우수사례 Zyl은 ML Kit를 사용하여
앱을 50% 줄였습니다.
앱을 50% 줄였습니다.
![](https://google-developers.gonglchuangl.net/static/ml-kit/images/case-studies/zyl/zyl-1.png?authuser=1&%3Bhl=ko&hl=ko)
Zyl은 사용자가 매일 특별한 추억을 한 번 더 발견하고 소중한 사람과 공유할 수 있는 기회입니다. 앱은 이미지 분석을 사용하여 사용자 라이브러리에서 의미 있는 사진, 동영상, GIF를 식별하고 한 번에 하나씩 다시 표시합니다.
처음에 Zyl은 사용자에게 가장 의미 있는 추억을 불러일으키는 이미지를 식별하는 자체 머신러닝 모델을 빌드했습니다. 하지만 모델이 사용자의 기기에서 직접 실행되기 때문에 배터리 수명, 대용량 미디어 롤과 같은 일반적인 스마트폰 문제로 인해 제약을 받습니다.
그래서 팀은 사용자의 미디어 라이브러리에서 얼굴과 사물을 추출하는 새로운 모델을 빌드하여 최대한 크기 및 에너지 효율적인 방식으로 라벨을 지정하려고 했습니다. 하지만 200MB 모델로 인해 앱 속도가 느려지고 사용자 우선 경험을 중단하는 경우가 많았습니다.
![](https://google-developers.gonglchuangl.net/static/ml-kit/images/case-studies/zyl/zyl-2.png?authuser=1&%3Bhl=ko&hl=ko)
진행한 작업
Zyl의 CTO인 오렐리엔 시브릴은 “Zit은 ML Kit의 얼굴 인식 및 이미지 라벨 지정 API를 구현하여 앱의 속도를 저하시키지 않으면서 업무를 처리하는 데 필요한 중량물을 제공했습니다."라고 말했습니다. “Zil은 빠르게 실행되고 메모리 공간이 작으며 기기에서 매우 정확한 출력 정확도를 발휘합니다.” 또한 이 문제를 ML Kit에 아웃소싱함으로써 Zylx팀은 업계 및 비즈니스 모델에 특화된 소규모 머신러닝 모델에 더 많은 시간을 할애할 수 있었습니다.
통합은 단 몇 주 만에 쉽고 빠르게 시작할 수 있었습니다. “자체 모델을 사용하여 모바일팀과 데이터 과학팀이 서로의 니즈를 이해했는지 확인하려면 여러 통합 테스트를 거쳐야 했습니다. ML Kit를 사용하면서 몇 주 만에 통합할 수 있었습니다.”라고 시브릴은 말했습니다.
![](https://google-developers.gonglchuangl.net/static/ml-kit/images/case-studies/zyl/zyl-3.png?authuser=1&%3Bhl=ko&hl=ko)
결과
Zyl의 대량 객체 감지 모델을 ML Kit API로 전환하면 앱 성능에 즉각적으로 영향을 미쳐 사용자 만족도가 높아졌습니다. 앱 크기가 즉시 50% 감소했습니다.
또한 ML Kit 얼굴 인식 API는 추론에 비해 원래 모델보다 85배 더 빠르게 실행되므로 팀은 추가 처리에 많은 시간을 허비하지 않습니다. 이제 고객은 표준 딥 러닝 기능을 유지하면서 걱정할 필요 없이 핵심 제품에 다시 집중할 수 있습니다.