Örnek olay Zyl, ML Kit'i kullanarak
uygulamasını% 50 oranında küçülttü.
uygulamasını% 50 oranında küçülttü.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=9&%3Bhl=tr&hl=tr)
Zyl her gün özel bir anıyı yeniden keşfetme ve bunu sevdikleriyle paylaşma fırsatı sunuyor. Uygulama, resim analizini kullanarak kullanıcıların kitaplıklarındaki anlamlı fotoğrafları, videoları ve GIF'leri tespit eder ve bunları tek tek ortaya çıkarır.
İlk olarak Zyl, kullanıcıları için en anlamlı anıları tetikleyecek resimleri belirlemek amacıyla kendi makine öğrenimi modellerini geliştirdi. Ancak, bu modeller doğrudan kullanıcının cihazında çalıştığı için pil ömrü ve medyanın yuvarlanması gibi sık karşılaşılan akıllı telefon sorunlarıyla da sınırlıdır.
Bu nedenle ekip, kullanıcının medya kitaplığındaki yüzleri ve nesneleri çıkarmak için yeni bir model oluşturdu ve bunları mümkün olan en uygun boyutta ve enerjiyi en verimli şekilde etiketlemeye çalıştı. Ancak uygulamayı yavaşlatan ve kullanıcı odaklı deneyimi bozan 200 MB'lık bir model nedeniyle kendilerini hızla bunalttılar.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=9&%3Bhl=tr&hl=tr)
Ne yaptılar?
Zyl, Zilla'nın CTO'su Aurelien Sibril, "uygulamayı yavaşlatmadan doğru miktarda ağır iş yükü sağlayan ML Kit'in yüz algılama ve görüntü etiketleme API'lerini uyguladı. "Hızlı bir şekilde çalışıyor, küçük bir bellek alanı var ve cihazda oldukça iyi bir çıkış doğruluğu sağlıyor." Ayrıca, Zyl'in ekibi makine öğrenimi için dış kaynak kullanımı sayesinde sektörlerine ve iş modellerine özgü daha küçük makine öğrenimi modellerine daha fazla zaman ayırabiliyor.
Entegrasyon hızlı ve kolaytı. Sadece birkaç hafta içinde üretildi. "Kendi modelimizin kullanılması, mobil ekibin ve veri bilimi ekibinin birbirlerinin ihtiyaçlarını anlayabilmesi için çok sayıda entegrasyon testi gerektiriyordu. Bunun yerine ML Kit'i kullanmak bize haftalar süren entegrasyondan tasarruf etmemizi sağladı.” diyor Sibril.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=9&%3Bhl=tr&hl=tr)
Sonuçlar
Zyl'in makine öğrenimi API'leri için toplu nesne algılama modelini değiştirmek, uygulama performansını hemen etkiledi ve bu da kullanıcı memnuniyetini artırdı. Uygulama boyutu %50 azaldı.
ML Kit yüz algılama API'si de orijinal modelinden 85 kat daha hızlı çıkarım yaparak ekibi çok daha fazla işlemden kurtarır. Böylece, standart derin öğrenme işlevselliğinden ödün vermeden temel ürünlerine tekrar odaklanabilirler.