ML Kit

از سال 2008، آن را از دست بده! به بیش از 30 میلیون نفر کمک کرده تا بیش از 50 میلیون پوند از دست بدهند. این برنامه به کاربران کمک می‌کند تا با آسان‌تر کردن ثبت مواد غذایی، رژیم‌های غذایی خود را مدیریت کنند و تیم‌های محصول آنها همیشه به دنبال راه‌های جدیدی برای ساده‌تر کردن کارها هستند.

تیم پشت Lose It! اولین بار Snap It را معرفی کرد، یک الگوریتم تشخیص اشیا که به کاربران کمک می کند غذاهای مورد علاقه خود را فقط با گرفتن عکس ثبت کنند. اما هزینه محاسباتی بالای الگوریتم استفاده از یک سرور GPU را ضروری می کرد، به این معنی که آنها قادر به ارائه این تجربه در زمان واقعی نبودند.

تقریباً در همان زمان، تیم همچنین می خواست یک ویژگی اسکن برچسب تغذیه را اضافه کند، اما زمان تجزیه و تحلیل سرور فقط کمی سریعتر از زمانی بود که کاربر فقط اطلاعات را وارد کند. به علاوه، از آنجایی که سرعت شبکه سلولی متغیر و سیگنال‌ها می‌توانند تجربه کاربر را ایجاد یا از بین ببرند، نمی‌توانند عملکرد ثابت را تضمین کنند.

از دست دادن آن! تیم می‌دانست که کاربرانشان هر دو ویژگی را دوست خواهند داشت، اما فقط در صورتی که بتوانند آن‌ها را به اندازه‌ای سریع بسازند که تجربه را در زمان واقعی ارائه دهند. بنابراین آنها برای سرعت بخشیدن به اوضاع چه کاری می توانند انجام دهند؟

این تیم برای حل مشکلات سرعت خود به ML Kit روی آوردند. ادوارد دبلیو لو، دکترای جونیور، مدیر علوم داده و هوش مصنوعی در Lose It، گفت: «کیت ML برای به کارگیری ویژگی تشخیص غذا، Snap It، با استفاده از مدل‌های فشرده‌شده و کوانتیزه‌شده TF Lite، بسیار مفید است. پیش از این، الگوریتم Snap It بر روی یک سرور مستقر شده بود که نیاز به انتقال تصویر غذا به سرور برای استنتاج داشت. لو گفت: «یک مدل سفارشی میزبانی شده توسط ML Kit به ما این امکان را می دهد که یک مدل Snap It کوانتیزه شده را به طور یکپارچه بر روی دستگاه پیاده سازی کنیم، که کاربران ما را قادر می سازد از این ویژگی در زمان واقعی و بدون اتصال داده استفاده کنند. "و با استفاده از API تشخیص متن روی دستگاه، ما توانستیم زمان تجزیه و تحلیل تصویر را برای خواندن برچسب تغذیه به میزان قابل توجهی کاهش دهیم."

لو اضافه کرد: «نکته مهم، کیت ML به ما اجازه می‌دهد مدل‌های میزبانی در Firebase را داشته باشیم. این به ما امکان می‌دهد بدون به‌روزرسانی برنامه، مدل‌های دستگاه را به‌طور یکپارچه به‌روزرسانی کنیم، اندازه برنامه را کاهش می‌دهد و به ما امکان می‌دهد نسخه‌های مدل A/B را آزمایش کنیم. قطع ارتباط استقرار مدل از انتشار برنامه به ما این امکان را می دهد که به سرعت به تغییر رفتار کاربر واکنش نشان دهیم و بهتر با دریفت کنار بیاییم.

با تشکر از کیت ML، آن را گم کنید! توانست یک برچسب خوان تغذیه با کارایی بالا را راه اندازی کند. کاربران اکنون می توانند به سادگی یک برچسب تغذیه را اسکن کنند تا فوراً اطلاعات تغذیه را برای هر غذای جدیدی پر کنند. در مورد اسکنر برچسب تغذیه، اطلاعات در بیشتر موارد در کمتر از یک ثانیه شناسایی می شود. کاربر حتی نیازی به گرفتن عکس ندارد—این برنامه می تواند اطلاعات را مستقیماً از نمای دوربین در زمان واقعی بیرون بکشد.