Create ML — qu’est-ce que c’est, apprentissage de modèles sans code et intégration

Qu’est-ce que Create ML ?

Create ML est un composant de l’écosystème d’apprentissage automatique d’Apple, présenté à la WWDC 2018 comme un outil pour entraîner des modèles Core ML sans avoir à écrire de code. Avant Create ML, les développeurs utilisaient des bibliothèques Python (TensorFlow, PyTorch, scikit-learn) puis convertissaient les modèles en Core ML via coremltools. Create ML a abstrait tout ce processus en fournissant une interface visuelle, des réseaux neuronaux intégrés pour le transfer learning et un export automatique au format Core ML.

Évolution : d’iOS 11 à macOS 15

La première version de Create ML (iOS 11/macOS 10.14) ne prenait en charge que les tâches de base : classification d’images et analyse de texte. La version macOS 10.15 a ajouté la détection d’objets, l’analyse sonore et la régression. Create ML 3 (macOS 13, 2022) a introduit la prise en charge des systèmes de recommandation, des données tabulaires avec sélection automatique d’algorithmes et une visualisation améliorée de l’apprentissage. Create ML 4 (macOS 14, 2024) a ajouté la prise en charge des modèles dynamiques, de l’apprentissage sur données en continu et de l’intégration avec les services cloud d’Apple pour l’apprentissage distribué.

À qui s’adresse Create ML

Create ML est conçu pour trois catégories d’utilisateurs : les développeurs iOS sans expérience en ML qui souhaitent ajouter des fonctionnalités intelligentes à leur application ; les chefs de produit et les designers qui souhaitent prototyper rapidement des fonctionnalités ML ; et les chercheurs en données qui ont besoin d’une validation rapide d’hypothèses avant de transférer un modèle vers l’infrastructure de production. Pour les modèles complexes avec une architecture non standard, Create ML n’est pas adapté — dans ces cas, des frameworks Python avec conversion ultérieure en Core ML sont utilisés.

Types de tâches et modèles Create ML

Create ML propose sept types de tâches, chacun avec un modèle préconfiguré : Classification d’images, Détection d’objets, Classification de texte et étiquetage de mots, Régression tabulaire, Classification tabulaire, Classification sonore et Recommandation. Chaque modèle comprend une architecture de réseau neuronal présélectionnée optimisée pour ce type de tâche.

Classification d’images dans Create ML

Classification d’images est le modèle le plus populaire de Create ML. Pour entraîner un modèle, il suffit de fournir un ensemble d’images organisées dans des dossiers (nom du dossier = étiquette de classe). Create ML applique automatiquement l’augmentation de données (rotation, mise à l’échelle, décalage de couleur) pour augmenter la taille effective de l’ensemble de données et utilise le réseau Vision FeaturePrint pré-entraîné (ResNet-50 modifié) pour l’extraction de caractéristiques. L’apprentissage par transfert prend de 2 à 15 minutes selon la taille de l’ensemble de données et les performances du Mac.

Détection d’objets

Le modèle Détection d’objets nécessite des images annotées avec des boîtes englobantes (bounding boxes) pour chaque objet. Create ML utilise l’architecture YOLOv5 (You Only Look Once) adaptée pour Core ML, avec des poids pré-entraînés sur l’ensemble COCO. Minimum requis — 30 images annotées par classe, recommandé — 200+. Create ML prend en charge l’importation d’annotations aux formats PASCAL VOC, COCO JSON et Create ML JSON.

Comment travailler avec Create ML dans Xcode

Le flux de travail dans Create ML au sein de Xcode comprend trois étapes : préparation des données, apprentissage et validation, et exportation. Lors de la préparation des données, les ensembles d’apprentissage et de test sont importés. Create ML divise automatiquement les données (par défaut 80/20) et affiche la distribution des classes. Pendant l’apprentissage, l’outil montre des graphiques de précision et de perte en temps réel, ainsi que des métriques : exactitude, précision, rappel, score F1. Lors de la validation, il est possible de tester le modèle sur de nouvelles données directement dans la fenêtre 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")
)

Interface visuelle de Xcode

L’interface graphique de Create ML dans Xcode apparaît dans l’éditeur latéral après avoir sélectionné une catégorie de fichier de modèle. L’interface contient les onglets : Data (chargement et aperçu des données), Features (sélection des caractéristiques et paramètres), Model (architecture du réseau neuronal), Training (graphiques d’apprentissage et métriques), Evaluation (test sur données retenues), Preview (test interactif du modèle). Le développeur peut basculer entre les onglets pendant l’apprentissage sans arrêter le processus.

Transfer Learning sur de petits ensembles de données

Transfer Learning (apprentissage par transfert) est la technologie clé sur laquelle reposent les modèles Create ML. Au lieu d’entraîner un réseau neuronal à partir de zéro (ce qui nécessite des millions d’exemples étiquetés), Create ML utilise un réseau pré-entraîné (FeaturePrint) comme extracteur de caractéristiques et n’entraîne que les dernières couches du classifieur. Cela permet d’atteindre une haute précision (90-95%) sur des ensembles de données de 10 à 50 images par classe avec un temps d’apprentissage de 2 à 5 minutes.

