Create ML — এটি কী, কোড ছাড়া মডেল প্রশিক্ষণ এবং ইন্টিগ্রেশন

Create ML কী?

Create ML হলো Apple-এর মেশিন লার্নিং ইকোসিস্টেমের একটি উপাদান, যা WWDC 2018-এ কোড না লিখে Core ML মডেল প্রশিক্ষণের টুল হিসেবে উপস্থাপিত হয়েছিল। Create ML-এর আগে, ডেভেলপাররা Python লাইব্রেরি (TensorFlow, PyTorch, scikit-learn) ব্যবহার করত এবং তারপর coremltools-এর মাধ্যমে মডেল Core ML-এ কনভার্ট করত। Create ML একটি ভিজুয়াল ইন্টারফেস, ট্রান্সফার লার্নিং-এর জন্য বিল্ট-ইন নিউরাল নেটওয়ার্ক এবং Core ML ফরম্যাটে স্বয়ংক্রিয় এক্সপোর্ট প্রদান করে এই পুরো প্রক্রিয়াটিকে সহজ করেছে।

বিবর্তন: iOS 11 থেকে macOS 15 পর্যন্ত

Create ML-এর প্রথম সংস্করণ (iOS 11/macOS 10.14) শুধুমাত্র মৌলিক কাজগুলো সমর্থন করত: ইমেজ ক্লাসিফিকেশন এবং টেক্সট বিশ্লেষণ। macOS 10.15 সংস্করণ অবজেক্ট ডিটেকশন, শব্দ বিশ্লেষণ এবং রিগ্রেশন যোগ করেছে। Create ML 3 (macOS 13, 2022) রেকমেন্ডেশন সিস্টেম, স্বয়ংক্রিয় অ্যালগরিদম নির্বাচন সহ ট্যাবুলার ডেটা এবং উন্নত প্রশিক্ষণ ভিজুয়ালাইজেশনের সমর্থন এনেছে। Create ML 4 (macOS 14, 2024) ডায়নামিক মডেল, স্ট্রিমিং ডেটা প্রশিক্ষণ এবং ডিস্ট্রিবিউটেড প্রশিক্ষণের জন্য Apple-এর ক্লাউড সার্ভিসের সাথে ইন্টিগ্রেশন যোগ করেছে।

Create ML কার জন্য

Create ML তিনটি শ্রেণীর ব্যবহারকারীর জন্য ডিজাইন করা হয়েছে: iOS ডেভেলপার যাদের ML অভিজ্ঞতা নেই এবং তারা তাদের অ্যাপে বুদ্ধিমান বৈশিষ্ট্য যোগ করতে চান; প্রোডাক্ট ম্যানেজার এবং ডিজাইনার যারা দ্রুত ML বৈশিষ্ট্যের প্রোটোটাইপ তৈরি করতে চান; এবং ডেটা গবেষক যাদের মডেল প্রোডাকশন ইনফ্রাস্ট্রাকচারে নেওয়ার আগে দ্রুত হাইপোথিসিস ভ্যালিডেশন প্রয়োজন। জটিল মডেলের জন্য যার আর্কিটেকচার অ-মানক, Create ML উপযুক্ত নয় — সেক্ষেত্রে Core ML-এ পরবর্তী রূপান্তরের সাথে Python ফ্রেমওয়ার্ক ব্যবহার করা হয়।

Create ML কাজের ধরন এবং টেমপ্লেট

Create ML সাত ধরনের কাজ অফার করে, প্রতিটি একটি প্রি-কনফিগার টেমপ্লেট সহ: ইমেজ ক্লাসিফিকেশন, অবজেক্ট ডিটেকশন, টেক্সট ক্লাসিফিকেশন এবং ওয়ার্ড ট্যাগার, ট্যাবুলার রিগ্রেশন, ট্যাবুলার ক্লাসিফিকেশন, সাউন্ড ক্লাসিফিকেশন এবং রেকমেন্ডেশন। প্রতিটি টেমপ্লেটে সেই কাজের ধরনের জন্য অপ্টিমাইজ করা একটি প্রি-সিলেক্টেড নিউরাল নেটওয়ার্ক আর্কিটেকচার অন্তর্ভুক্ত।

Create ML-এ ইমেজ ক্লাসিফিকেশন

ইমেজ ক্লাসিফিকেশন সবচেয়ে জনপ্রিয় Create ML টেমপ্লেট। একটি মডেল প্রশিক্ষণের জন্য, শুধু ফোল্ডারে সাজানো ছবির একটি সেট প্রদান করুন (ফোল্ডারের নাম = ক্লাস লেবেল)। Create ML কার্যকর ডেটাসেট আকার বাড়ানোর জন্য স্বয়ংক্রিয়ভাবে ডেটা অগমেন্টেশন (ঘূর্ণন, স্কেলিং, রঙ পরিবর্তন) প্রয়োগ করে এবং ফিচার নিষ্কাশনের জন্য প্রি-ট্রেন্ড Vision FeaturePrint নেটওয়ার্ক (পরিবর্তিত ResNet-50) ব্যবহার করে। ট্রান্সফার লার্নিং প্রশিক্ষণ ডেটাসেট আকার এবং Mac কর্মক্ষমতার উপর নির্ভর করে 2 থেকে 15 মিনিট সময় নেয়।

