 가장 좋은 방법은 예제를 통해 이해하는 것입니다. 이 글에서는 예측 쿼리 API를 사용하여 위에서 설명한 얼굴 인식 애플리케이션을 구현하는 방법에 대해 설명하겠습니다. 이것은 아마도 더 복잡한 워크플로우일 것입니다. 분류기 모델을 사용하는 이미지 기반 검색 앱은 훨씬 더 간단하다는 점을 제외하면 비슷한 패턴을 따릅니다.

• 전제 조건
  • 앱에서 얼굴 인식 ML 모델을 사용할 수 있습니다. ML 모델은 앱에 번들로 제공되거나 다음과 유사한 기술을 사용하여 외부 저장소에서 가져올 수 있습니다. 이. 이 모델은 이미지를 입력받아 기본적으로 벡터 표현 이미지 특징인 '지문' 또는 '얼굴 임베딩'을 출력합니다.
    
  • 카우치베이스 라이트 데이터베이스는 관련 데이터로 채워집니다. 사용 사례에서는 다음과 같이 등록된 사용자 데이터베이스에 해당합니다. "user" 유형 문서를 입력합니다. 각 사용자 문서에는 등록된 사용자의 사진에 해당하는 블롭이 포함되어 있습니다.
    
• 1단계: Cuchbase Lite에 ML 모델 등록하기
  다음을 사용하여 예측을 실행할 수 있습니다. any ML 모델. 앱 개발자로서 여러분은 다음과 같은 예측 모델 인터페이스 및 등록 를 사용할 수 있습니다. 이 인터페이스는 매우 간단하며 하나의 예측() 메서드를 앱 개발자가 구현할 수 있습니다. 언제든지 예측 기능 가 호출되면 PredictiveModel의 기본 예측() 메서드가 호출됩니다.

• 2단계: 예측 인덱스 생성
  만들기 예측 지수 를 생성하여 등록된 ML 모델을 사용하여 모든 이미지에 대한 예측을 실행하여 Couchbase Lite 데이터베이스의 이미지에 인덱스를 생성합니다. 이 단계는 선택 사항이지만 쿼리 시간 성능에 큰 영향을 미치므로 인덱스를 생성하는 것이 좋습니다.

• 3단계 : 캡처된 이미지에 대한 예측
  다음을 사용하여 앱에 입력된 이미지에 대해 예측을 실행합니다. 예측 기능

• 4단계 : 유사도 검색 및 사용자 문서 쿼리
  캡처한 이미지와 데이터베이스의 이미지 간에 유사도 검색을 실행합니다. 거리 벡터 함수를 사용하세요. 가장 일치하는 문서를 찾기 위해 Couchbase Lite 데이터베이스를 쿼리하세요.

끝입니다! 간단한 4단계만 거치면 예측 쿼리 API를 사용하여 Couchbase Lite의 데이터를 기반으로 얼굴 인식 애플리케이션을 구현할 수 있습니다.

다음 단계

쿠베이스는 새로운 예측 함수 API를 통해 모바일 및 임베디드 데이터 스토리지 분야에서 계속해서 사고 리더십을 선보이고 있습니다. 이 게시물에서는 몇 가지 애플리케이션에 대해 논의하고 예측 쿼리 API를 활용하는 방법에 대한 예시를 살펴봤습니다. 이를 통해 여러분만의 앱을 만드는 데 영감을 얻으셨기를 바라며, 이 기능을 통해 여러분의 앱에서 어떤 새로운 기능을 구현할 수 있을지 기대가 됩니다.

다음은 몇 가지 유용한 리소스에 대한 직접 링크입니다.
– 예측 쿼리 문서.
API 사용에 대한 단계별 가이드가 포함되어 있습니다.
– 카우치베이스 라이트 다운로드
예측 쿼리 API는 엔터프라이즈 라이선스로 사용할 수 있습니다. 엔터프라이즈 에디션도 무료로 다운로드하여 개발 목적으로 사용할 수 있습니다.
– 샘플 앱
분류기 ML 모델과 함께 예측 API를 사용하는 샘플 앱 데모
– 카우치베이스 모바일 블로그
– 카우치베이스 포럼

질문이나 피드백이 있으시면 아래에 댓글을 남기거나 다음을 통해 언제든지 저에게 연락해 주세요. 트위터 또는 이메일 보내기