事例紹介

Zyl は、ML Kit を使用して
アプリを 50% 縮小しました。

Zyl は毎日、1 つの特別な思い出を再発見し、大切な人と共有できます。画像解析により、アプリはユーザーのライブラリから意味のある写真、動画、GIF を特定し、一度に 1 つずつ表示します。

当初、Zyl 氏は独自の機械学習モデルを作成し、ユーザーにとって最も有意義な思い出になる画像を特定しました。しかし、モデルはユーザーのデバイス上で直接実行されるため、バッテリー寿命や膨大なメディア ロールのようなよくあるスマートフォンの問題によっても制限されます。

そこで、チームはユーザーのメディア ライブラリから顔とオブジェクトを抽出する新しいモデルを構築し、サイズとエネルギー効率が最も高くなるようにラベル付けしようとしました。しかし、すぐに 200 MB のモデルに圧倒され、アプリの速度が低下し、ユーザー ファーストのエクスペリエンスが損なわれました。

Zyl 氏は ML Kit の顔検出 API と画像ラベリング API を実装しており、アプリの動作を遅らせることなく適度な手間のかかる作業を行えるようになりました。Zyl 氏は CTO の Aurelien Sibril 氏はこのように述べています。「実行速度が速く、メモリ フットプリントが小さく、非常に正確な出力でデバイス上で実行されます。」さらに、この問題を ML Kit にアウトソーシングすることで、Zyl 社のチームは業界やビジネスモデルに特化したより小さな機械学習モデルにより多くの時間を割くことができるようになりました。

統合はすばやく簡単に行われ、わずか数週間で本番環境になりました。「独自のモデルを使用するには、モバイルチームとデータ サイエンス チームが互いのニーズを理解しているかどうかを確認するために、多くの統合テストが必要でした。ML Kit を使用することで、数週間にわたる統合が可能になりました」と Sibril 氏は述べます。

ML Kit API 用に Zyl の大規模なオブジェクト検出モデルを切り替えると、アプリのパフォーマンスにすぐに影響がもたらされ、ユーザー満足度の向上につながりました。するとすぐにアプリのサイズが 50% 縮小しました。

ML Kit の顔検出 API は、元のモデルの 85 倍の速度で推論を実行できるため、チームは多くの余分な処理から解放されます。今では、標準的なディープ ラーニング機能の維持を気にすることなく、コアプロダクトに注力できます。