每天，Zyl 都會讓使用者重新發掘出特別的回憶集錦，並與親朋好友分享。應用程式可以透過圖片分析功能，從使用者媒體庫中找出有意義的相片、影片和 GIF，並逐一顯示這些資料。

一開始，Zyl 建立了自己的機器學習模型，來識別哪些圖片會為使用者產生最有意義的記憶體。由於其型號會直接在使用者裝置上執行，因此也可能受到一般智慧型手機問題 (例如電池續航力和大型媒體卷) 的限制。

因此，團隊建立了新的模型，從使用者的媒體庫中擷取臉孔和物件，並嘗試盡可能以最靈活且節能的方式加上標籤。然而，他們很快就發現有 200 MB 型號，導致應用程式運作速度變慢，因而破壞了使用者優先的使用體驗！

Zyl 導入了 ML Kit 的臉部偵測和圖片標籤 API，只是提供適量的密集功能，以在不減緩應用程式的執行速度下執行工作。「這個平台非常滿足我們的需求。」Zyl 技術長 Aurelien Sibril 表示。「這個機器執行速度快，記憶體用量也非常小，並且能在裝置端輸出，而且準確率極佳。」另外，Zyl 團隊也把這個問題外包給機器學習套件，把更多時間花在屬於特定產業和商業模式的小型機器學習模型上。

這項整合作業相當快速簡單，而且只需在短短幾週內推出即可。「使用我們的模型時，需要進行許多整合測試，以確保行動團隊和數據資料學團隊瞭解彼此的需求。Sibril 表示，採用機器學習套件後，我們省下了數週的時間進行整合。

為 ML Kit API 切換 Zyl 的大量物件偵測模型後，應用程式效能會立即提升，進而增進使用者的滿意度。他們的應用程式大小很快就會縮減 50%。

機器學習套件偵測 API 的推論速度也比原始模型快 85 倍，使團隊無須進行額外的處理作業。現在，他們可以再次專注於核心產品，不必擔心會維持標準的深度學習功能。