Case study Zyl riduce l'app
del 50% utilizzando il ML Kit.
del 50% utilizzando il ML Kit.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=3&%3Bhl=it&hl=it)
Ogni giorno, Zyl offre agli utenti la possibilità di riscoprire un ricordo speciale e condividerlo con i propri cari. L'analisi delle immagini consente di identificare foto, video e GIF significativi dalle raccolte degli utenti e di mostrarli uno alla volta.
All'inizio, Zyl ha creato i propri modelli di machine learning per identificare le immagini che avrebbero suscitato i ricordi più significativi per i suoi utenti. Tuttavia, poiché i modelli funzionano direttamente sul dispositivo dell'utente, sono limitati anche da problemi comuni degli smartphone, come la durata della batteria e i enormi rotoli multimediali.
Quindi, il team ha creato un nuovo modello per estrarre i volti e gli oggetti dalla raccolta dei contenuti multimediali dell'utente e ha provato a etichettarli nel modo più efficiente dal punto di vista energetico e delle dimensioni. Tuttavia, l'azienda è stata sommersa di modelli da 200 MB che rallentavano l'app e compromettevano l'esperienza incentrata sull'utente.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=3&%3Bhl=it&hl=it)
Cosa hanno fatto
Zyl ha implementato le API di rilevamento dei volti e etichettatura delle immagini di ML Kit, che fornivano solo la giusta quantità di lavoro pesante per svolgere il lavoro senza rallentare l'app. "Era perfetta per le nostre esigenze", ha affermato Aurelien Sibril, CTO di Zyl. "Funziona rapidamente, ha un ingombro minimo della memoria e viene eseguito sul dispositivo con un'elevata precisione di output." Inoltre, esternalizzando questo problema a ML Kit, il team di Zyl potrebbe dedicare più tempo a modelli di machine learning più piccoli e più specifici per il suo settore e il suo modello di business.
L'integrazione è stata semplice e veloce, nel giro di poche settimane dalla fase di produzione. "L'utilizzo del nostro modello ha richiesto molti test di integrazione per garantire che il team mobile e il team di data science comprendessero le esigenze degli altri. L'utilizzo di ML Kit ci ha invece fatto risparmiare settimane di integrazione", ha affermato Sibril.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=3&%3Bhl=it&hl=it)
Risultati
Il passaggio dal modello di rilevamento di oggetti ingombrante di Zyl alle API ML Kit ha avuto un effetto immediato sulle prestazioni dell'app, il che a sua volta ha aumentato la soddisfazione degli utenti. Le dimensioni della sua app si sono ridotte immediatamente del 50%.
L'API di rilevamento dei volti di ML Kit viene eseguita 85 volte più velocemente di quanto dedotto dal modello originale, liberando il team da una notevole mole di lavoro extra. Ora può concentrarsi di nuovo sul prodotto principale, senza doversi preoccupare di mantenere una funzionalità standard di deep learning.