Create ML — bu nədir, kod olmadan model öyrənmə və inteqrasiya

Create ML nədir?

Create ML — Apple-ın maşın öyrənmə ekosisteminin komponentidir, WWDC 2018-də kod yazmadan Core ML modellərini öyrətmək üçün alət kimi təqdim edilmişdir. Create ML-dən əvvəl tərtibatçılar Python kitabxanalarından (TensorFlow, PyTorch, scikit-learn) istifadə edir və sonra modelləri coremltools vasitəsilə Core ML-ə çevirirdilər. Create ML bütün bu prosesi abstraktlaşdıraraq vizual interfeys, transfer learning üçün daxili neyron şəbəkələr və Core ML formatına avtomatik ixrac təmin etdi.

Təkamül: iOS 11-dən macOS 15-ə qədər

Create ML-in ilk versiyası (iOS 11/macOS 10.14) yalnız əsas tapşırıqları dəstəkləyirdi: şəkillərin təsnifatı və mətn təhlili. macOS 10.15 üçün versiya obyekt aşkarlama, səs təhlili və reqressiya əlavə etdi. Create ML 3 (macOS 13, 2022) tövsiyə sistemləri, avtomatik alqoritm seçimi ilə cədvəl məlumatları və təkmilləşdirilmiş öyrənmə vizuallaşdırması dəstəyi gətirdi. Create ML 4 (macOS 14, 2024) dinamik modellər, axın məlumatlarında öyrənmə və paylanmış öyrənmə üçün Apple bulud xidmətləri ilə inteqrasiya əlavə etdi.

Create ML kimlər üçün uyğundur

Create ML üç kateqoriya istifadəçi üçün nəzərdə tutulub: tətbiqə intellektual funksiyalar əlavə etmək istəyən ML təcrübəsi olmayan iOS tərtibatçıları; ML funksiyalarını tez prototipləşdirmək istəyən məhsul menecerləri və dizaynerlər; modeli istehsal infrastrukturuna köçürməzdən əvvəl tez fərziyyə yoxlamasına ehtiyacı olan məlumat tədqiqatçıları. Qeyri-standart arxitekturalı mürəkkəb modellər üçün Create ML uyğun deyil — belə hallarda Python çərçivələri sonra Core ML-ə çevrilmə ilə istifadə olunur.

Create ML tapşırıq növləri və şablonları

Create ML yeddi tapşırıq növü təklif edir, hər biri üçün əvvəlcədən konfiqurasiya edilmiş şablon mövcuddur: şəkillərin təsnifatı (Image Classification), obyekt aşkarlama (Object Detection), mətn təhlili (Text Classification və Word Tagger), cədvəl reqressiyası (Tabular Regression), cədvəl təsnifatı (Tabular Classification), səs təhlili (Sound Classification), tövsiyə sistemləri (Recommendation). Hər şablon bu tapşırıq növü üçün optimal olan əvvəlcədən seçilmiş neyron şəbəkə arxitekturasını ehtiva edir.

Create ML-də şəkillərin təsnifatı

Image Classification — ən populyar Create ML şablonudur. Modeli öyrətmək üçün qovluqlara bölünmüş şəkillər dəsti təqdim etmək kifayətdir (qovluq adı = sinif etiketi). Create ML məlumat dəstinin effektiv ölçüsünü artırmaq üçün avtomatik məlumat artımı (fırlanma, miqyaslama, rəng sürüşməsi) tətbiq edir və xüsusiyyətləri çıxarmaq üçün əvvəlcədən öyrədilmiş Vision FeaturePrint şəbəkəsindən (dəyişdirilmiş ResNet-50) istifadə edir. Transfer learning ilə öyrənmə məlumat dəstinin ölçüsündən və Mac performansından asılı olaraq 2-15 dəqiqə çəkir.

Obyekt aşkarlama

Object Detection şablonu hər obyekt üçün məhdudlaşdırıcı çərçivələr (bounding boxes) ilə işarələnmiş şəkillər tələb edir. Create ML COCO dəstində əvvəlcədən öyrədilmiş çəkilərlə Core ML-ə uyğunlaşdırılmış YOLOv5 (You Only Look Once) arxitekturasından istifadə edir. Minimum miqdar hər sinif üçün 30 işarələnmiş şəkildir, tövsiyə olunan — 200+. Create ML PASCAL VOC, COCO JSON və Create ML JSON formatlarında annotasiya idxalını dəstəkləyir.

