Studi kasus Zyl menyusutkan aplikasi mereka
sebesar 50% menggunakan ML Kit.
sebesar 50% menggunakan ML Kit.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=7&%3Bhl=id&hl=id)
Setiap hari, Zyl memberi pengguna kesempatan untuk menemukan kembali satu kenangan khusus dan membagikannya kepada orang-orang tersayang. Dengan menggunakan analisis gambar, aplikasi ini mengidentifikasi foto, video, dan GIF yang bermakna dari koleksi penggunanya dan memunculkannya kembali satu per satu.
Awalnya, Zyl membuat model machine learning mereka sendiri untuk mengidentifikasi gambar yang akan memicu kenangan paling bermakna bagi pengguna mereka. Namun, karena model dijalankan langsung di perangkat pengguna, model tersebut juga dibatasi oleh masalah umum smartphone, seperti masa pakai baterai dan media roll yang besar.
Jadi, tim membuat model baru untuk mengekstrak wajah dan objek dari koleksi media pengguna serta mencoba melabelinya dengan cara yang hemat energi dan ukuran. Namun, mereka dengan cepat mendapati diri mereka kewalahan dengan model 200 MB yang memperlambat aplikasi dan merusak pengalaman yang mengutamakan pengguna.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=7&%3Bhl=id&hl=id)
Yang mereka lakukan
Zyl menerapkan API deteksi wajah dan pelabelan gambar pada ML Kit yang memberikan pengangkatan berat dalam jumlah yang tepat untuk melakukan tugas tersebut, tanpa memperlambat aplikasi. “Ini sangat cocok untuk kebutuhan kami,” ucap Aurelien Sibril, CTO di Zyl. “Proses ini berjalan cepat, memiliki jejak memori yang kecil, dan berjalan di perangkat dengan akurasi output yang sangat baik.” Selain itu, dengan mengalihkan masalah ini ke ML Kit, tim di Zyl dapat menghabiskan lebih banyak waktu untuk model machine learning yang lebih kecil dan lebih spesifik untuk industri dan model bisnis mereka.
Integrasinya cepat dan mudah — dalam beberapa minggu saja, produksinya selesai. “Menggunakan model kami sendiri memerlukan banyak pengujian integrasi untuk memastikan tim seluler dan tim data science memahami kebutuhan satu sama lain. Dengan menggunakan ML Kit, kami bisa menghemat waktu integrasi selama berminggu-minggu,” ucap Sibril.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=7&%3Bhl=id&hl=id)
Hasil
Beralih model deteksi objek Zyl yang besar untuk ML Kit API berdampak langsung pada performa aplikasi, yang kemudian meningkatkan kepuasan pengguna. Ukuran aplikasi mereka langsung berkurang 50%.
API deteksi wajah ML Kit juga berjalan 85 kali lebih cepat dalam inferensi daripada model aslinya, sehingga tim tidak perlu melakukan banyak pemrosesan tambahan. Kini mereka dapat berfokus pada produk inti lagi, tanpa perlu mengkhawatirkan fungsi deep learning standar.