Étude de cas Zyl réduit son application
de 50% à l'aide de ML Kit.
de 50% à l'aide de ML Kit.
![](https://developers.google.cn/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=8&%3Bhl=fr&hl=fr)
Chaque jour, Zyl permet aux utilisateurs de redécouvrir un souvenir spécial et de le partager avec leurs proches. L'analyse des images permet à l'application d'identifier des photos, des vidéos et des GIF pertinents de la bibliothèque de leurs utilisateurs, puis de les faire apparaître une par une.
Initialement, Zyl a créé ses propres modèles de machine learning pour identifier les images susceptibles de susciter les souvenirs les plus pertinents pour ses utilisateurs. Toutefois, comme leurs modèles s'exécutent directement sur l'appareil de l'utilisateur, ils sont également limités par des problèmes courants liés aux smartphones, comme l'autonomie de la batterie et les rouleaux de grande taille.
L'équipe a donc conçu un nouveau modèle pour extraire les visages et les objets de la bibliothèque multimédia de l'utilisateur, et a essayé de leur ajouter des étiquettes de la manière la plus efficace et la plus efficace possible en termes de taille. Mais elle a vite vite été submergée par un modèle de 200 Mo qui a ralenti l'application et interrompu l'expérience utilisateur.
![](https://developers.google.cn/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=8&%3Bhl=fr&hl=fr)
Stratégie de l'entreprise
Zyl a mis en œuvre les API de détection de visages et d'étiquetage d'image de ML Kit, qui offraient les meilleurs outils pour faire le travail sans ralentir l'application. "C'était parfait pour nos besoins", explique Aurelien Sibril, directeur de la technologie chez Zyl. "Il fonctionne rapidement, dispose d'une petite empreinte mémoire et s'exécute sur l'appareil avec une très bonne précision de sortie." De plus, en externalisant ce problème à ML Kit, l'équipe de Zyl peut passer plus de temps sur des modèles de machine learning plus petits et plus spécifiques à son secteur et son modèle économique.
L'intégration s'est faite rapidement et facilement, en quelques semaines seulement. "L'utilisation de notre propre modèle nécessitait de nombreux tests d'intégration afin de nous assurer que l'équipe mobile et l'équipe de science des données ont bien compris les besoins des uns et des autres. Grâce à ML Kit, nous avons économisé des semaines d'intégration", a expliqué M. Sibril.
![](https://developers.google.cn/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=8&%3Bhl=fr&hl=fr)
Résultats
La modification du modèle de détection d'objets volumineux de Zyl pour les API de ML Kit a eu un effet immédiat sur les performances de l'application, ce qui a augmenté la satisfaction des utilisateurs. Résultat : la taille de son application a diminué de 50%.
L'API de détection de visages de ML Kit s'exécute également 85 fois plus vite que le modèle d'origine pour l'inférence, ce qui libère l'équipe d'un trop grand nombre de traitements. Ils peuvent désormais se concentrer à nouveau sur leur produit principal, sans avoir à se soucier du maintien d'une fonctionnalité de deep learning standard.