Xcode-da Create ML ilə necə işləmək

İş prosesi Xcode-da Create ML üç mərhələdən ibarətdir: məlumat hazırlığı, öyrənmə və validasiya, ixrac. Məlumat hazırlığı mərhələsində təlim və test dəstləri idxal edilir. Create ML məlumatları avtomatik bölür (standart 80/20) və sinif paylanmasını göstərir. Öyrənmə mərhələsində alət real vaxtda dəqiqlik və itki qrafiklərini, həmçinin metrikaları göstərir: accuracy, precision, recall, F1-score. Validasiya mərhələsində modeli birbaşa Create ML pəncərəsində yeni məlumatlarda sınamaq olar.

import CreateML

let data = try MLImageClassifierData.labeledDirectories(
    at: URL(fileURLWithPath: "/path/to/training-data")
)
let model = try MLImageClassifier(
    trainingData: data,
    parameters: MLImageClassifier.Parameters(
        featureExtractor: .scenePrint(revision: 1)
    )
)
try model.write(
    to: URL(fileURLWithPath: "/path/to/MyModel.mlpackage")
)

Xcode-un vizual interfeysi

Xcode-da Create ML-in qrafik interfeysi kateqoriya şablon faylı seçildikdən sonra yan redaktorda göstərilir. İnterfeys aşağıdakı vərəqləri ehtiva edir: Data (məlumat yükləmə və baxış), Features (xüsusiyyət və parametr seçimi), Model (neyron şəbəkə arxitekturası), Training (öyrənmə qrafikləri və metrikalar), Evaluation (ayrılmış məlumatlarda sınaq), Preview (modelin interaktiv sınağı). Tərtibatçı təlimi dayandırmadan vərəqlər arasında keçid edə bilər.

Kiçik məlumat dəstlərində Transfer Learning

Transfer Learning (köçürmə ilə öyrənmə) — Create ML şablonlarının əsaslandığı əsas texnologiyadır. Create ML neyron şəbəkəni sıfırdan öyrətmək (milyonlarla işarələnmiş nümunə tələb edir) əvəzinə, əvvəlcədən öyrədilmiş şəbəkədən (FeaturePrint) xüsusiyyət çıxaran kimi istifadə edir və yalnız klassifikatorun son qatlarını öyrədir. Bu, 2-5 dəqiqə öyrənmə vaxtı ilə sinif başına 10-50 şəkildən ibarət dəstlərdə yüksək dəqiqliyə (90-95%) nail olmağa imkan verir.

FeaturePrint — əvvəlcədən öyrədilmiş çıxaranlar

Create ML bir neçə əvvəlcədən öyrədilmiş FeaturePrint çıxaranından istifadə edir: .scenePrint (ResNet-50 əsasında, Places365-də öyrədilmiş), .objectPrint (YOLOv5 əsasında, COCO-da öyrədilmiş), .textPrint (BERT əsasında, Vikipediyada öyrədilmiş). Çıxaranın seçimi tapşırıq növündən və məlumat domenindən asılıdır. Məsələn, .scenePrint otaqların və landşaftların təsnifatı üçün daha uyğundur, .objectPrint isə konkret obyektlərin (avtomobillər, insanlar, heyvanlar) aşkarlanması üçün.

Məlumat artımı (Data Augmentation)

Create ML öyrənmə prosesində avtomatik məlumat artımı tətbiq edir: üfüqi əks etdirmə, 20 dərəcəyə qədər fırlanma, rəng sürüşməsi, parlaqlıq və kontrast dəyişikliyi. Artım hər epoxada hər şəkilə təsadüfi tətbiq edilir ki, bu da məlumat dəstinin effektiv ölçüsünü 10-20 dəfə artırır. Bu xüsusilə kiçik məlumat dəstləri üçün vacibdir, burada həddindən artıq öyrənmə (overfitting) əsas problemdir. Artım parametrləri Features vərəqində tənzimlənə bilər.

Swift API vasitəsilə proqramlı öyrənmə

Vizual interfeysdən əlavə, Create ML modellərin proqramlı öyrənilməsi üçün Swift API təqdim edir ki, bu da öyrənmə pipeline-larını avtomatlaşdırmağa və onları CI/CD proseslərinə inteqrasiya etməyə imkan verir. Swift API MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier və MLRecommender siniflərini ehtiva edir. Hər sinif train(), evaluate() və write() metodları ilə MLModelTrainer protokolunu tətbiq edir.

import CreateML

let csvFile = try MLDataTable(
    contentsOf: URL(fileURLWithPath: "data.csv")
)
let (trainingData, testData) = csvFile.randomSplit(by: 0.8)

let regressor = try MLTabularRegressor(
    trainingData: trainingData,
    targetColumn: "price",
    parameters: MLTabularRegressor.Parameters(
        algorithm: .randomForest
    )
)

let evaluation = regressor.evaluation(on: testData)
print("RMSE: \(evaluation.rootMeanSquaredError)")

CI/CD inteqrasiyası

Create ML Swift API Xcode-un build phases skriptlərində və ya macOS runner-larında GitLab/GitHub Actions-da işə salına bilər. Bu, repozitoriyada təlim dəsti yeniləndikdə modeli avtomatik yenidən öyrətməyə imkan verir. Məsələn, pipeline qurmaq olar: məlumatları repozitoriyaya push → GitLab Runner Swift Create ML skriptini işə salır → ixrac edilmiş .mlpackage modeli repozitoriyaya commit edilir → tətbiq yenilənmiş modellə qurulur.

