Тематическое исследование Zyl сжимает свое приложение
на 50% с помощью ML Kit.
на 50% с помощью ML Kit.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=9&%3Bhl=ru&hl=ru)
Каждый день Zyl дает пользователям возможность заново открыть для себя одно особенное воспоминание и поделиться им со своими близкими. Используя анализ изображений, приложение идентифицирует значимые фотографии, видео и GIF-файлы из библиотек своих пользователей и отображает их по одному.
Изначально Zyl создавала свои собственные модели машинного обучения, чтобы определять изображения, вызывающие у пользователей самые значимые воспоминания. Но поскольку их модели работают непосредственно на устройстве пользователя, они также ограничены общими проблемами смартфонов, такими как время автономной работы и огромные рулоны носителей.
Поэтому команда создала новую модель для извлечения лиц и объектов из пользовательской медиатеки и попыталась пометить их максимально эффективным по размеру и энергопотреблению способом. Но они быстро оказались перегружены моделью на 200 МБ, которая замедляла работу приложения и нарушала удобство работы с пользователем!
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=9&%3Bhl=ru&hl=ru)
Что они сделали
Zyl реализовал API-интерфейсы обнаружения лиц и маркировки изображений ML Kit, которые обеспечили достаточно тяжелой работы, чтобы выполнить работу, не замедляя работу приложения. «Он идеально подходил для наших нужд, — сказал Орельен Сибриль, технический директор Zyl. «Он работает быстро, занимает мало места в памяти и работает на устройстве с очень высокой точностью вывода». Кроме того, передав эту проблему на аутсорсинг ML Kit, команда Zyl могла бы уделять больше времени более мелким моделям машинного обучения, более специфичным для их отрасли и бизнес-модели.
Интеграция прошла быстро и легко — всего за несколько недель продукт был запущен в работу. «Использование нашей собственной модели потребовало большого количества интеграционных тестов, чтобы убедиться, что мобильная команда и команда специалистов по обработке и анализу данных понимают потребности друг друга. Вместо этого использование ML Kit сэкономило нам недели интеграции», — сказала Сибрил.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=9&%3Bhl=ru&hl=ru)
Результаты
Переключение модели обнаружения громоздких объектов Zyl на API-интерфейсы ML Kit немедленно повлияло на производительность приложения, что, в свою очередь, повысило удовлетворенность пользователей. Сразу же размер их приложения сократился на 50%.
API обнаружения лиц ML Kit также работает в 85 раз быстрее, чем их исходная модель, освобождая команду от большого количества дополнительной обработки. Теперь они могут снова сосредоточиться на своем основном продукте, не беспокоясь о поддержке стандартных функций глубокого обучения.