অবজেক্ট ডিটেকশন

অবজেক্ট ডিটেকশন টেমপ্লেটের জন্য প্রতিটি অবজেক্টের জন্য বাউন্ডিং বক্স সহ অ্যানোটেটেড ছবি প্রয়োজন। Create ML COCO ডেটাসেটে প্রি-ট্রেন্ড ওয়েট সহ Core ML-এর জন্য অভিযোজিত YOLOv5 (You Only Look Once) আর্কিটেকচার ব্যবহার করে। ন্যূনতম প্রয়োজন — প্রতি ক্লাসে 30টি অ্যানোটেটেড ছবি, প্রস্তাবিত — 200+। Create ML PASCAL VOC, COCO JSON এবং Create ML JSON ফরম্যাটে অ্যানোটেশন ইম্পোর্ট সমর্থন করে।

Xcode-এ Create ML-এর সাথে কীভাবে কাজ করবেন

কর্মপ্রবাহ Xcode-এর মধ্যে Create ML-এ তিনটি ধাপে গঠিত: ডেটা প্রস্তুতি, প্রশিক্ষণ এবং বৈধকরণ, এবং এক্সপোর্ট। ডেটা প্রস্তুতির সময়, প্রশিক্ষণ এবং পরীক্ষার সেট ইম্পোর্ট করা হয়। Create ML স্বয়ংক্রিয়ভাবে ডেটা বিভক্ত করে (ডিফল্ট 80/20) এবং ক্লাস বিতরণ প্রদর্শন করে। প্রশিক্ষণের সময়, টুলটি রিয়েল-টাইমে নির্ভুলতা এবং লোকসান চার্ট দেখায়, পাশাপাশি মেট্রিক: নির্ভুলতা, প্রিসিশন, রিকল, F1-স্কোর। বৈধকরণের সময়, আপনি Create ML উইন্ডোতে সরাসরি নতুন ডেটাতে মডেল পরীক্ষা করতে পারেন।

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 ভিজুয়াল ইন্টারফেস

Create ML-এর গ্রাফিক্যাল ইন্টারফেস Xcode-এ টেমপ্লেট ফাইল ক্যাটাগরি নির্বাচনের পর সাইড এডিটরে প্রদর্শিত হয়। ইন্টারফেসে ট্যাব থাকে: Data (ডেটা লোডিং এবং প্রিভিউ), Features (ফিচার এবং প্যারামিটার নির্বাচন), Model (নিউরাল নেটওয়ার্ক আর্কিটেকচার), Training (প্রশিক্ষণ চার্ট এবং মেট্রিক), Evaluation (আরক্ষিত ডেটায় পরীক্ষা), Preview (ইন্টারেক্টিভ মডেল পরীক্ষা)। ডেভেলপাররা প্রক্রিয়া না থামিয়ে প্রশিক্ষণের সময় ট্যাবের মধ্যে স্যুইচ করতে পারেন।

ছোট ডেটাসেটে ট্রান্সফার লার্নিং

ট্রান্সফার লার্নিং হলো মূল প্রযুক্তি যা Create ML টেমপ্লেটের ভিত্তি। স্ক্র্যাচ থেকে নিউরাল নেটওয়ার্ক প্রশিক্ষণের (যার জন্য লক্ষ লক্ষ লেবেলযুক্ত উদাহরণ প্রয়োজন) পরিবর্তে, Create ML ফিচার এক্সট্র্যাক্টর হিসেবে একটি প্রি-ট্রেন্ড নেটওয়ার্ক (FeaturePrint) ব্যবহার করে এবং শুধুমাত্র চূড়ান্ত ক্লাসিফায়ার লেয়ারগুলো প্রশিক্ষণ দেয়। এটি প্রতি ক্লাসে 10 থেকে 50টি ছবির ডেটাসেটে 2-5 মিনিটের প্রশিক্ষণ সময়ের সাথে উচ্চ নির্ভুলতা (90-95%) অর্জন করে।