Create ML məhdudiyyətləri

Rahatlığına baxmayaraq, Create ML-in ML tapşırıqları üçün alət seçərkən nəzərə alınmalı bir sıra məhdudiyyətləri var. Əsas olanlar: yalnız macOS-da işləyir, neyron şəbəkə arxitekturası üzərində məhdud nəzarət, fərdi qatların (custom layers) istifadəsi mümkün deyil, daxili FeaturePrint çıxaranlarına bağlılıq və bir neçə GPU və ya klasterdə öyrənmə dəstəyinin olmaması.

İstehsal pipeline-larının dəstəklənməməsi

Create ML böyük məlumat dəstlərində (100 000 nümunədən çox) istehsal öyrənməsi üçün nəzərdə tutulmayıb. Məlumat dəstinin maksimum ölçüsü Mac operativ yaddaşının həcmi ilə məhdudlaşır. Genişmiqyaslı tapşırıqlar üçün Apple sonradan coremltools vasitəsilə Core ML-ə çevrilməklə server infrastrukturunda Python çərçivələrindən (TensorFlow, PyTorch) istifadə etməyi tövsiyə edir. Create ML prototipləşdirmə və kiçik layihələr üçün alətdir, enterprise ML üçün deyil.

Cədvəl məlumatları üçün məhdud alqoritmlər

Cədvəl məlumatları üçün Create ML yalnız üç alqoritmi dəstəkləyir: Random Forest, Gradient Boosting (XGBoost) və Linear Regression. Cədvəl məlumatları üçün neyron şəbəkələrin (TabNet, FT-Transformer), SVM, kNN və scikit-learn-də mövcud ansambl metodlarının dəstəyi yoxdur. Yüksək dəqiqlik tələb edən cədvəl məlumat tapşırıqları üçün Create ML çox vaxt klassik ML kitabxanalarından geri qalır.

Yalnız macOS üçün

Modellərin öyrədilməsi yalnız macOS-da mümkündür, çünki Create ML Metal Performance Shaders və macOS-a xas çərçivələrdən istifadə edir. Bu məhdudiyyət Linux serverlərində və ya bulud GPU klasterlərində öyrənməni qeyri-mümkün edir. Bulud infrastrukturundan istifadə edən komandalar üçün coremltools + Python yeganə seçim olaraq qalır.

Create ML-in layihələrdə istifadə nümunələri

Kommersiya tətbiqlərində Create ML-in üç real ssenarisini nəzərdən keçirək: istifadəçi məzmununun moderasiyası, fərdi tövsiyələr və sənədlərin avtomatik çeşidlənməsi. Bu ssenarilər dərin maşın öyrənmə biliyi olmadan Create ML ilə həll edilə bilən tipik tapşırıqları nümayiş etdirir.

Şəkillərin moderasiyası

Foto mübadiləsi tətbiqi avtomatik moderasiya üçün Image Classification-dan istifadə edə bilər: „icazə verilir“ və „pozuntu“ etiketləri ilə 100-200 şəkildə model öyrətmək moderator iştirakı olmadan arzuolunmaz məzmunun 85-95%-ni süzməyə imkan verir. Create ML yeni pozuntu nümunələri gəldikcə modeli 3-5 dəqiqədə yenidən öyrədərək yeniləməyə imkan verir.

Support müraciətlərinin təsnifatı

Text Classification vasitəsilə Create ML tətbiqə istifadəçi müraciətlərini kateqoriyalara avtomatik təsnif etməyi öyrədə bilər: ödəniş problemi, texniki nasazlıq, funksiya tələbi, şikayət. Kateqoriya başına 50-100 mətn nümunəsi öyrənmək üçün kifayətdir. BERT əsasında daxili Word Tagger istifadə edərək təsnifat dəqiqliyi 90% təşkil edir.

Məzmun tövsiyə sistemi

Create ML-də MLRecommender əl ilə kollaborativ filtr yazmadan istifadəçi hərəkətləri əsasında tövsiyə sistemi qurmağa imkan verir. Model User → Item → Rating tipli məlumatlarda öyrənilir (məsələn, istifadəçi məqaləni bəyəndi). Create ML məlumat həcminə əsasən kollaborativ filtrləmə və məzmun yanaşması arasında avtomatik seçim edir və top-N tövsiyələrini göstərir.