Create ML — ano ito, pag-aaral ng modelo nang walang code at integrasyon

Ano ang Create ML?

Create ML — ay isang bahagi ng machine learning ecosystem ng Apple, ipinakilala sa WWDC 2018 bilang isang tool para sa pagsasanay ng Core ML models nang hindi kinakailangang magsulat ng code. Bago ang Create ML, ang mga developer ay gumagamit ng Python libraries (TensorFlow, PyTorch, scikit-learn) at pagkatapos ay kino-convert ang mga modelo sa Core ML sa pamamagitan ng coremltools. Inabstrak ng Create ML ang buong prosesong ito, na nagbibigay ng visual interface, built-in na neural network para sa transfer learning at awtomatikong pag-export sa Core ML format.

Ebolusyon: mula iOS 11 hanggang macOS 15

Ang unang bersyon ng Create ML (iOS 11/macOS 10.14) ay sumusuporta lamang sa mga pangunahing gawain: pag-uuri ng larawan at pagsusuri ng teksto. Ang bersyon para sa macOS 10.15 ay nagdagdag ng pag-detect ng bagay, pagsusuri ng tunog at regression. Create ML 3 (macOS 13, 2022) ay nagdala ng suporta para sa mga recommendation system, tabular data na may awtomatikong pagpili ng algorithm at pinahusay na visualization ng proseso ng pagsasanay. Ang Create ML 4 (macOS 14, 2024) ay nagdagdag ng suporta para sa mga dynamic na modelo, pagsasanay sa streaming data at integrasyon sa cloud services ng Apple para sa distributed na pagsasanay.

Para kanino ang Create ML

Create ML ay para sa tatlong kategorya ng mga gumagamit: iOS developers na walang karanasan sa ML na gustong magdagdag ng intelligent na feature sa app; product manager at designer na gustong mabilis na mag-prototype ng ML features; data researchers na nangangailangan ng mabilis na validation ng hypothesis bago ilipat ang modelo sa production infrastructure. Para sa mga kumplikadong modelo na may hindi karaniwang arkitektura, hindi angkop ang Create ML — sa ganitong mga kaso, ginagamit ang Python frameworks na may kasunod na conversion sa Core ML.

Mga Uri ng Gawain at Template ng Create ML

Nag-aalok ang Create ML ng pitong uri ng gawain, bawat isa ay may available na pre-configured template: pag-uuri ng larawan (Image Classification), pag-detect ng bagay (Object Detection), pagsusuri ng teksto (Text Classification at Word Tagger), regression ng tabular data (Tabular Regression), pag-uuri ng tabular data (Tabular Classification), pagsusuri ng tunog (Sound Classification), recommendation system (Recommendation). Bawat template ay may kasamang pre-selected neural network architecture na optimal para sa uri ng gawaing iyon.

Pag-uuri ng Larawan sa Create ML

Image Classification — ay ang pinakasikat na template ng Create ML. Para sa pagsasanay ng modelo, sapat na magbigay ng set ng mga larawan na hinati sa mga folder (pangalan ng folder = label ng klase). Awtomatikong nag-a-apply ang Create ML ng data augmentation (pag-ikot, pag-scale, pag-shift ng kulay) upang mapataas ang epektibong laki ng dataset at ginagamit ang pre-trained na Vision FeaturePrint network (modified ResNet-50) para sa extraction ng feature. Ang pagsasanay na may transfer learning ay tumatagal ng 2 hanggang 15 minuto depende sa laki ng dataset at performance ng Mac.

Pag-detect ng Bagay

Ang template na Object Detection ay nangangailangan ng mga larawang may anotasyon na may bounding boxes para sa bawat bagay. Ginagamit ng Create ML ang YOLOv5 architecture (You Only Look Once) na ini-adapt para sa Core ML, na may pre-trained weights sa COCO dataset. Ang minimum ay 30 anotadong larawan bawat klase, inirerekomenda — 200+. Sinusuportahan ng Create ML ang pag-import ng anotasyon sa mga format na PASCAL VOC, COCO JSON at Create ML JSON.

