زیل هر روز به کاربران این فرصت را می دهد تا یک خاطره خاص را دوباره کشف کنند و آن را با عزیزان خود به اشتراک بگذارند. این برنامه با استفاده از تجزیه و تحلیل تصویر، عکس‌ها، ویدیوها و GIF‌های معنی‌دار را از کتابخانه‌های کاربران خود شناسایی می‌کند و آن‌ها را یکی یکی دوباره نمایان می‌کند.

در ابتدا، زیل مدل‌های یادگیری ماشینی خود را ساخت تا تصاویری را شناسایی کند که با معنی‌ترین خاطرات را برای کاربرانش ایجاد کند. اما از آنجایی که مدل‌های آن‌ها مستقیماً روی دستگاه کاربر اجرا می‌شوند، مشکلات رایج گوشی‌های هوشمند مانند عمر باتری و رول‌های رسانه‌ای بزرگ نیز محدود می‌شوند.

بنابراین این تیم یک مدل جدید برای استخراج چهره‌ها و اشیاء از کتابخانه رسانه‌ای کاربر ساختند و سعی کردند آن‌ها را به بیشترین اندازه و کم‌مصرف‌ترین شکل ممکن برچسب‌گذاری کنند. اما آنها به سرعت غرق در یک مدل 200 مگابایتی شدند که سرعت برنامه را کاهش داد و اولین تجربه کاربر را شکست!

Zyl APIهای تشخیص چهره و برچسب‌گذاری تصویر ML Kit را پیاده‌سازی کرد که میزان مناسبی از بلند کردن اجسام سنگین را برای انجام کار بدون کاهش سرعت برنامه فراهم می‌کرد. Aurelien Sibril، CTO در Zyl گفت: "این برای نیازهای ما عالی بود." سریع اجرا می شود، حافظه کمی دارد و با دقت خروجی بسیار خوبی روی دستگاه اجرا می شود. به علاوه، با برون سپاری این مشکل به ML Kit، تیم Zyl می‌تواند زمان بیشتری را روی مدل‌های یادگیری ماشینی کوچک‌تر اختصاص دهد که مختص صنعت و مدل کسب‌وکارشان است.

ادغام سریع و آسان بود - فقط در عرض چند هفته تولید شد. «استفاده از مدل خودمان به آزمایش‌های یکپارچه‌سازی زیادی نیاز داشت تا مطمئن شویم تیم موبایل و تیم علوم داده نیازهای یکدیگر را درک کرده‌اند. به جای آن استفاده از کیت ML ما را از ادغام هفته ها نجات داد.

تغییر مدل تشخیص شی حجیم Zyl برای APIهای ML Kit تأثیر فوری بر عملکرد برنامه داشت که به نوبه خود باعث افزایش رضایت کاربر شد. بلافاصله، اندازه برنامه آنها 50٪ کاهش یافت.

API تشخیص چهره ML Kit همچنین 85 برابر سریعتر از مدل اصلی خود در استنتاج اجرا می شود و تیم را از بسیاری از پردازش های اضافی رها می کند. اکنون آنها می توانند دوباره بر روی محصول اصلی خود تمرکز کنند، بدون اینکه نگران حفظ عملکرد استاندارد یادگیری عمیق باشند.