دراسة حالة "زيل" يتقلّص من تطبيقها
بنسبة% 50 باستخدام حزمة تعلّم الآلة.
بنسبة% 50 باستخدام حزمة تعلّم الآلة.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=8&%3Bhl=ar&hl=ar)
ويمنح Zyl المستخدمين يومًا ما فرصة لإعادة اكتشاف ذكرى خاصة واحدة ومشاركتها مع أحبائهم. باستخدام تحليل الصور، يحدّد التطبيق الصور والفيديوهات وملفات GIF المفيدة من مكتبات المستخدمين ويعيد عرضها مرة واحدة كل مرة.
في البداية، أنشأ فريق Zyl نماذج تعلُّم الآلة الخاصة به لتحديد الصور التي تنشِئ الذكريات الأكثر أهمية لمستخدميه. ونظرًا لأن نماذجها تعمل مباشرةً على جهاز المستخدم، فإنها محدودة أيضًا بمشاكل الهاتف الذكي الشائعة مثل عمر البطارية وعمليات لف الوسائط الكبيرة.
لذلك، أنشأ الفريق نموذجًا جديدًا لاستخراج الوجوه والكائنات من مكتبة الوسائط الخاصة بالمستخدم وحاوِل تصنيفها بأساليب أكثر فعالية من حيث الحجم والطاقة. وسرعان ما وجدت الشركة نفسها مُربكة من خلال نموذج بحجم 200 ميغابايت يُبطئ التطبيق ويعطّل تجربة المستخدم.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=8&%3Bhl=ar&hl=ar)
الإجراءات التي اتخذتها الشركة
ونفّذت "زيلين" تقنية "التعرّف على الوجوه" وميزتَي "التعرّف على الوجوه" في ML Kit واللذين وفّرا لهما القدر المناسب من الجهد المبذول لتنفيذ هذه المهمة بدون إبطاء التطبيق. وقال "أورلين سيبريل"، رئيس قسم التكنولوجيا في شركة Zel: "تعمل هذه الأداة بشكل سريع وتتطلّب بصمة صغيرة على الذاكرة، وتعمل على الجهاز بدقة عالية جدًا في ما يتعلّق بالمخرجات. ومن خلال الاستعانة بمصادر خارجية لهذه المشكلة إلى استخدام حزمة تعلّم الآلة، يمكن لفريق الفريق في Zyl تخصيص وقت أطول على نماذج تعلّم الآلة الصغيرة الأكثر تحديدًا لمجال عملهم ونموذج نشاطه التجاري.
كانت عملية الدمج هذه سريعة وسهلة، إذ كانت في مرحلة الإنتاج خلال بضعة أسابيع فقط. "استلزم استخدام نموذجنا الكثير من اختبارات الدمج للتأكد من فهم فريق الأجهزة الجوّالة وفريق علوم البيانات لاحتياجات بعضهم البعض. وبدلاً من ذلك، استخدمنا ML Kit بدلاً من ذلك أسابيع من الدمج".
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=8&%3Bhl=ar&hl=ar)
النتائج
كان لتبديل نموذج اكتشاف العنصر الكبير لـ ZEL في واجهات برمجة التطبيقات لحزمة تعلّم الآلة تأثيرًا فوريًا في أداء التطبيق، ما أدى إلى زيادة رضا المستخدمين. وانخفض حجم تطبيقهم بنسبة 50% على الفور.
وتعمل أيضًا "واجهة برمجة تطبيقات اكتشاف الوجه في حزمة تعلّم الآلة" أيضًا على استنتاج أسرع من النموذج الأصلي بـ 85 ضعفًا، ما يوفّر على الفريق الكثير من المعالجة الإضافية. والآن، يمكنهم التركيز على منتجهم الأساسي مرة أخرى، بدون القلق بشأن الحفاظ على وظيفة عادية للتعلّم العميق.