{"id":8051,"date":"2021-01-07T01:05:54","date_gmt":"2021-01-07T09:05:54","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=8051"},"modified":"2025-06-13T20:08:50","modified_gmt":"2025-06-14T03:08:50","slug":"machine-learning-predictions-couchbase-lite-predictive-query","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/pt\/machine-learning-predictions-couchbase-lite-predictive-query\/","title":{"rendered":"Fa\u00e7a previs\u00f5es de aprendizado de m\u00e1quina com o Couchbase Lite"},"content":{"rendered":"

O API de consulta preditiva<\/a> permite que os aplicativos aproveitem modelos pr\u00e9-treinados de aprendizado de m\u00e1quina (ML) para executar consultas preditivas em rela\u00e7\u00e3o aos dados no banco de dados Couchbase Lite incorporado de forma conveniente, r\u00e1pida e sempre dispon\u00edvel. Essas previs\u00f5es podem ser combinadas com previs\u00f5es feitas com base em dados em tempo real capturados pelo seu aplicativo para permitir uma variedade de aplicativos atraentes. A API Predictive Query no Couchbase Lite \u00e9 a primeira desse tipo em um banco de dados incorporado. N\u00f3s t\u00ednhamos anunciado<\/a> a vers\u00e3o Developer Preview da Predictive Query API com o Couchbase Mobile 2.5 no ano passado. Com Couchbase Mobile 2.7<\/a>Com isso, temos o prazer de anunciar a disponibilidade geral desse recurso.<\/p>\n

Nesta postagem, apresentamos uma vis\u00e3o geral do recurso, incluindo o contexto do motivo pelo qual o desenvolvemos e os tipos de aplicativos que ele oferece. <\/ins>pode permitir. Tamb\u00e9m demonstramos o uso da Predictive API com um exemplo. Voc\u00ea pode consultar o exemplo documenta\u00e7\u00e3o<\/a> para obter informa\u00e7\u00f5es espec\u00edficas sobre a API e exemplos de trechos de c\u00f3digo.<\/p>\n

Aprendizado de m\u00e1quina em dispositivos m\u00f3veis - Motiva\u00e7\u00e3o<\/h2>\n

Tradicionalmente, o aprendizado de m\u00e1quina tem sido feito na nuvem. Com acesso a recursos de computa\u00e7\u00e3o e armazenamento \"ilimitados\", parecia ser o \u00fanico lugar vi\u00e1vel para fazer isso. Embora isso possa ser verdade para determinados aplicativos, h\u00e1 v\u00e1rios motivos para executar o aprendizado de m\u00e1quina localmente em um dispositivo m\u00f3vel.<\/p>\n

R\u00e1pido e responsivo<\/h3>\n

Ao evitar o tempo de ida e volta para a nuvem, \u00e9 poss\u00edvel garantir que os tempos de resposta \u00e0s previs\u00f5es sejam da ordem de alguns milissegundos, independentemente do estado da conex\u00e3o de rede. Isso \u00e9 importante, pois a capacidade de resposta de um aplicativo est\u00e1 diretamente relacionada \u00e0 experi\u00eancia do usu\u00e1rio final, o que \u00e9 importante para a reten\u00e7\u00e3o do aplicativo.<\/p>\n

Sempre dispon\u00edvel<\/h3>\n

Ao executar o aprendizado de m\u00e1quina localmente no dispositivo, voc\u00ea pode fazer previs\u00f5es mesmo em estado desconectado. Seu aplicativo e seus dados est\u00e3o sempre dispon\u00edveis. Isso \u00e9 particularmente relevante no caso de aplicativos de campo implantados em ambientes desconectados.<\/p>\n

Privacidade de dados<\/h3>\n

A execu\u00e7\u00e3o de previs\u00f5es localmente no dispositivo implica que os dados confidenciais n\u00e3o precisam sair do dispositivo. Voc\u00ea pode usar isso para criar aplicativos com experi\u00eancias altamente personalizadas sem comprometer as restri\u00e7\u00f5es de privacidade de dados.<\/p>\n

Economia de largura de banda<\/h3>\n

Ao evitar a necessidade de transferir dados para a nuvem, voc\u00ea pode economizar nos custos de largura de banda. Isso \u00e9 particularmente importante no caso de ambientes com restri\u00e7\u00f5es de largura de banda de rede, em que os planos de dados s\u00e3o mais caros.<\/p>\n

Todos os benef\u00edcios mencionados acima se alinham bem com o paradigma de computa\u00e7\u00e3o de borda<\/a> onde h\u00e1 uma necessidade crescente de levar o armazenamento e a computa\u00e7\u00e3o para mais perto da borda.<\/p>\n

