우수사례 Lose It!은 ML Kit를 사용하여
영양 성분 라벨에서 데이터를 추출
하고 사용자 경험을 개선합니다
영양 성분 라벨에서 데이터를 추출
하고 사용자 경험을 개선합니다
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/lose-it/lose_it-1.png?authuser=6&%3Bhl=ko&hl=ko)
2008년부터 Lose It!은 3,000만 명이 넘는 사용자가 5,000만 파운드를 감량하는 데 도움을 주었습니다. 이 앱은 식단을 최대한 쉽게 기록하여 사용자가 식단을 관리하는 데 도움을 주고 있으며, 제품팀은 항상 더 간편한 방법으로 생활할 수 있는 새로운 방법을 모색하고 있습니다.
Lose It!의 개발팀은 사용자가 사진 촬영만으로 좋아하는 음식을 기록할 수 있도록 고안된 사물 인식 알고리즘인 Snap It을 도입했습니다. 하지만 높은 알고리즘 연산 비용이 필요하여 GPU 서버를 사용해야 했기 때문에 실시간으로 경험을 제공할 수 없었습니다.
그와 동시에 Google은 영양 성분표 스캔 기능도 추가하고 싶었지만, 사용자가 직접 정보를 입력하는 경우보다 서버 분석 시간이 다소 빨랐습니다. 또한 가변적인 셀 네트워크 속도와 신호로 사용자 환경이 개선되거나 중단될 수 있기 때문에 일관된 성능을 보장할 수 없었습니다.
Lose It! 팀은 사용자가 두 기능을 모두 원할 것이라는 것을 알고 있었지만, 그러한 경험을 실시간으로 제공할 수 있을 만큼 빠르게 만들 수 있는 경우에만 가능합니다. 그렇다면 이 비즈니스의 속도를 높이기 위해 무엇을 할 수 있을까요?
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/lose-it/lose_it-2.png?authuser=6&%3Bhl=ko&hl=ko)
진행한 작업
팀은 속도 문제를 해결하기 위해 ML Kit를 선택했습니다. “ML Kit는 음식 인식 기능인 Snap It을 배포하는 데 매우 유용하다는 사실을 입증했습니다. 압축된 퀀트 TF Lite 모델을 사용했기 때문입니다.”라고 에드워드 W. Lowe, Jr. 박사 Lose It! 데이터 과학 및 AI 부문 이사 이전에는 Snap It 알고리즘이 서버에 배포되어 추론을 위해 음식 이미지를 서버로 전송해야 했습니다. Lowe는 “ML Kit에서 호스팅하는 커스텀 모델을 통해 양자화한 Snap It 모델을 기기에서 원활하게 구현할 수 있었습니다. 덕분에 사용자가 데이터 연결 없이 이 기능을 실시간으로 활용할 수 있게 되었습니다. "또한 기기 내 텍스트 인식 API를 활용하여 영양 성분 라벨을 읽을 때 이미지 분석 시간을 크게 줄일 수 있었습니다."
“중요하며, ML Kit를 사용하면 Firebase에서 모델을 호스팅할 수 있습니다.”라고 Lowe는 덧붙입니다. 이를 통해 앱을 업데이트하지 않고도 기기에서 모델을 원활하게 업데이트하고, 앱 크기를 줄이고, 모델 버전의 A/B 테스트를 진행할 수 있게 되었습니다. 앱 출시에서 모델 배포를 연결 해제하면 변화하는 사용자 행동에 빠르게 대응하고 드리프트에 더 잘 대처할 수 있습니다.”
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/vision/case_study-lose_it.png?authuser=6&%3Bhl=ko&hl=ko)
결과
ML Kit 덕분에 Lose It!은 널리 사용되는 고성능 영양 라벨 리더를 출시할 수 있었습니다. 이제 영양소 라벨을 스캔하여 새로운 영양소 정보를 즉시 입력할 수 있습니다. 영양 성분 스캐너는 대부분의 경우 1초 이내에 정보가 인식됩니다. 사용자가 사진을 찍지 않아도 됩니다. 앱이 카메라 뷰에서 실시간으로 정보를 바로 가져올 수 있기 때문입니다.