Create ML — qué es, entrenamiento de modelos sin código e integración

¿Qué es Create ML?

Create ML es un componente del ecosistema de aprendizaje automático de Apple, presentado en la WWDC 2018 como una herramienta para entrenar modelos Core ML sin necesidad de escribir código. Antes de Create ML, los desarrolladores usaban bibliotecas de Python (TensorFlow, PyTorch, scikit-learn) y luego convertían los modelos a Core ML mediante coremltools. Create ML abstrajo todo este proceso proporcionando una interfaz visual, redes neuronales integradas para transfer learning y exportación automática al formato Core ML.

Evolución: desde iOS 11 hasta macOS 15

La primera versión de Create ML (iOS 11/macOS 10.14) solo admitía tareas básicas: clasificación de imágenes y análisis de texto. La versión para macOS 10.15 añadió detección de objetos, análisis de sonido y regresión. Create ML 3 (macOS 13, 2022) introdujo soporte para sistemas de recomendación, datos tabulares con selección automática de algoritmos y visualización mejorada del entrenamiento. Create ML 4 (macOS 14, 2024) añadió soporte para modelos dinámicos, entrenamiento con datos en streaming e integración con los servicios en la nube de Apple para entrenamiento distribuido.

Para quién es Create ML

Create ML está diseñado para tres categorías de usuarios: desarrolladores iOS sin experiencia en ML que quieren añadir funciones inteligentes a su aplicación; gerentes de producto y diseñadores que desean prototipar rápidamente funciones ML; e investigadores de datos que necesitan validación rápida de hipótesis antes de migrar un modelo a infraestructura de producción. Para modelos complejos con arquitectura no estándar, Create ML no es adecuado — en esos casos se utilizan frameworks de Python con posterior conversión a Core ML.

Tipos de tareas y plantillas de Create ML

Create ML ofrece siete tipos de tareas, cada una con una plantilla preconfigurada: Clasificación de Imágenes, Detección de Objetos, Clasificación de Texto y Etiquetado de Palabras, Regresión Tabular, Clasificación Tabular, Clasificación de Sonido y Recomendación. Cada plantilla incluye una arquitectura de red neuronal preseleccionada optimizada para ese tipo de tarea.

Clasificación de imágenes en Create ML

Clasificación de Imágenes es la plantilla más popular de Create ML. Para entrenar un modelo, basta con proporcionar un conjunto de imágenes organizadas en carpetas (nombre de carpeta = etiqueta de clase). Create ML aplica automáticamente aumento de datos (rotación, escalado, cambio de color) para aumentar el tamaño efectivo del conjunto de datos y utiliza la red Vision FeaturePrint preentrenada (ResNet-50 modificada) para la extracción de características. El entrenamiento con transfer learning toma de 2 a 15 minutos según el tamaño del conjunto de datos y el rendimiento del Mac.

Detección de objetos

La plantilla Detección de Objetos requiere imágenes anotadas con cuadros delimitadores (bounding boxes) para cada objeto. Create ML utiliza la arquitectura YOLOv5 (You Only Look Once) adaptada para Core ML, con pesos preentrenados en el conjunto COCO. Mínimo requerido — 30 imágenes anotadas por clase, recomendado — 200+. Create ML admite la importación de anotaciones en formatos PASCAL VOC, COCO JSON y Create ML JSON.

Cómo trabajar con Create ML en Xcode

El flujo de trabajo en Create ML dentro de Xcode consta de tres etapas: preparación de datos, entrenamiento y validación, y exportación. Durante la preparación de datos, se importan los conjuntos de entrenamiento y prueba. Create ML divide automáticamente los datos (por defecto 80/20) y muestra la distribución de clases. Durante el entrenamiento, la herramienta muestra gráficos de precisión y pérdida en tiempo real, así como métricas: exactitud, precisión, exhaustividad y puntuación F1. Durante la validación, se puede probar el modelo con nuevos datos directamente en la ventana de Create ML.

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")
)

Interfaz visual de Xcode

La interfaz gráfica de Create ML en Xcode se muestra en el editor lateral después de seleccionar un archivo de plantilla de categoría. La interfaz contiene pestañas: Data (carga y vista previa de datos), Features (selección de características y parámetros), Model (arquitectura de red neuronal), Training (gráficos de entrenamiento y métricas), Evaluation (pruebas con datos reservados), Preview (prueba interactiva del modelo). El desarrollador puede cambiar entre pestañas durante el entrenamiento sin detener el proceso.

Transfer Learning en conjuntos de datos pequeños

Transfer Learning (aprendizaje por transferencia) es la tecnología clave en la que se basan las plantillas de Create ML. En lugar de entrenar una red neuronal desde cero (lo que requiere millones de ejemplos etiquetados), Create ML utiliza una red preentrenada (FeaturePrint) como extractor de características y solo entrena las últimas capas del clasificador. Esto permite alcanzar una alta precisión (90-95%) en conjuntos de datos de 10 a 50 imágenes por clase con un tiempo de entrenamiento de 2 a 5 minutos.

