Estudo de caso A Zyl reduz o app
em 50% usando o ML Kit.
em 50% usando o ML Kit.
![](https://developers.google.cn/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=6&%3Bhl=pt-br&hl=pt-br)
Todos os dias, Zila dá aos usuários a oportunidade de redescobrir uma recordação especial e compartilhar com outras pessoas. Com a análise de imagens, o app identifica fotos, vídeos e GIFs significativos das bibliotecas dos usuários e os exibe um de cada vez.
Inicialmente, Zila criou os próprios modelos de machine learning para identificar as imagens que teriam as melhores memórias para os usuários. No entanto, como os modelos são executados diretamente no dispositivo do usuário, eles também são limitados por problemas comuns de smartphone, como duração da bateria e grandes lançamentos de mídia.
Então, a equipe criou um novo modelo para extrair rostos e objetos da biblioteca de mídia do usuário e tentou rotulá-los da maneira mais eficiente em tamanho e economia de energia. No entanto, logo eles começaram a ficar sobrecarregados com um modelo de 200 MB que diminuiu a velocidade do app e prejudicou a experiência do usuário.
![](https://developers.google.cn/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=6&%3Bhl=pt-br&hl=pt-br)
O que a equipe fez
Zil implementou as APIs de detecção facial e de rotulagem de imagens do Kit de ML, que forneciam a quantidade ideal de trabalho pesado para fazer o trabalho sem desacelerar o app. "É perfeito para nossas necessidades", disse Aurelien Sibril, CTO da Zyl. “Ele é rápido, tem um consumo reduzido de memória e é executado no dispositivo com uma acurácia de saída muito boa.” Além disso, terceirizando esse problema para o Kit de ML, a equipe da Zyl passou mais tempo em modelos menores de machine learning mais específicos para o setor e o modelo de negócios dele.
A integração foi rápida e fácil. Em poucas semanas, ela estava em produção. "Usar nosso próprio modelo exigia muitos testes de integração para garantir que as equipes de dispositivos móveis e de ciência de dados compreendiam as necessidades umas das outras. Em vez disso, usamos o Kit de ML para economizar semanas de integração", disse Sibril.
![](https://developers.google.cn/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=6&%3Bhl=pt-br&hl=pt-br)
Resultados
Mudar o modelo de detecção de objetos volumoso de Zil para as APIs do Kit de ML teve um efeito imediato no desempenho do app, o que, por sua vez, aumentou a satisfação do usuário. Imediatamente, o tamanho do app diminuiu em 50%.
A API de detecção facial do Kit de ML também é 85 vezes mais rápida que o modelo original. Assim, a equipe não precisa fazer muito processamento. Agora eles podem se concentrar no produto principal novamente, sem se preocupar em manter uma funcionalidade padrão de aprendizado profundo.