Paano Magtrabaho sa Create ML sa Xcode

Ang workflow ng Create ML sa Xcode ay binubuo ng tatlong yugto: paghahanda ng data, pagsasanay at validation, pag-export. Sa yugto ng paghahanda ng data, ini-import ang training at test sets. Awtomatikong hinahati ng Create ML ang data (default 80/20) at ipinapakita ang distribution ng klase. Sa yugto ng pagsasanay, ipinapakita ng tool ang mga graph ng accuracy at loss sa real-time, pati na rin ang metrics: accuracy, precision, recall, F1-score. Sa yugto ng validation, maaari mong subukan ang modelo sa bagong data nang direkta sa Create ML window.

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")
)

Visual Interface ng Xcode

Ang graphical interface ng Create ML sa Xcode ay ipinapakita sa side editor pagkatapos pumili ng category template file. Ang interface ay naglalaman ng mga tab: Data (pag-load at pagtingin ng data), Features (pagpili ng feature at parameter), Model (neural network architecture), Training (training graph at metrics), Evaluation (pagsubok sa held-out data), Preview (interactive na pagsubok ng modelo). Ang developer ay maaaring lumipat sa pagitan ng mga tab habang nagsasanay nang hindi humihinto sa training.

Transfer Learning sa Maliliit na Dataset

Transfer Learning — ay ang pangunahing teknolohiya kung saan nakabatay ang mga template ng Create ML. Sa halip na sanayin ang neural network mula sa simula (na nangangailangan ng milyun-milyong may label na halimbawa), ginagamit ng Create ML ang pre-trained network (FeaturePrint) bilang feature extractor at sinasanay lamang ang mga huling layer ng classifier. Ito ay nagbibigay-daan sa pagkamit ng mataas na accuracy (90-95%) sa mga dataset na 10 hanggang 50 larawan bawat klase na may training time na 2-5 minuto.

FeaturePrint — Pre-trained Extractors

Gumagamit ang Create ML ng ilang pre-trained na FeaturePrint extractors: .scenePrint (batay sa ResNet-50, sinanay sa Places365), .objectPrint (batay sa YOLOv5, sinanay sa COCO), .textPrint (batay sa BERT, sinanay sa Wikipedia). Ang pagpili ng extractor ay depende sa uri ng gawain at domain ng data. Halimbawa, ang .scenePrint ay mas angkop para sa pag-uuri ng mga larawan ng interior at landscape, habang ang .objectPrint ay mas angkop para sa pag-detect ng mga tiyak na bagay (kotse, tao, hayop).

Data Augmentation

Awtomatikong nag-a-apply ang Create ML ng data augmentation sa panahon ng pagsasanay: horizontal reflection, pag-ikot hanggang 20 degrees, pag-shift ng kulay, pagbabago ng liwanag at contrast. Ang augmentation ay random na ina-apply sa bawat larawan sa bawat epoch, na nagpapataas ng epektibong laki ng dataset ng 10-20 beses. Ito ay lalong mahalaga para sa maliliit na dataset, kung saan ang overfitting ang pangunahing problema. Ang mga parameter ng augmentation ay maaaring i-adjust sa tab na Features.

Programmatic na Pagsasanay sa pamamagitan ng Swift API

Bukod sa visual interface, nagbibigay ang Create ML ng Swift API para sa programmatic na pagsasanay ng mga modelo, na nagpapahintulot sa automation ng training pipelines at integrasyon sa CI/CD processes. Kasama sa Swift API ang mga klase na MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier at MLRecommender. Bawat klase ay nag-i-implement ng protocol na MLModelTrainer na may mga method na train(), evaluate() at 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)")

CI/CD Integrasyon

Ang Create ML Swift API ay maaaring patakbuhin sa build phases scripts ng Xcode o sa GitLab/GitHub Actions sa macOS runners. Ito ay nagpapahintulot ng awtomatikong retraining ng modelo tuwing na-update ang training dataset sa repository. Halimbawa, maaari kang mag-configure ng pipeline: push ng data sa repository → GitLab Runner ay nagpapatakbo ng Swift Create ML script → ang na-export na .mlpackage model ay naka-commit pabalik sa repository → ang app ay binuo gamit ang updated na modelo.