ML m\u00f3vel - Ecossistema<\/h2>\n

O ML m\u00f3vel \u00e9 uma realidade e h\u00e1 v\u00e1rios facilitadores de ecossistema que tornam isso poss\u00edvel.<\/p>\n

Dispositivos m\u00f3veis potentes<\/h3>\n

Os dispositivos m\u00f3veis est\u00e3o se tornando incrivelmente poderosos. Por exemplo, o rec\u00e9m-lan\u00e7ado iPhone11<\/a> e Pixel 4<\/a> incluem mecanismos de n\u00facleo neural dedicados. A inova\u00e7\u00e3o na camada de sil\u00edcio torna vi\u00e1vel a execu\u00e7\u00e3o de modelos de ML localmente em dispositivos m\u00f3veis. Ao aproveitar os recursos de acelera\u00e7\u00e3o de hardware da plataforma, os modelos podem ser executados de forma eficiente.<\/p>\n

Modelos otimizados para celular<\/h3>\n

Tradicionalmente, os modelos de aprendizado de m\u00e1quina t\u00eam exigido muito armazenamento e computa\u00e7\u00e3o. H\u00e1 v\u00e1rios esfor\u00e7os\/projetos em andamento para otimizar os modelos para utiliza\u00e7\u00e3o de recursos e, ao mesmo tempo, manter o n\u00edvel de precis\u00e3o necess\u00e1rio. H\u00e1 uma rede crescente de modelos de ML pr\u00e9-treinados de c\u00f3digo aberto, como MobileNet<\/a> e SqueezeNet<\/a> que s\u00e3o otimizados para serem executados em dispositivos m\u00f3veis.<\/p>\n

Estruturas de aprendizado de m\u00e1quina<\/h3>\n

Todas as principais plataformas m\u00f3veis incluem suporte para estruturas e bibliotecas de aprendizado de m\u00e1quina que tornam extremamente f\u00e1cil para os desenvolvedores integrar o suporte de aprendizado de m\u00e1quina em seus aplicativos. Essas estruturas aproveitam a acelera\u00e7\u00e3o de hardware e as APIs de baixo n\u00edvel que as tornam muito eficientes. Os exemplos incluem N\u00facleo ML<\/a> para iOS, Tensorflow lite<\/a> para Android, ML.NET<\/a> para Windows e Kit ML<\/a> entre outros.<\/p>\n

Cria\u00e7\u00e3o de modelos de ML<\/h3>\n

H\u00e1 um n\u00famero crescente de ferramentas e plataformas de c\u00f3digo aberto, como TensorFlow<\/a> e createML<\/a> que facilitam mais do que nunca a cria\u00e7\u00e3o de modelos de aprendizado de m\u00e1quina. Voc\u00ea n\u00e3o precisa ser um cientista de dados para criar um modelo.<\/p>\n

API de consulta preditiva<\/h2>\n

A API Predictive Queries permite que os aplicativos m\u00f3veis aproveitem modelos de aprendizado de m\u00e1quina (ML) pr\u00e9-treinados para fazer previs\u00f5es sobre os dados do Couchbase Lite. A API pode ser usada para combinar previs\u00f5es em tempo real feitas sobre dados inseridos no aplicativo em tempo real com previs\u00f5es sobre dados do aplicativo armazenados no Couchbase Lite.<\/p>\n

Por constru\u00e7\u00e3o \u00edndice de previs\u00e3o<\/a> Durante o tempo de grava\u00e7\u00e3o, os usu\u00e1rios podem ver melhorias significativas no desempenho de suas consultas. Os resultados da previs\u00e3o podem ser materializados no Couchbase Lite e sincronizados com outros clientes por meio de Gateway de sincroniza\u00e7\u00e3o<\/a>.<\/p>\n

Aplicativos<\/h3>\n

H\u00e1 v\u00e1rias aplica\u00e7\u00f5es de aprendizado de m\u00e1quina em dispositivos m\u00f3veis, incluindo classifica\u00e7\u00f5es de imagens, reconhecimento de voz, reconhecimento de objetos e sistemas de recomenda\u00e7\u00e3o baseados em conte\u00fado. A combina\u00e7\u00e3o dessas previs\u00f5es com os dados armazenados no Couchbase Lite tem o potencial de revolucionar as atividades cotidianas em v\u00e1rios setores. Todos esses aplicativos se beneficiam da execu\u00e7\u00e3o do aprendizado de m\u00e1quina localmente, ou seja, alta disponibilidade garantida, resposta mais r\u00e1pida, uso eficiente da largura de banda da rede e privacidade dos dados. Aqui est\u00e3o alguns exemplos<\/p>\n