FeaturePrint — Extractores preentrenados

Create ML utiliza varios extractores FeaturePrint preentrenados: .scenePrint (basado en ResNet-50, entrenado en Places365), .objectPrint (basado en YOLOv5, entrenado en COCO), .textPrint (basado en BERT, entrenado en Wikipedia). La elección del extractor depende del tipo de tarea y del dominio de los datos. Por ejemplo, .scenePrint es más adecuado para clasificar imágenes de interiores y paisajes, mientras que .objectPrint es mejor para detectar objetos específicos (coches, personas, animales).

Aumento de datos

Create ML aplica automáticamente aumento de datos durante el entrenamiento: volteo horizontal, rotación de hasta 20 grados, cambio de color, ajuste de brillo y contraste. El aumento se aplica aleatoriamente a cada imagen en cada época, lo que incrementa el tamaño efectivo del conjunto de datos entre 10 y 20 veces. Esto es especialmente importante para conjuntos de datos pequeños donde el sobreajuste (overfitting) es el principal problema. Los parámetros de aumento se pueden ajustar en la pestaña Features.

Entrenamiento programático mediante API Swift

Además de la interfaz visual, Create ML proporciona una API Swift para el entrenamiento programático de modelos, lo que permite automatizar los pipelines de entrenamiento e integrarlos en procesos CI/CD. La API Swift incluye las clases MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier y MLRecommender. Cada clase implementa el protocolo MLModelTrainer con los métodos train(), evaluate() y write().

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)")

Integración CI/CD

La API Swift de Create ML se puede ejecutar en scripts de build phases de Xcode o en GitLab/GitHub Actions en runners macOS. Esto permite reentrenar el modelo automáticamente cada vez que se actualiza el conjunto de datos de entrenamiento en el repositorio. Por ejemplo, se puede configurar un pipeline: push de datos al repositorio → GitLab Runner ejecuta el script Swift de Create ML → el modelo .mlpackage exportado se confirma de nuevo en el repositorio → la aplicación se compila con el modelo actualizado.

Limitaciones de Create ML

A pesar de su comodidad, Create ML tiene varias limitaciones importantes a considerar al elegir una herramienta para tareas ML. Las principales: solo funciona en macOS, control limitado sobre la arquitectura de la red neuronal, imposibilidad de usar capas personalizadas, dependencia de extractores FeaturePrint integrados y falta de soporte para entrenamiento multi-GPU o en clúster.

Sin soporte para pipelines de producción

Create ML no está diseñado para entrenamiento en producción con conjuntos de datos grandes (más de 100 000 ejemplos). El tamaño máximo del conjunto de datos está limitado por la RAM del Mac. Para tareas a gran escala, Apple recomienda utilizar frameworks de Python (TensorFlow, PyTorch) en infraestructura de servidor con conversión posterior a Core ML mediante coremltools. Create ML es una herramienta para prototipado y proyectos pequeños, no para ML empresarial.

Algoritmos limitados para datos tabulares

Para datos tabulares, Create ML solo admite tres algoritmos: Random Forest, Gradient Boosting (XGBoost) y Regresión Lineal. No hay soporte para redes neuronales para datos tabulares (TabNet, FT-Transformer), SVM, kNN ni métodos de conjunto disponibles en scikit-learn. Para tareas con datos tabulares que requieren alta precisión, Create ML a menudo se queda corto en comparación con las bibliotecas ML clásicas.

Solo para macOS

El entrenamiento de modelos solo es posible en macOS, ya que Create ML utiliza Metal Performance Shaders y frameworks exclusivos de macOS. Esta limitación imposibilita el entrenamiento en servidores Linux o clústeres GPU en la nube. Para equipos que utilizan infraestructura en la nube, coremltools + Python siguen siendo la única opción.

Ejemplos de uso de Create ML en proyectos

Veamos tres escenarios reales de uso de Create ML en aplicaciones comerciales: moderación de contenido de usuario, recomendaciones personalizadas y clasificación automática de documentos. Estos escenarios demuestran tareas típicas que se pueden resolver con Create ML sin conocimientos profundos de aprendizaje automático.

Moderación de imágenes

Una aplicación para compartir fotos puede usar Clasificación de Imágenes para moderación automática: entrenar un modelo con 100-200 imágenes etiquetadas como “aceptable” y “infracción” permite filtrar el 85-95% del contenido no deseado sin un moderador. Create ML permite actualizar el modelo a medida que llegan nuevos ejemplos de infracciones, reentrenándolo en 3-5 minutos.

Clasificación de consultas de soporte

Mediante Clasificación de Texto, Create ML puede enseñar a una aplicación a clasificar automáticamente las consultas de los usuarios en categorías: problema de pago, fallo técnico, solicitud de función, queja. El entrenamiento requiere de 50 a 100 ejemplos de texto por categoría. La precisión de clasificación alcanza el 90% utilizando el Word Tagger integrado basado en BERT.

Sistema de recomendación de contenido

MLRecommender en Create ML permite construir un sistema de recomendación basado en las acciones del usuario sin escribir filtrado colaborativo manualmente. El modelo se entrena con datos de Usuario → Elemento → Puntuación (por ejemplo, un usuario dio me gusta a un artículo). Create ML elige automáticamente entre filtrado colaborativo y enfoque basado en contenido según el volumen de datos y genera las N mejores recomendaciones.