個案研究 Lose It! 使用 ML Kit
從營養標籤擷取資料
並改善使用者體驗
從營養標籤擷取資料
並改善使用者體驗
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/lose-it/lose_it-1.png?authuser=7&%3Bhl=zh-tw&hl=zh-tw)
自 2008 年起,Lose It! 已協助超過 3,000 萬人減重超過 5,000 萬磅。這款應用程式可讓使用者盡可能簡化飲食記錄,協助他們管理飲食,產品團隊也不斷尋找新的方法,簡化購物流程。
Lose It! 幕後團隊推出 Snap It,這款物件辨識演算法旨在協助使用者拍照,記錄使用者喜愛的食物。不過,演算法的高運算成本要求使用 GPU 伺服器,因此無法即時提供體驗。
同時,該團隊還想要新增營養標籤掃描功能,但伺服器分析時間比使用者自行輸入資訊來得快。此外,由於行動行動網路的速度和信號可能會影響使用者體驗,因此無法保證效能。
Lose It! 團隊知道使用者會喜歡這兩項功能,但前提是使用者移動的速度必須夠快,才能提供即時體驗。他們該如何加快腳步?
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/lose-it/lose_it-2.png?authuser=7&%3Bhl=zh-tw&hl=zh-tw)
具體措施
因此團隊採用機器學習套件來解決速度問題。Edward W. 表示:「機器學習套件部署了 Snap Lite 模型,以及使用壓縮量化 TF Lite 模型來部署食物辨識功能。Lowe, Jr. 博士,Lose It 資料科學和 AI 總監!先前,Snap It 演算法是部署在伺服器中,不需要將食物圖片傳輸到伺服器進行推論。但 Lowe 表示:「透過 ML Kit 代管的自訂模型,讓我們能夠順暢地將量化的 Snap It 模型導入到裝置上,讓使用者在沒有數據連線的狀態下即時使用這項功能。「透過裝置端文字辨識 API,我們大幅縮短了營養標籤讀取作業的圖片分析時間。」
「更重要的是,ML Kit 讓我們能在 Firebase 中託管模型。」「因此,我們無須更新應用程式即可在裝置上順暢更新模型、縮減應用程式大小,並讓我們進行 A/B 測試模型版本更新。將模型部署作業與應用程式版本取消連結後,我們就能迅速回應瞬息萬變的使用者行為,進而進一步因應偏移問題。」
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/vision/case_study-lose_it.png?authuser=7&%3Bhl=zh-tw&hl=zh-tw)
結果
拜機器學習技術所賜,Lose It! 得以推出廣泛且高效能的營養標籤讀卡機。使用者只要掃描營養標籤,就能立即為任何新食物輸入營養資訊。就營養標籤掃描器而言,在大多數情況下,系統不到 1 秒即可識別出資訊。使用者不必拍照,應用程式也可以從相機檢視畫面即時擷取資訊。