Nghiên cứu điển hình Zyl giảm 50% lượng ứng dụng
bằng Bộ công cụ máy học.
bằng Bộ công cụ máy học.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=5&%3Bhl=vi&hl=vi)
Mỗi ngày, Zyl mang đến cho người dùng cơ hội khám phá lại một kỷ niệm đặc biệt và chia sẻ kỷ niệm đó với những người thân yêu. Nhờ tính năng phân tích hình ảnh, ứng dụng này xác định ảnh, video và ảnh GIF có ý nghĩa từ thư viện người dùng và trình bày lại từng ảnh, video và ảnh GIF.
Ban đầu, Zyl xây dựng các mô hình máy học để xác định những hình ảnh khơi gợi những kỷ niệm có ý nghĩa nhất cho người dùng. Tuy nhiên, vì các mẫu máy này chạy trực tiếp trên thiết bị của người dùng nên cũng bị hạn chế bởi một số vấn đề thường gặp trên điện thoại thông minh như thời lượng pin và quá trình phát nội dung đa phương tiện lớn.
Vì vậy, đội ngũ này đã xây dựng một mô hình mới để trích xuất khuôn mặt và đối tượng từ thư viện nội dung đa phương tiện của người dùng, đồng thời cố gắng gắn nhãn các khuôn mặt và đối tượng đó theo cách tiết kiệm năng lượng và tiết kiệm năng lượng nhất có thể. Nhưng họ nhanh chóng nhận thấy mình bị choáng ngợp với mô hình 200 MB làm chậm ứng dụng và phá vỡ trải nghiệm ưu tiên người dùng!
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=5&%3Bhl=vi&hl=vi)
Giải pháp
Ayllien Sibril, Giám đốc công nghệ của Zyl cho biết: “Ứng dụng này chạy nhanh, có mức sử dụng bộ nhớ nhỏ và chạy trên thiết bị với độ chính xác đầu ra rất tốt.” Ngoài ra, bằng cách thuê ngoài vấn đề này với Bộ công cụ máy học, đội ngũ của Zyl có thể dành nhiều thời gian hơn cho các mô hình máy học nhỏ hơn dành riêng cho từng ngành và mô hình kinh doanh.
Việc tích hợp diễn ra nhanh chóng và dễ dàng — chỉ trong vòng vài tuần đã được phát hành. “Việc sử dụng mô hình của riêng chúng tôi đòi hỏi phải thử nghiệm nhiều hoạt động tích hợp để đảm bảo nhóm thiết bị di động và nhóm khoa học dữ liệu hiểu rõ nhu cầu của nhau. Thay vào đó, việc sử dụng Bộ công cụ máy học đã giúp chúng tôi tiết kiệm được nhiều tuần tích hợp”, ông Sibril cho biết.
![](https://developers-dot-devsite-v2-prod.appspot.com/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=5&%3Bhl=vi&hl=vi)
Kết quả
Việc chuyển đổi mô hình phát hiện đối tượng cồng kềnh của Zyl cho các API Bộ công cụ máy học đã có ảnh hưởng ngay lập tức đến hiệu suất của ứng dụng, từ đó làm tăng mức độ hài lòng của người dùng. Ngay lập tức, kích thước ứng dụng của họ đã giảm 50%.
API phát hiện khuôn mặt bằng bộ công cụ máy học cũng chạy dự đoán nhanh hơn 85 lần so với mô hình ban đầu, giúp nhóm không phải xử lý thêm nhiều nội dung. Giờ đây, họ có thể tập trung vào sản phẩm cốt lõi của mình một lần nữa mà không phải lo lắng về việc duy trì chức năng học sâu thông thường.