Każdego dnia Zyl daje użytkownikom szansę na odkrycie jednej wyjątkowej wspomnienia i udostępnienie jej bliskim. Korzystając z analizy obrazów, aplikacja rozpoznaje istotne zdjęcia, filmy i GIF-y z bibliotek użytkowników i wyświetla je pojedynczo.

Początkowo Zyl stworzył własne modele systemów uczących się, aby identyfikować obrazy, które będą u nich najcenniejsze wspomnienia. Ich modele są jednak dostępne bezpośrednio na urządzeniu użytkownika, więc występują też problemy z smartfonami, takie jak żywotność baterii czy ogromne rolki z multimediów.

Dlatego też zespół stworzył nowy model do wyodrębniania twarzy i obiektów z biblioteki użytkownika i próbował oznaczyć je etykietami w najbardziej efektywny sposób i energooszczędnie. Szybko okazało się jednak, że model 200 MB spowalnia aplikację i pogarsza wrażenia użytkowników.

Zofia wdrożyła interfejsy API do wykrywania twarzy i dodawania etykiet do obrazów w ML Kit, które zapewniły odpowiednią ilość pracy bez zwalniania aplikacji. „To było idealne dla naszych potrzeb” – powiedział Aurelien Sibril, dyrektor ds. technologii w firmie Zyl. „Działa szybko, ma mały rozmiar i działa na urządzeniu z dobrą dokładnością”. Dodatkowo dzięki Zleceniu polegającemu na przekazaniu problemu do ML Kit zespół Zyl mógł poświęcić więcej czasu na mniejsze modele systemów uczących się, które lepiej pasują do ich branży i modelu biznesowego.

Integracja była szybka i łatwa – w ciągu zaledwie kilku tygodni została utworzona. „Użycie własnego modelu wymagało wielu testów integracji, aby mieć pewność, że zespół mobilny i zespół ds. badania danych rozumieją nawzajem swoje potrzeby. Używanie ML Kit zaoszczędziło nam kilku tygodni integracji” – mówi Sibril.

Zmiana modelu zbiorczego wykrywania obiektów na potrzeby interfejsów ML Kit API na reklamę w aplikacji Zyl miała natychmiastowy wpływ na wydajność aplikacji, co z kolei przełożyło się na większe zadowolenie użytkowników. Wielkość aplikacji od razu spadła o 50%.

Interfejs ML Kit do wykrywania twarzy działa również 85 razy szybciej niż pierwotny model, co sprawia, że zespół nie musi zajmować się dodatkowym przetwarzaniem. Teraz może ponownie skupić się na swoim podstawowym produkcie, nie martwiąc się o zachowanie standardowych funkcji deep learning.