Studium przypadku Lose It! Wykorzystuje ML Kit do
wyodrębniania danych z etykiet żywienia
i poprawiania wygody użytkowników
wyodrębniania danych z etykiet żywienia
i poprawiania wygody użytkowników
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/lose-it/lose_it-1.png?authuser=8&%3Bhl=pl&hl=pl)
Od 2008 roku kanał Lose It! pomogł ponad 30 milionom osób zrzucić ponad 50 kg. Aplikacja pomaga użytkownikom zarządzać dietą, ułatwiając zapisywanie jedzenia, a ich zespoły produktowe stale szukają nowych sposobów na uproszczenie.
Zespół odpowiedzialny za funkcję Lose It! po raz pierwszy wprowadził Snap It – algorytm rozpoznawania obiektów, który za pomocą zdjęć pomaga użytkownikom zapisywać ulubione jedzenie. Wysoki koszt mocy obliczeniowej wymagał jednak użycia serwera GPU, co oznaczało, że interfejs nie był dostępny w czasie rzeczywistym.
Mniej więcej w tym samym czasie zespół chciał też dodać funkcję skanowania etykiety żywieniowej, ale czas poświęcony na analizę serwera był nieco mniejszy niż w przypadku, gdy użytkownik sam wpisał informacje. Różne szybkości i sygnały sieci komórkowej mogą wpływać na wygodę użytkowników, dlatego nie są w stanie zagwarantować spójnej wydajności.
Zespół Przegrany Co może zrobić, aby przyspieszyć wczytywanie?
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/lose-it/lose_it-2.png?authuser=8&%3Bhl=pl&hl=pl)
Zastosowane rozwiązanie
Zespół zwrócił się do firmy ML Kit o rozwiązanie problemów z szybkością. „Korzystanie z pakietu ML Kit okazał się niezwykle przydatne przy wdrażaniu funkcji rozpoznawania żywności, Snap It, wykorzystującej skompresowane, kwantyzowane modele TF Lite” – mówi Edward W. Dr Lowe, Jr. Dyrektor ds. badania danych i sztucznej inteligencji w Los It! Wcześniej algorytm Snap It był wdrażany na serwerze, co oznaczało przesyłanie obrazu jedzenia na serwer, aby można było tego wnioskować. „Niestandardowy model hostowany przez ML Kit pozwolił nam płynnie wdrożyć kwantyzowany model Snap It, który pozwala naszym użytkownikom korzystać z tej funkcji w czasie rzeczywistym i bez połączenia z internetem” – mówi Dole. „Dzięki interfejsowi API rozpoznawania tekstu na urządzeniu udało nam się znacznie skrócić czas analizy obrazów na potrzeby odczytu wartości odżywczych”.
„Co ważne, pakiet ML Kit pozwolił nam hostować modele w Firebase” – dodał Robert. „Umożliwia to bezproblemowe aktualizowanie modeli na urządzeniu bez aktualizowania aplikacji, zmniejsza rozmiar aplikacji i pozwala na przeprowadzanie testów A/B. Odłączenie wdrożenia modeli od wersji aplikacji pozwala nam szybko reagować na zmiany zachowań użytkowników i lepiej radzić sobie z dryfem”.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/vision/case_study-lose_it.png?authuser=8&%3Bhl=pl&hl=pl)
Wyniki
Dzięki platformie ML Kit firma Lose It! mogła uruchomić powszechnie dostępny czytnik etykiet żywieniowych o wysokiej skuteczności. Użytkownicy mogą teraz po prostu zeskanować etykietę żywieniową, aby natychmiast podać informacje o wartościach odżywczych każdego nowego jedzenia. W przypadku skanera etykiet żywieniowych w większości przypadków informacje są rozpoznawane w ciągu niecałej sekundy. Użytkownik nie musi nawet robić zdjęcia. Aplikacja może pobierać informacje bezpośrednio z pola widzenia aparatu w czasie rzeczywistym.