Nghiên cứu điển hình Lose It! sử dụng Bộ công cụ máy học để
trích xuất dữ liệu từ nhãn dinh dưỡng
và cải thiện trải nghiệm người dùng
trích xuất dữ liệu từ nhãn dinh dưỡng
và cải thiện trải nghiệm người dùng
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/lose-it/lose_it-1.png?authuser=2&%3Bhl=vi&hl=vi)
Kể từ năm 2008, Lose It! đã giúp hơn 30 triệu người giảm hơn 50 triệu bảng. Ứng dụng này giúp người dùng quản lý chế độ ăn của mình bằng cách ghi lại nhật ký món ăn một cách dễ dàng nhất. Nhóm sản phẩm của họ luôn tìm kiếm những cách mới để làm cho mọi thứ trở nên đơn giản hơn.
Đội ngũ đằng sau Los It! đã giới thiệu Snap It, một thuật toán nhận dạng đối tượng được thiết kế để giúp người dùng ghi lại các món ăn yêu thích của họ chỉ bằng cách chụp ảnh. Nhưng chi phí tính toán cao của thuật toán đòi hỏi việc sử dụng máy chủ GPU, đồng nghĩa với việc họ không thể cung cấp trải nghiệm theo thời gian thực.
Đồng thời, nhóm cũng muốn thêm tính năng quét nhãn dinh dưỡng, nhưng thời gian phân tích máy chủ chỉ nhanh hơn một chút so với khi người dùng chỉ nhập thông tin. Ngoài ra, do tốc độ và tín hiệu mạng di động có thể thay đổi hoặc làm hỏng trải nghiệm người dùng, nên chúng không thể đảm bảo hiệu suất nhất quán.
Nhóm Los It! biết rằng người dùng của họ sẽ thích cả hai tính năng này, nhưng chỉ khi họ có thể làm cho họ nhanh chóng đến mức cung cấp trải nghiệm theo thời gian thực. Vậy họ có thể làm gì để đẩy nhanh tiến độ?
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/lose-it/lose_it-2.png?authuser=2&%3Bhl=vi&hl=vi)
Giải pháp
Nhóm này đã chuyển sang dùng bộ công cụ máy học để giải quyết các vấn đề về tốc độ. “Bộ công cụ máy học đã được chứng minh cực kỳ hữu ích trong việc triển khai tính năng nhận dạng thực phẩm của chúng tôi, Snap It, sử dụng các mô hình TF Lite dạng nén, định lượng”, Edward W cho biết. Lowere, Jr.D. Giám đốc Khoa học dữ liệu và AI của Los It! Trước đây, thuật toán Snap It đã được triển khai trên một máy chủ, đòi hỏi phải chuyển hình ảnh thực phẩm sang máy chủ để dự đoán. Tuy nhiên, "một mô hình tùy chỉnh do Bộ công cụ máy học lưu trữ cho phép chúng tôi triển khai liền mạch mô hình lượng tử Snap It trên thiết bị, cho phép người dùng sử dụng tính năng này theo thời gian thực mà không cần kết nối dữ liệu". “Và bằng cách tận dụng API nhận dạng văn bản trên thiết bị, chúng tôi đã có thể giảm đáng kể thời gian phân tích hình ảnh để đọc nhãn dinh dưỡng.”
“Điều quan trọng là Bộ công cụ máy học cho phép chúng tôi lưu trữ các mô hình trong Firebase”, Highe cho biết thêm. “Điều này cho phép chúng tôi cập nhật mô hình một cách liền mạch trên thiết bị mà không cần cập nhật ứng dụng, giảm kích thước ứng dụng và cho phép chúng tôi chạy các phiên bản mô hình thử nghiệm A/B. Việc ngắt kết nối mô hình triển khai khỏi bản phát hành ứng dụng cho phép chúng tôi nhanh chóng phản hồi với các thay đổi về hành vi của người dùng và để đối phó tốt hơn với sự cố tràn."
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/vision/case_study-lose_it.png?authuser=2&%3Bhl=vi&hl=vi)
Kết quả
Nhờ Bộ công cụ máy học, Los It! đã ra mắt được một trình đọc nhãn dinh dưỡng hiệu suất cao, có hiệu suất cao. Giờ đây, người dùng có thể chỉ cần quét nhãn dinh dưỡng để nhanh chóng điền thông tin dinh dưỡng cho bất kỳ thực phẩm mới nào. Đối với trình quét nhãn dinh dưỡng, hầu hết các trường hợp đều được nhận dạng thông tin trong vòng chưa đến một giây. Người dùng thậm chí không cần chụp ảnh mà ứng dụng có thể lấy thông tin ngay từ chế độ xem máy ảnh theo thời gian thực.