กรณีศึกษา Zyl ลดขนาดแอป
ลง 50% โดยใช้ ML Kit
ลง 50% โดยใช้ ML Kit
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=19&%3Bhl=th&hl=th)
ทุกวัน Zyl จะเปิดโอกาสให้ผู้ใช้ค้นพบความทรงจําสุดพิเศษ 1 รายการและแชร์กับคนที่คุณรัก แอปวิเคราะห์รูปภาพระบุรูปภาพ วิดีโอ และ GIF ที่มีความหมายจากคลังภาพของผู้ใช้ แล้วแสดงซ้ําในแต่ละครั้ง
ในตอนแรก Zyl จะสร้างโมเดลแมชชีนเลิร์นนิงขึ้นเพื่อระบุรูปภาพที่จะจุดประกายความทรงจําที่สําคัญที่สุดให้แก่ผู้ใช้ แต่เนื่องจากโมเดลจะทํางานบนอุปกรณ์ของผู้ใช้โดยตรง ปัญหาจึงมักเกิดขึ้นจากปัญหาทั่วไปเกี่ยวกับสมาร์ทโฟน เช่น อายุการใช้งานแบตเตอรี่และม้วนกระดาษขนาดใหญ่
ดังนั้น ทีมงานจึงสร้างโมเดลใหม่เพื่อดึงใบหน้าและวัตถุจากไลบรารีสื่อของผู้ใช้ และพยายามติดป้ายกํากับด้วยวิธีและขนาดที่ประหยัดพลังงานมากที่สุดเท่าที่จะเป็นไปได้ แต่กลับเจออย่างรวดเร็วด้วยโมเดลขนาด 200 MB ที่ชะลอการทํางานของแอปและทําให้ประสบการณ์การใช้งานแบบ User First แย่ลง
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=19&%3Bhl=th&hl=th)
สิ่งที่พวกเขาทำ
Zyl นํา API การติดป้ายกํากับใบหน้าและรูปภาพของอิมเมจของ ML Kit มาใช้งาน ซึ่งทําให้ต้องทํางานหนักมากโดยไม่ทําให้แอปทํางานช้าลง “เหมาะมากสําหรับความต้องการของเรา” Aurelien Sibril, CTO ของ Zyl กล่าว "ทํางานได้เร็ว มีรอยเท้าเล็กๆ ในหน่วยความจํา และทํางานในอุปกรณ์ได้แม่นยํามาก" และเมื่อจัดจ้างทีม ML Kit ให้ดูแลปัญหานี้มากขึ้น ทีมของ Zyl ก็อาจใช้เวลากับโมเดลแมชชีนเลิร์นนิงขนาดเล็กที่เฉพาะเจาะจงกับอุตสาหกรรมและโมเดลธุรกิจของตนเองมากขึ้น
การผสานรวมทําได้ง่ายและรวดเร็ว ภายในเวลาเพียงไม่กี่สัปดาห์ โปรแกรมก็ทํางานได้ทันที "การใช้โมเดลของเราเองต้องอาศัยการทดสอบการผสานรวมเป็นจํานวนมาก เพื่อให้แน่ใจว่าทีมอุปกรณ์เคลื่อนที่และทีมวิทยาศาสตร์ข้อมูลจะเข้าใจความต้องการของกันและกัน แต่การใช้ ML Kit ช่วยให้เราประหยัดได้หลายสัปดาห์” Sibril กล่าว
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=19&%3Bhl=th&hl=th)
ผลลัพธ์
การเปลี่ยนโมเดลการตรวจจับออบเจ็กต์ขนาดใหญ่ของ Zyl สําหรับ ML Kit API มีผลทันทีต่อประสิทธิภาพของแอป ซึ่งส่งผลให้ผู้ใช้พึงพอใจมากขึ้น โดยทันที ขนาดแอปลดลง 50%
นอกจากนี้ API ตรวจจับใบหน้าของ ML Kit ยังทํางานอนุมานเร็วกว่ารุ่นเดิมถึง 85 เท่า ช่วยให้ทีมไม่ต้องประมวลผลเพิ่มเติม โดยตอนนี้นักเรียนก็สามารถมุ่งเน้นไปที่ผลิตภัณฑ์หลักได้อีกครั้ง โดยไม่ต้องกังวลว่าจะดูแลฟังก์ชันการเรียนรู้เชิงลึกได้มาตรฐาน