ML Kit

מדי יום, Zyl נותנת למשתמשים הזדמנות לגלות מחדש זיכרון מיוחד אחד ולשתף אותו עם יקיריהם. באמצעות ניתוח התמונות, האפליקציה מזהה תמונות, סרטונים וקובצי GIF משמעותיים מספריות המשתמשים שלהם ומציינת אותם בנפרד.

בהתחלה, זינל בנה מודלים משלו ללמידה חישובית כדי לזהות את התמונות שיציחו את הזיכרונות המשמעותיים ביותר עבור המשתמשים. אבל מכיוון שהמודלים שלהם פועלים ישירות במכשיר המשתמש, הם מוגבלים גם על ידי בעיות נפוצות בסמארטפונים, כמו חיי סוללה וגלישות מדיה ענקיות.

לכן הצוות בנה מודל חדש לחילוץ פנים ואובייקטים מספריית המדיה של המשתמש, וביקש לסמן אותם באופן היעיל ביותר לצריכת אנרגיה ואנרגיה. אבל מהר מאוד הם גילו סערה בעקבות דגם של 200MB, שהאט את פעולת האפליקציה וקטע את חוויית המשתמש ראשונה.

זיל הטמיע את ממשקי ה-API לזיהוי פנים ולתיוג תמונות של ML Kit, כדי לעשות את העבודה הקשה בלי להאט את האפליקציה. "הוא היה מושלם לצרכים שלנו", אמר אורליאן סיביר, מנהל טכנולוגי ראשי ב-Zyl. "היא פועלת מהר, יש לה טביעת רגל קטנה של זיכרון, והיא פועלת במכשיר עם רמת דיוק גבוהה מאוד בפלט". בנוסף, על ידי מיקור החוץ של הבעיה הזו לערכת ה-ML, הצוות של Zyl יכול להקדיש יותר זמן למודלים קטנים יותר של למידה חישובית שהם ספציפיים יותר לענף ולמודל העסקי שלהם.

השילוב היה מהיר וקל - בתוך מספר שבועות בלבד, הוא היה בסביבת הייצור. "באמצעות המודל שלנו, היה צורך בבדיקות אינטגרציה רבות כדי לוודא שהצוות לנייד והצוות של מדעי הנתונים הבנתם את הצרכים של כולם. השימוש בערכת הלמידת מכונה חסך לנו שבועות של שילוב", אומר סיביר.

שינוי מודל זיהוי האובייקטים של Zyl לממשקי API ב-ML Kit השפיע באופן מיידי על ביצועי האפליקציה, וכתוצאה מכך, שביעות הרצון של המשתמשים גדלה. מיד, גודל האפליקציה שלה הצטמצם ב-50%.

בנוסף, ה-API של זיהוי ערכת ה-ML Kit פועל מהר יותר פי 85 יותר מהמודל המקורי שלהם, וכתוצאה מכך הצוות עובר הרבה עיבוד נוסף. עכשיו הוא יכול להתמקד שוב במוצר הליבה שלו, בלי לדאוג לשמירה על פונקציונליות סטנדרטית של למידה עמוקה.