Caso de éxito Zyl reduce su app
un 50% con ML Kit.
un 50% con ML Kit.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=3&%3Bhl=es&hl=es)
Todos los días, Zyl les brinda a los usuarios la oportunidad de redescubrir un recuerdo especial y compartirlo con sus seres queridos. Mediante el análisis de imágenes, la app identifica fotos, videos y GIF significativos de las bibliotecas de sus usuarios y los muestra de a uno.
Inicialmente, Zyl creó sus propios modelos de aprendizaje automático a fin de identificar las imágenes que generarían los recuerdos más significativos para sus usuarios. Sin embargo, debido a que sus modelos se ejecutan directamente en el dispositivo del usuario, también están limitados por problemas comunes con smartphones, como la duración de la batería y enormes rollos de medios.
Por lo tanto, el equipo creó un nuevo modelo para extraer rostros y objetos de la biblioteca de medios del usuario e intentó etiquetarlos de la manera más eficiente y con el mayor tamaño de energía posible. Sin embargo, rápidamente se sintieron abrumados con un modelo de 200 MB que ralentizaba la app y rompía la experiencia del usuario.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=3&%3Bhl=es&hl=es)
Qué hizo la empresa
Zyl implementó las API de detección de rostro y etiquetado de imágenes del Kit de AA, que proporcionaban la cantidad justa de trabajo pesado para hacer el trabajo sin ralentizar la app. "Era perfecto para nuestras necesidades", dijo Aurelien Sibril, director de Tecnología de Zyl. "Se ejecuta rápido, tiene una huella de memoria pequeña y funciona en el dispositivo con una precisión de salida muy buena". Además, al subcontratar este problema al Kit de AA, el equipo de Zyl podría dedicar más tiempo a modelos de aprendizaje automático más pequeños que sean más específicos según su industria y modelo de negocio.
La integración fue rápida y fácil, y en unas pocas semanas estuvo en producción. "Usar nuestro propio modelo requirió muchas pruebas de integración para asegurarnos de que el equipo de dispositivos móviles y el de ciencia de datos entendieran las necesidades de los demás. En cambio, usar el Kit de AA nos permitió ahorrar semanas de integración", expresó Sibril.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=3&%3Bhl=es&hl=es)
Resultados
El cambio del voluminoso modelo de detección de objetos de Zyl para las API del Kit de AA tuvo un efecto inmediato en el rendimiento de la app, lo que a su vez aumentó la satisfacción del usuario. De inmediato, el tamaño de sus apps disminuyó un 50%.
La API de detección de rostro del Kit de AA también ejecuta 85 veces más rápido en la inferencia que su modelo original, lo que libera al equipo de mucho procesamiento adicional. Ahora pueden volver a enfocarse en su producto principal sin tener que preocuparse por mantener una funcionalidad estándar de aprendizaje profundo.