Mga Limitasyon ng Create ML

Sa kabila ng kaginhawahan, ang Create ML ay may mga limitasyon na mahalagang isaalang-alang kapag pumipili ng tool para sa ML tasks. Ang mga pangunahing: gumagana lamang sa macOS, limitadong kontrol sa neural network architecture, imposibilidad ng paggamit ng custom layers, pagdepende sa built-in na FeaturePrint extractors at kawalan ng suporta para sa pagsasanay sa maraming GPU o sa cluster.

Walang Suporta para sa Production Pipelines

Ang Create ML ay hindi dinisenyo para sa production training sa malalaking dataset (higit sa 100,000 halimbawa). Ang maximum na laki ng dataset ay limitado ng RAM ng Mac. Para sa malalaking gawain, inirerekomenda ng Apple ang paggamit ng Python frameworks (TensorFlow, PyTorch) sa server infrastructure na may kasunod na conversion sa Core ML sa pamamagitan ng coremltools. Ang Create ML ay tool para sa prototyping at maliliit na proyekto, hindi para sa enterprise ML.

Limitadong Algorithm para sa Tabular Data

Para sa tabular data, ang Create ML ay sumusuporta lamang ng tatlong algorithm: Random Forest, Gradient Boosting (XGBoost) at Linear Regression. Walang suporta para sa neural network para sa tabular data (TabNet, FT-Transformer), SVM, kNN at ensemble methods na available sa scikit-learn. Para sa mga gawain na may tabular data na nangangailangan ng mataas na accuracy, ang Create ML ay madalas na natatalo sa mga classical ML libraries.

Tanging para sa macOS

Ang pagsasanay ng modelo ay posible lamang sa macOS, dahil ang Create ML ay gumagamit ng Metal Performance Shaders at macOS-exclusive frameworks. Ang limitasyong ito ay ginagawang imposible ang pagsasanay sa Linux server o sa cloud GPU clusters. Para sa mga team na gumagamit ng cloud infrastructure, ang coremltools + Python ay nananatiling tanging pagpipilian.

Mga Halimbawa ng Paggamit ng Create ML sa mga Proyekto

Tingnan natin ang tatlong totoong senaryo ng paggamit ng Create ML sa mga komersyal na application: moderasyon ng nilalaman ng gumagamit, personal na rekomendasyon at awtomatikong pag-uuri ng dokumento. Ang mga senaryong ito ay nagpapakita ng mga tipikal na gawain na maaaring malutas gamit ang Create ML nang walang malalim na kaalaman sa machine learning.

Moderasyon ng Larawan

Ang isang photo sharing app ay maaaring gumamit ng Image Classification para sa awtomatikong moderasyon: pagsasanay ng modelo sa 100-200 larawan na may label na “pinapayagan” at “paglabag” ay nagpapahintulot ng pagsala ng 85-95% ng hindi gustong nilalaman nang walang partisipasyon ng moderator. Pinapayagan ng Create ML ang pag-update ng modelo habang dumarating ang mga bagong halimbawa ng paglabag, sa pamamagitan ng retraining sa loob ng 3-5 minuto.

Pag-uuri ng Mga Reklamo sa Suporta

Sa tulong ng Text Classification ng Create ML, maaari mong turuan ang app na awtomatikong mag-uri ng mga reklamo ng gumagamit ayon sa kategorya: problema sa pagbabayad, teknikal na sira, kahilingan ng feature, reklamo. Para sa pagsasanay, sapat na ang 50-100 halimbawa ng teksto bawat kategorya. Ang accuracy ng pag-uuri ay umaabot ng 90% gamit ang built-in na Word Tagger batay sa BERT.

Sistema ng Rekomendasyon para sa Nilalaman

Ang MLRecommender sa Create ML ay nagpapahintulot na bumuo ng recommendation system batay sa mga aksyon ng gumagamit nang hindi manu-manong nagsusulat ng collaborative filtering. Ang modelo ay sinasanay sa data ng uri User → Item → Rating (halimbawa, nag-like ang gumagamit ng artikulo). Awtomatikong pumipili ang Create ML sa pagitan ng collaborative filtering at content-based approach batay sa dami ng data at nagpapakita ng top-N na rekomendasyon.