Desde 2008, o programa Lose It! ajudou mais de 30 milhões de pessoas a perder 50 milhões de libras. O app ajuda os usuários a gerenciar as dietas, facilitando o registro de alimentos. As equipes de produto estão sempre buscando novas maneiras de simplificar ainda mais as coisas.

A equipe por trás do Lose It! lançou o Snap It, um algoritmo de reconhecimento de objetos projetado para ajudar os usuários a registrar os alimentos favoritos deles apenas tirando uma foto. No entanto, o alto custo computacional do algoritmo exigia o uso de um servidor de GPU, o que significava que eles não poderiam disponibilizar a experiência em tempo real.

Na mesma época, a equipe também queria adicionar um recurso de leitura de rótulos nutricionais, mas o tempo de análise do servidor era ligeiramente mais rápido do que se o usuário tivesse inserido as informações por conta própria. Além disso, como as velocidades e os sinais de rede celular variáveis podem afetar ou afetar a experiência do usuário, eles não podem garantir uma performance consistente.

A equipe do Lose It! sabia que os usuários adorariam os dois recursos, mas apenas se pudessem torná-los rápidos o suficiente para oferecer a experiência em tempo real. Então, o que eles poderiam fazer para acelerar o processo?

A equipe adotou o Kit de ML para resolver problemas de velocidade. "O Kit de ML se mostrou extremamente útil para implantar nosso recurso de reconhecimento de alimentos, o Snap It, usando modelos TF Lite compactados e quantizados", disse Edward W. Lowe, Jr. Ph.D., Diretor de ciência de dados e IA na Lose It! Antes, o algoritmo do Snap It era implantado em um servidor, exigindo a transferência de uma imagem de alimento para o servidor para inferência. "Mas um modelo personalizado hospedado pelo Kit de ML nos permitiu implementar facilmente um modelo quantizado do Snap It no dispositivo, o que permite que nossos usuários usem esse recurso em tempo real e sem uma conexão de dados", disse Lowe. "Com a API de reconhecimento de texto no dispositivo, conseguimos reduzir significativamente o tempo de análise de imagem para a leitura de rótulos nutricionais."

"É importante ressaltar que o Kit de ML permite hospedar modelos no Firebase", acrescenta Lowe. "Isso nos permite atualizar facilmente os modelos no dispositivo sem atualizar o app, reduz o tamanho do app e permite fazer testes A/B das versões do modelo. Desconectar a implantação do modelo da versão do app nos permite responder rapidamente a mudanças no comportamento do usuário e lidar melhor com deslocamentos."

Graças ao Kit de ML, o Lose It! foi capaz de lançar um leitor de marcador de nutrição de alta performance disponível amplamente. Agora os usuários podem verificar um marcador nutricional para preencher instantaneamente as informações nutricionais de qualquer alimento novo. Quanto ao leitor de marcadores de nutrição, a informação é reconhecida em menos de um segundo na maioria dos casos. O usuário não precisa tirar uma foto. O app pode extrair as informações diretamente da visualização da câmera em tempo real.