FeaturePrint — Extracteurs pré-entraînés

Create ML utilise plusieurs extracteurs FeaturePrint pré-entraînés : .scenePrint (basé sur ResNet-50, entraîné sur Places365), .objectPrint (basé sur YOLOv5, entraîné sur COCO), .textPrint (basé sur BERT, entraîné sur Wikipedia). Le choix de l’extracteur dépend du type de tâche et du domaine des données. Par exemple, .scenePrint est plus adapté à la classification d’images d’intérieur et de paysages, tandis que .objectPrint est meilleur pour la détection d’objets spécifiques (voitures, personnes, animaux).

Augmentation de données

Create ML applique automatiquement l’augmentation de données pendant l’apprentissage : retournement horizontal, rotation jusqu’à 20 degrés, décalage de couleur, réglage de la luminosité et du contraste. L’augmentation est appliquée aléatoirement à chaque image à chaque époque, ce qui multiplie la taille effective de l’ensemble de données par 10 à 20. Ceci est particulièrement important pour les petits ensembles de données où le surajustement (overfitting) est le principal problème. Les paramètres d’augmentation peuvent être ajustés dans l’onglet Features.

Apprentissage programmatique via l’API Swift

En plus de l’interface visuelle, Create ML fournit une API Swift pour l’apprentissage programmatique de modèles, permettant d’automatiser les pipelines d’apprentissage et de les intégrer dans les processus CI/CD. L’API Swift comprend les classes MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier et MLRecommender. Chaque classe implémente le protocole MLModelTrainer avec les méthodes train(), evaluate() et 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)")

Intégration CI/CD

L’API Swift de Create ML peut être exécutée dans des scripts de build phases Xcode ou dans GitLab/GitHub Actions sur des runners macOS. Cela permet de réentraîner automatiquement le modèle chaque fois que l’ensemble de données d’apprentissage dans le dépôt est mis à jour. Par exemple, on peut configurer un pipeline : push de données dans le dépôt → GitLab Runner exécute le script Swift Create ML → le modèle .mlpackage exporté est commité dans le dépôt → l’application est construite avec le modèle mis à jour.

Limitations de Create ML

Malgré sa commodité, Create ML présente plusieurs limitations importantes à prendre en compte lors du choix d’un outil pour les tâches ML. Les principales : fonctionne uniquement sur macOS, contrôle limité de l’architecture du réseau neuronal, impossibilité d’utiliser des couches personnalisées, dépendance aux extracteurs FeaturePrint intégrés et absence de prise en charge de l’apprentissage multi-GPU ou en cluster.

Pas de support pour les pipelines de production

Create ML n’est pas conçu pour l’apprentissage en production sur de grands ensembles de données (plus de 100 000 exemples). La taille maximale de l’ensemble de données est limitée par la RAM du Mac. Pour les tâches à grande échelle, Apple recommande d’utiliser des frameworks Python (TensorFlow, PyTorch) sur une infrastructure serveur avec conversion ultérieure en Core ML via coremltools. Create ML est un outil de prototypage et de petits projets, pas pour le ML d’entreprise.

Algorithmes limités pour les données tabulaires

Pour les données tabulaires, Create ML ne prend en charge que trois algorithmes : Random Forest, Gradient Boosting (XGBoost) et Régression linéaire. Il n’y a pas de support pour les réseaux neuronaux pour données tabulaires (TabNet, FT-Transformer), SVM, kNN ou les méthodes d’ensemble disponibles dans scikit-learn. Pour les tâches avec données tabulaires nécessitant une haute précision, Create ML est souvent insuffisant par rapport aux bibliothèques ML classiques.

macOS uniquement

L’apprentissage de modèles n’est possible que sur macOS, car Create ML utilise Metal Performance Shaders et des frameworks exclusifs à macOS. Cette limitation rend impossible l’apprentissage sur des serveurs Linux ou des clusters GPU cloud. Pour les équipes utilisant une infrastructure cloud, coremltools + Python restent la seule option.

Exemples d’utilisation de Create ML dans des projets

Examinons trois scénarios réels d’utilisation de Create ML dans des applications commerciales : modération de contenu utilisateur, recommandations personnalisées et tri automatique de documents. Ces scénarios montrent des tâches typiques qui peuvent être résolues avec Create ML sans connaissances approfondies en machine learning.

Modération d’images

Une application de partage de photos peut utiliser la Classification d’images pour la modération automatique : entraîner un modèle sur 100-200 images étiquetées « acceptable » et « violation » permet de filtrer 85-95% du contenu indésirable sans modérateur. Create ML permet de mettre à jour le modèle au fur et à mesure que de nouveaux exemples de violation arrivent, en le réentraînant en 3-5 minutes.

Classification des tickets de support

Grâce à la Classification de texte, Create ML peut apprendre à une application à classer automatiquement les demandes des utilisateurs en catégories : problème de paiement, panne technique, demande de fonctionnalité, réclamation. L’apprentissage nécessite 50-100 exemples de texte par catégorie. La précision de classification atteint 90% en utilisant le Word Tagger intégré basé sur BERT.

Système de recommandation de contenu

MLRecommender dans Create ML permet de construire un système de recommandation basé sur les actions des utilisateurs sans écrire manuellement de filtrage collaboratif. Le modèle s’entraîne sur des données Utilisateur → Élément → Évaluation (par exemple, un utilisateur a aimé un article). Create ML choisit automatiquement entre le filtrage collaboratif et l’approche basée sur le contenu en fonction du volume de données et génère les N meilleures recommandations.