Varejo e com\u00e9rcio eletr\u00f4nico<\/h4>\n

Considere este fluxo de trabalho
\n- Voc\u00ea entra em uma loja com uma foto de um item de interesse. Por exemplo, a foto de uma bolsa que voc\u00ea viu em algu\u00e9m.
\n- Voc\u00ea se dirige ao vendedor para perguntar se o item est\u00e1 dispon\u00edvel.
\n- O vendedor tira uma foto do item com seu tablet que est\u00e1 executando um aplicativo de cat\u00e1logo\/estoque
\n- A imagem capturada \u00e9 usada para pesquisar o banco de dados do cat\u00e1logo da loja para determinar sua disponibilidade.
\n- Se o item estiver dispon\u00edvel na loja, voc\u00ea ser\u00e1 direcionado para o corredor correto. Tamb\u00e9m podem ser apresentadas alternativas e recomenda\u00e7\u00f5es sobre outros itens relacionados.<\/p>\n

\"Machine<\/figure>\n

A pesquisa baseada em imagens aumenta a experi\u00eancia de pesquisa mais tradicional baseada em texto e at\u00e9 mesmo baseada em voz, que depende da capacidade do usu\u00e1rio de descrever o item de interesse. Os aplicativos com busca baseada em imagens podem melhorar significativamente a experi\u00eancia de compra on-line e na loja. Embora as vantagens da pesquisa baseada em imagens sejam bastante \u00f3bvias no caso de aplicativos de com\u00e9rcio eletr\u00f4nico, fluxos de trabalho como o descrito acima oferecem uma oportunidade para as lojas tradicionais competirem com as experi\u00eancias de compras on-line.<\/p>\n

Nos bastidores, o aplicativo de cat\u00e1logo\/invent\u00e1rio usa um modelo de ML de classificador de imagem para identificar o item que \u00e9 capturado usando a c\u00e2mera do tablet. Uma vez identificado, o aplicativo consulta o banco de dados local do Couchbase Lite para verificar se o item est\u00e1 dispon\u00edvel na loja e recupera outros detalhes relevantes, como se est\u00e1 em estoque e o corredor onde pode ser encontrado. As imagens nunca saem do aplicativo da loja e podem ser exclu\u00eddas localmente ap\u00f3s o uso, aliviando qualquer preocupa\u00e7\u00e3o com a privacidade.<\/p>\n

Hospitalidade<\/h4>\n

Considere um quiosque de autoatendimento em um restaurante de fast food. Aqui est\u00e1 um fluxo de trabalho t\u00edpico.
\n- Voc\u00ea se dirige ao quiosque equipado com uma c\u00e2mera que captura sua imagem (voc\u00ea tem que optar por participar)
\n- A imagem facial capturada \u00e9 usada para consultar o banco de dados de clientes registrados para identificar suas prefer\u00eancias
\n- O sistema pode obter o hist\u00f3rico de pedidos, sugerir pedidos de refei\u00e7\u00f5es, aplicar pontos de fidelidade e outros. Seu pedido pode ser feito usando as informa\u00e7\u00f5es de cart\u00e3o de cr\u00e9dito registradas.<\/p>\n

\"Machine<\/figure>\n

Os quiosques de autoatendimento s\u00e3o bastante onipresentes e revolucionaram a experi\u00eancia de pedidos de refei\u00e7\u00f5es ao reduzir os tempos de espera, resultando em um servi\u00e7o mais r\u00e1pido. Equipar esses quiosques com a tecnologia de reconhecimento facial pode tornar essa experi\u00eancia ainda mais perfeita e r\u00e1pida.<\/p>\n

Nos bastidores, o quiosque est\u00e1 executando um aplicativo que usa um modelo de ML de reconhecimento facial, como OpenFace<\/a> para gerar uma impress\u00e3o digital exclusiva da imagem facial capturada. Em seguida, o aplicativo executa uma correspond\u00eancia de similaridade<\/em> entre a impress\u00e3o digital da imagem facial capturada e as impress\u00f5es digitais das imagens no banco de dados Couchbase Lite para identificar a correspond\u00eancia mais pr\u00f3xima.<\/p>\n

Apresenta\u00e7\u00e3o dos recursos<\/h3>\n

A melhor maneira de entender como a API funciona \u00e9 por meio de um exemplo. Nesta publica\u00e7\u00e3o, descreverei como voc\u00ea pode implementar o aplicativo de reconhecimento facial discutido acima usando a API Predictive Query. Esse \u00e9 provavelmente o fluxo de trabalho mais complicado. O aplicativo de pesquisa baseado em imagem usando o modelo de classificador segue um padr\u00e3o semelhante, exceto pelo fato de ser muito mais simples.<\/p>\n