每天，Zyl 都可以让用户重新发现一个特殊的回忆，并分享给亲朋好友。通过图片分析，该应用可以从用户的媒体库中识别有意义的照片、视频和 GIF，然后逐一呈现这些内容。

最初，Zyl 构建了自己的机器学习模型来识别可能为用户带来最有意义的回忆的图像。但是，由于他们的模型直接在用户设备上运行，因此它们也受到常见的智能手机问题（如电池续航时间和庞大的媒体胶卷）的限制。

因此，该团队构建了一个新的模型来从用户的媒体库中提取面孔和对象，并尝试尽可能以最节能省电的方式为其添加标签。但 200MB 的模式导致应用运行速度变慢，令用户体验大打折扣！

Zyl 实施了机器学习套件的人脸检测和图像标记 API，这些 API 提供了合适的重度处理工作，而不会拖慢应用运行速度。“这非常适合我们的需求，”Zyl 首席技术官 Aurelien Sibril 说。“运行速度快，占用的内存少，并且可在设备上运行，并且输出结果非常准确。”此外，通过将此问题外包给机器学习套件，Zyl 的团队可以将更多时间用于更贴合其所在行业和业务模式的较小机器学习模型。

该集成过程轻松而快速，只用了几周时间就投入到生产环境中。“使用我们自己的模型需要进行大量集成测试，以确保移动团队和数据科学团队了解彼此的需求。改用机器学习套件为我们节省了几周的集成时间。”Sibril 说。

为机器学习套件 API 切换 Zyl 庞大的对象检测模型对应用性能产生了立竿见影的影响，进而提高了用户满意度。他们的应用大小立即缩减了 50%。

机器学习套件人脸检测 API 的推断速度也比其原始模型快 85 倍，让团队无需进行大量额外处理。现在，他们可以再次专注于自己的核心产品，而无需担心维持标准的深度学习功能。