Fallstudie Zyl verkleinert mithilfe von ML Kit seine App
um 50 %.
um 50 %.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=3&%3Bhl=de&hl=de)
Zyl bietet Nutzern die Möglichkeit, jeden Tag eine besondere Erinnerung wiederzufinden und mit ihren Liebsten zu teilen. Mithilfe der Bildanalyse erkennt die App aussagekräftige Fotos, Videos und GIFs aus den Bibliotheken der Nutzer und stellt sie nacheinander zur Verfügung.
Ursprünglich erstellte Zyl ihre eigenen Modelle für maschinelles Lernen, um die Bilder zu identifizieren, die den Nutzern die besten Erinnerungen präsentieren. Da ihre Modelle jedoch direkt auf den Geräten der Nutzer laufen, sind sie auch durch häufige Smartphone-Probleme wie die Akkulaufzeit und große Medienrollen eingeschränkt.
Deshalb hat das Team ein neues Modell entwickelt, mit dem Gesichter und Objekte aus der Mediathek des Nutzers extrahiert werden können. Dabei wurde versucht, sie möglichst größe und energieeffizient zu kennzeichnen. Aber sie waren schnell überfordert mit einem 200-MB-Modell, das die App verlangsamte und den Nutzer in den Mittelpunkt rückte.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=3&%3Bhl=de&hl=de)
Die Vorgehensweise
Zyl implementierte die ML Kit APIs zur Gesichtserkennung und Bildbeschriftung, die genau die richtige Menge an Arbeiten zur Verfügung stellten, um die Arbeit zu erledigen, ohne die App zu verlangsamen. „Es war ideal für unsere Anforderungen“, so Aurelien Sibril, CTO bei Zyl. „Es läuft schnell, hat einen geringen Speicherbedarf und wird auf dem Gerät mit sehr guter Ausgabegenauigkeit ausgeführt.“ Außerdem konnte das Team bei Zyl mehr Zeit für kleinere Modelle für maschinelles Lernen aufwenden, die besser auf ihre Branche und ihr Geschäftsmodell abgestimmt sind.
Die Integration war schnell und einfach und dauerte nur wenige Wochen. „Die Verwendung unseres eigenen Modells erforderte viele Integrationstests, um dafür zu sorgen, dass das mobile Team und das Data-Science-Team die Anforderungen des jeweils anderen verstehen. Durch die Verwendung von ML Kit sparen wir uns Wochen an Integration“, so Sibril.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=3&%3Bhl=de&hl=de)
Ergebnisse
Der Wechsel des sperrigen Objekterkennungsmodells von Marie für die ML Kit-APIs wirkte sich sofort auf die App-Leistung aus, was wiederum die Zufriedenheit der Nutzer verbesserte. Die App-Größe schrumpfte sofort um 50%.
Die ML Kit Gesichtserkennungs-API wird außerdem 85-mal schneller als das ursprüngliche Modell ausgeführt, wodurch das Team von vielen zusätzlichen Verarbeitungen befreit wird. Jetzt können sie sich wieder auf ihr Kernprodukt konzentrieren, ohne sich Gedanken über die standardmäßige Deep-Learning-Funktion machen zu müssen.