FeaturePrint — প্রি-ট্রেন্ড এক্সট্র্যাক্টর

Create ML বেশ কয়েকটি প্রি-ট্রেন্ড FeaturePrint এক্সট্র্যাক্টর ব্যবহার করে: .scenePrint (ResNet-50-এর ভিত্তিতে, Places365-এ প্রশিক্ষিত), .objectPrint (YOLOv5-এর ভিত্তিতে, COCO-তে প্রশিক্ষিত), .textPrint (BERT-এর ভিত্তিতে, Wikipedia-তে প্রশিক্ষিত)। এক্সট্র্যাক্টরের পছন্দ কাজের ধরন এবং ডেটা ডোমেনের উপর নির্ভর করে। উদাহরণস্বরূপ, .scenePrint ইনডোর এবং ল্যান্ডস্কেপ ছবি শ্রেণীবদ্ধ করার জন্য বেশি উপযোগী, যখন .objectPrint নির্দিষ্ট অবজেক্ট (গাড়ি, মানুষ, প্রাণী) শনাক্ত করার জন্য ভালো।

ডেটা অগমেন্টেশন

Create ML প্রশিক্ষণের সময় স্বয়ংক্রিয়ভাবে ডেটা অগমেন্টেশন প্রয়োগ করে: অনুভূমিক ফ্লিপ, 20 ডিগ্রি পর্যন্ত ঘূর্ণন, রঙ পরিবর্তন, উজ্জ্বলতা এবং কন্ট্রাস্ট সমন্বয়। অগমেন্টেশন প্রতিটি এপোক-এ প্রতিটি ছবিতে এলোমেলোভাবে প্রয়োগ করা হয়, যা কার্যকর ডেটাসেট আকার 10-20 গুণ বাড়িয়ে দেয়। এটি বিশেষ করে ছোট ডেটাসেটের জন্য গুরুত্বপূর্ণ যেখানে ওভারফিটিং প্রধান সমস্যা। অগমেন্টেশন প্যারামিটার Features ট্যাবে সমন্বয় করা যেতে পারে।

Swift API-এর মাধ্যমে প্রোগ্রাম্যাটিক প্রশিক্ষণ

ভিজুয়াল ইন্টারফেস ছাড়াও, Create ML প্রোগ্রাম্যাটিক মডেল প্রশিক্ষণের জন্য একটি Swift API প্রদান করে, যা প্রশিক্ষণ পাইপলাইনের অটোমেশন এবং CI/CD প্রক্রিয়ায় ইন্টিগ্রেশন সক্ষম করে। Swift API-তে ক্লাস MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier এবং MLRecommender অন্তর্ভুক্ত। প্রতিটি ক্লাস train(), evaluate() এবং write() পদ্ধতি সহ MLModelTrainer প্রোটোকল বাস্তবায়ন করে।

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 ইন্টিগ্রেশন

Create ML Swift API Xcode বিল্ড ফেজ স্ক্রিপ্ট বা macOS রানারে GitLab/GitHub Actions-এ চালানো যেতে পারে। এটি রিপোজিটরিতে প্রশিক্ষণ ডেটাসেট আপডেট হলে স্বয়ংক্রিয়ভাবে মডেল পুনঃপ্রশিক্ষণের অনুমতি দেয়। উদাহরণস্বরূপ, আপনি একটি পাইপলাইন সেটআপ করতে পারেন: রিপোজিটরিতে ডেটা পুশ → GitLab Runner Create ML Swift স্ক্রিপ্ট নির্বাহ করে → এক্সপোর্ট করা .mlpackage মডেল রিপোজিটরিতে ফিরে কমিট হয় → আপডেটেড মডেল দিয়ে অ্যাপ বিল্ড হয়।

Create ML-এর সীমাবদ্ধতা

সুবিধা সত্ত্বেও, Create ML-এর বেশ কিছু সীমাবদ্ধতা রয়েছে যা ML কাজের জন্য টুল নির্বাচনের সময় বিবেচনা করা গুরুত্বপূর্ণ। প্রধান: শুধুমাত্র macOS-এ কাজ করে, নিউরাল নেটওয়ার্ক আর্কিটেকচারের উপর সীমিত নিয়ন্ত্রণ, কাস্টম লেয়ার ব্যবহারে অক্ষমতা, বিল্ট-ইন FeaturePrint এক্সট্র্যাক্টরের উপর নির্ভরশীলতা এবং মাল্টি-GPU বা ক্লাস্টার প্রশিক্ষণের জন্য কোনো সমর্থন নেই।

প্রোডাকশন পাইপলাইন সমর্থন নেই

Create ML বড় ডেটাসেটে (100,000-এর বেশি উদাহরণ) প্রোডাকশন প্রশিক্ষণের জন্য ডিজাইন করা হয়নি। সর্বোচ্চ ডেটাসেট আকার Mac-এর RAM দ্বারা সীমিত। বড় আকারের কাজের জন্য, Apple সার্ভার ইনফ্রাস্ট্রাকচারে Python ফ্রেমওয়ার্ক (TensorFlow, PyTorch) ব্যবহার করার পরামর্শ দেয়, তারপর coremltools-এর মাধ্যমে Core ML-এ রূপান্তর। Create ML প্রোটোটাইপিং এবং ছোট প্রকল্পের জন্য একটি টুল, এন্টারপ্রাইজ ML-এর জন্য নয়।

