Seit 2008 hat Lose It! mehr als 30 Millionen Menschen geholfen, mehr als 50 Millionen Pfund zu verlieren. Die App hilft Nutzern bei der Verwaltung ihrer Ernährung, indem sie das Protokollieren von Lebensmitteln so einfach wie möglich macht und ihre Produktteams sind immer auf der Suche nach neuen Wegen, die die Dinge noch einfacher machen.

Das Team hinter „Lose It!“ hat zum ersten Mal „Snap It“ vorgestellt – einen Algorithmus zur Objekterkennung, mit dem Nutzer ihre Lieblingsspeisen ganz einfach fotografieren können. Aufgrund der hohen Computing-Kosten des Algorithmus musste jedoch ein GPU-Server verwendet werden. Daher war es nicht möglich, den Dienst in Echtzeit zur Verfügung zu stellen.

Etwa wollte das Team auch eine Funktion zum Scannen des Ernährungslabels hinzufügen, die Zeit für die Serveranalyse war jedoch nur etwas kürzer als bei einer reinen Dateneingabe durch den Nutzer. Da variable Netzwerkgeschwindigkeiten und Signale die Nutzererfahrung beeinträchtigen oder beeinträchtigen können, konnten wir außerdem keine konsistente Leistung garantieren.

Das Team von Lose It! wusste, dass seine Nutzer von den beiden Funktionen begeistert sein würden – aber nur, wenn sie die nötige Geschwindigkeit hätten, um das Spiel in Echtzeit anzubieten. Wie können sie also den Vorgang beschleunigen?

Das Team wandte sich an ML Kit, um Geschwindigkeitsprobleme zu lösen. „ML Kit hat sich bei der Bereitstellung unserer Erkennungsfunktion für Lebensmittel, Snap It, mit komprimierten, quantisierten TF Lite-Modellen als äußerst nützlich erwiesen“, so Edward W. Lowe, Jr., Ph.D., Director of Data Science and AI bei Lose It! Bisher wurde der Snap It-Algorithmus auf einem Server bereitgestellt, was die Übertragung eines Food-Images an den Server zur Inferenz erfordert. „Durch ein von ML Kit gehostetes benutzerdefiniertes Modell konnten wir ein quantisiertes Snap It-Modell auf dem Gerät implementieren, das unseren Nutzern ermöglicht, diese Funktion in Echtzeit und ohne Datenverbindung zu nutzen“, sagt Lowe. „Mit der On-Device-Texterkennungs-API konnten wir die Zeit für das Analysieren des Nährwertlabels deutlich verkürzen.“

„Wichtig: Mit ML Kit können wir Modelle in Firebase hosten“, fügt Lowe hinzu. „So können wir Modelle auf dem Gerät nahtlos aktualisieren, ohne die App aktualisieren zu müssen. Außerdem wird die Größe der App reduziert und es können A/B-Testmodelle getestet werden. Wenn wir die Modellbereitstellung vom App-Release trennen, können wir schnell auf verändertes Nutzerverhalten reagieren und Driften besser bewältigen.“

Dank ML Kit konnte Lose It! ein allgemein verfügbares, leistungsfähiges Ernährungslabel-Reader veröffentlichen. Nutzer können jetzt ganz einfach ein Nährwertlabel scannen, um die Nährwertinformationen für neue Lebensmittel sofort einzugeben. Beim Energy-Scanner-Tool werden Informationen in den meisten Fällen in weniger als einer Sekunde erkannt. Der Nutzer muss nicht einmal ein Foto machen – die App ruft die Informationen direkt in der Kameraansicht in Echtzeit ab.