Örnek olay Lose It! makine öğrenimi sayesinde
besin değerlerinden veri ayıklayıp
kullanıcı deneyimini iyileştiriyor
besin değerlerinden veri ayıklayıp
kullanıcı deneyimini iyileştiriyor
![](https://developers.google.cn/static/ml-kit/images/case-studies/lose-it/lose_it-1.png?authuser=5&%3Bhl=tr&hl=tr)
Lose It!, 2008'den beri 30 milyondan fazla kişinin 50 milyon kilodan fazla kilo vermesine yardımcı olmuştur. Uygulama, kullanıcıların günlük kayıtlarını mümkün olduğunca kolay hale getirerek besin yönetimi yapmalarına yardımcı oluyor. Ayrıca, ürün ekipleri her zaman işleri daha da basit hale getirmenin yeni yollarını arıyordu.
Lose It'in arkasındaki ekip ilk olarak kullanıcıların fotoğraf çekerek en sevdikleri yemekleri kaydetmelerine yardımcı olmak için tasarlanmış bir nesne tanıma algoritması olan Snap It'i kullanıma sundu. Ancak algoritmanın bilgi işlem maliyetinin yüksek olması için bir GPU sunucusu kullanılması gerekiyordu. Bu da deneyimi gerçek zamanlı olarak sunamadığı anlamına geliyordu.
Ekip yaklaşık olarak aynı zamanda beslenme etiketi taraması özelliği de eklemek istiyordu. Ancak sunucu analizi süresi, kullanıcının bu bilgiyi kendilerinin girmesinden çok daha kısaydı. Ayrıca, değişken hücre ağ hızları ve sinyalleri kullanıcı deneyimini bozabileceği veya kırabileceği için tutarlı bir performans garanti edemediler.
The Lose It! ekibi, kullanıcıların her iki özelliği de seveceklerini biliyordu. Ancak, deneyimi gerçek zamanlı olarak sunabilmek için yeterince hızlı olmaları gerekiyordu. Peki süreci hızlandıracak ne yapabilirler?
![](https://developers.google.cn/static/ml-kit/images/case-studies/lose-it/lose_it-2.png?authuser=5&%3Bhl=tr&hl=tr)
Ne yaptılar?
Ekip, hız sorunlarını çözmek için ML Kit'ten yararlandı. Edward W. "Kit: Dr. Dr.D., Lose It'te Veri Bilimi ve AI Yöneticisi Daha önce Snap It algoritması bir sunucuya dağıtılarak çıkarım için sunucuya bir yemek görüntüsünün aktarılmasını gerektiriyordu. Ancak Lowe, "ML Kit tarafından barındırılan özel bir model, cihazda miktara göre özelleştirilmiş Snap It modelini sorunsuz şekilde uygulamamızı sağladı. Bu sayede kullanıcılarımız bu özelliği gerçek zamanlı olarak ve veri bağlantısı olmadan kullanabiliyor." diyor. "Cihaz üzerinde metin tanıma API'sini kullanarak besin etiketi okuma için resim analiz süresini önemli ölçüde kısaltabildik."
"Daha da önemlisi, ML Kit modelleri Firebase'de barındırmamıza olanak tanıyor". "Bu sayede cihazdaki uygulamaları uygulamayı güncellemeden sorunsuz bir şekilde güncelleyebiliyor, uygulama boyutunu küçültebiliyor ve A/B testi modeli sürümleri oluşturabiliyoruz. Model dağıtımının uygulama sürümüyle olan bağlantısını kesmek, değişen kullanıcı davranışlarına hızlı bir şekilde tepki vermemize ve kaymayla daha iyi başa çıkmamıza olanak tanır."
![](https://developers.google.cn/static/ml-kit/images/vision/case_study-lose_it.png?authuser=5&%3Bhl=tr&hl=tr)
Sonuçlar
Lose It!, makine öğrenimi sayesinde geniş çapta kullanılabilir ve yüksek performanslı besin etiketi okuyucusu kullanmaya başladı. Kullanıcılar yeni gıdaların beslenme bilgilerini anında doldurmak için sadece bir besin etiketini tarayabilirler. Besin etiketi tarayıcısına gelince, bilgiler çoğu durumda bir saniyeden kısa sürede tanınmaktadır. Kullanıcının resim bile çekmesi gerekmez. Uygulama, bilgileri gerçek zamanlı olarak doğrudan kamera görünümünden alabilir.