ট্যাবুলার ডেটার জন্য সীমিত অ্যালগরিদম

ট্যাবুলার ডেটার জন্য, Create ML শুধুমাত্র তিনটি অ্যালগরিদম সমর্থন করে: Random Forest, Gradient Boosting (XGBoost) এবং Linear Regression। ট্যাবুলার ডেটার জন্য নিউরাল নেটওয়ার্ক (TabNet, FT-Transformer), SVM, kNN বা scikit-learn-এ উপলব্ধ এনসেম্বল পদ্ধতির জন্য কোনো সমর্থন নেই। উচ্চ নির্ভুলতা প্রয়োজন এমন ট্যাবুলার ডেটা কাজের জন্য, Create ML প্রায়শই ক্লাসিক ML লাইব্রেরির তুলনায় কম কার্যকর।

শুধুমাত্র macOS

মডেল প্রশিক্ষণ শুধুমাত্র macOS-এ সম্ভব, কারণ Create ML Metal Performance Shaders এবং macOS-এক্সক্লুসিভ ফ্রেমওয়ার্ক ব্যবহার করে। এই সীমাবদ্ধতা Linux সার্ভার বা ক্লাউড GPU ক্লাস্টারে প্রশিক্ষণ অসম্ভব করে তোলে। ক্লাউড ইনফ্রাস্ট্রাকচার ব্যবহারকারী দলের জন্য, coremltools + Python একমাত্র বিকল্প।

প্রকল্পে Create ML ব্যবহারের উদাহরণ

আসুন বাণিজ্যিক অ্যাপ্লিকেশনে Create ML ব্যবহারের তিনটি বাস্তব দৃশ্যকল্প দেখি: ব্যবহারকারীর কন্টেন্ট মডারেশন, ব্যক্তিগতকৃত সুপারিশ এবং স্বয়ংক্রিয় ডকুমেন্ট সাজানো। এই দৃশ্যগুলো সাধারণ কাজগুলো প্রদর্শন করে যা গভীর মেশিন লার্নিং জ্ঞান ছাড়াই Create ML দিয়ে সমাধান করা যায়।

ইমেজ মডারেশন

একটি ফটো-শেয়ারিং অ্যাপ স্বয়ংক্রিয় মডারেশনের জন্য ইমেজ ক্লাসিফিকেশন ব্যবহার করতে পারে: 100-200টি ছবি “গ্রহণযোগ্য” এবং “লঙ্ঘন” লেবেলে প্রশিক্ষণ মডারেটর ছাড়াই 85-95% অবাঞ্ছিত কন্টেন্ট ফিল্টার করতে পারে। Create ML লঙ্ঘনের নতুন উদাহরণ এলে মডেল আপডেট করতে দেয়, এটি 3-5 মিনিটে পুনঃপ্রশিক্ষণ করে।

সাপোর্ট টিকেট ক্লাসিফিকেশন

টেক্সট ক্লাসিফিকেশন ব্যবহার করে, Create ML একটি অ্যাপকে ব্যবহারকারীর জিজ্ঞাসা স্বয়ংক্রিয়ভাবে বিভাগে শ্রেণীবদ্ধ করতে শেখাতে পারে: পেমেন্ট সমস্যা, প্রযুক্তিগত ত্রুটি, ফিচার অনুরোধ, অভিযোগ। প্রশিক্ষণের জন্য প্রতি বিভাগে 50-100টি টেক্সট উদাহরণ প্রয়োজন। BERT-ভিত্তিক বিল্ট-ইন ওয়ার্ড ট্যাগার ব্যবহার করে শ্রেণীবদ্ধকরণের নির্ভুলতা 90% পর্যন্ত পৌঁছায়।

কন্টেন্ট রেকমেন্ডেশন সিস্টেম

Create ML-এ MLRecommender ম্যানুয়ালি কলাবোরেটিভ ফিল্টারিং না লিখে ব্যবহারকারীর কর্মের ভিত্তিতে একটি রেকমেন্ডেশন সিস্টেম তৈরি করতে দেয়। মডেল ব্যবহারকারী → আইটেম → রেটিং ডেটাতে (যেমন, একজন ব্যবহারকারী একটি নিবন্ধ পছন্দ করেছেন) প্রশিক্ষণ নেয়। Create ML ডেটার পরিমাণের ভিত্তিতে কলাবোরেটিভ ফিল্টারিং এবং কন্টেন্ট-ভিত্তিক পদ্ধতির মধ্যে স্বয়ংক্রিয়ভাবে নির্বাচন করে এবং শীর্ষ-N সুপারিশ আউটপুট করে।