Create ML — यह क्या है, बिना कोड के मॉडल प्रशिक्षण और एकीकरण

Create ML क्या है?

Create ML Apple के मशीन लर्निंग इकोसिस्टम का एक घटक है, जिसे WWDC 2018 में Core ML मॉडल को बिना कोड लिखे प्रशिक्षित करने के टूल के रूप में पेश किया गया था। Create ML से पहले, डेवलपर्स Python लाइब्रेरी (TensorFlow, PyTorch, scikit-learn) का उपयोग करते थे और फिर coremltools के माध्यम से मॉडल को Core ML में कनवर्ट करते थे। Create ML ने एक विज़ुअल इंटरफ़ेस, ट्रांसफर लर्निंग के लिए बिल्ट-इन न्यूरल नेटवर्क और Core ML प्रारूप में स्वचालित निर्यात प्रदान करके इस पूरी प्रक्रिया को सरल बना दिया।

विकास: iOS 11 से macOS 15 तक

Create ML का पहला संस्करण (iOS 11/macOS 10.14) केवल बुनियादी कार्यों का समर्थन करता था: छवि वर्गीकरण और टेक्स्ट विश्लेषण। macOS 10.15 संस्करण ने ऑब्जेक्ट डिटेक्शन, ध्वनि विश्लेषण और रिग्रेशन जोड़ा। Create ML 3 (macOS 13, 2022) ने अनुशंसा प्रणाली, स्वचालित एल्गोरिदम चयन के साथ सारणीबद्ध डेटा और बेहतर प्रशिक्षण विज़ुअलाइज़ेशन का समर्थन पेश किया। Create ML 4 (macOS 14, 2024) ने डायनेमिक मॉडल, स्ट्रीमिंग डेटा प्रशिक्षण और वितरित प्रशिक्षण के लिए Apple की क्लाउड सेवाओं के साथ एकीकरण जोड़ा।

Create ML किसके लिए है

Create ML तीन श्रेणियों के उपयोगकर्ताओं के लिए डिज़ाइन किया गया है: iOS डेवलपर्स जिनके पास ML का अनुभव नहीं है और वे अपने ऐप में बुद्धिमान सुविधाएँ जोड़ना चाहते हैं; उत्पाद प्रबंधक और डिज़ाइनर जो ML सुविधाओं का त्वरित प्रोटोटाइप बनाना चाहते हैं; और डेटा शोधकर्ता जिन्हें मॉडल को प्रोडक्शन इंफ्रास्ट्रक्चर में ले जाने से पहले त्वरित परिकल्पना सत्यापन की आवश्यकता होती है। जटिल मॉडल के लिए जिनकी आर्किटेक्चर गैर-मानक है, Create ML उपयुक्त नहीं है — ऐसे मामलों में, Core ML में बाद में रूपांतरण के साथ Python फ्रेमवर्क का उपयोग किया जाता है।

Create ML कार्य प्रकार और टेम्पलेट

Create ML सात कार्य प्रकार प्रदान करता है, प्रत्येक एक पूर्व-कॉन्फ़िगर टेम्पलेट के साथ: इमेज क्लासिफिकेशन, ऑब्जेक्ट डिटेक्शन, टेक्स्ट क्लासिफिकेशन और वर्ड टैगर, टेब्युलर रिग्रेशन, टेब्युलर क्लासिफिकेशन, साउंड क्लासिफिकेशन और रेकमेंडेशन। प्रत्येक टेम्पलेट में उस कार्य प्रकार के लिए अनुकूलित एक पूर्व-चयनित न्यूरल नेटवर्क आर्किटेक्चर शामिल है।

Create ML में इमेज क्लासिफिकेशन

इमेज क्लासिफिकेशन सबसे लोकप्रिय Create ML टेम्पलेट है। मॉडल को प्रशिक्षित करने के लिए, बस फ़ोल्डरों में क्रमबद्ध छवियों का एक सेट प्रदान करें (फ़ोल्डर का नाम = क्लास लेबल)। Create ML प्रभावी डेटासेट आकार बढ़ाने के लिए स्वचालित रूप से डेटा ऑगमेंटेशन (रोटेशन, स्केलिंग, रंग बदलाव) लागू करता है और फीचर निकालने के लिए पूर्व-प्रशिक्षित Vision FeaturePrint नेटवर्क (संशोधित ResNet-50) का उपयोग करता है। ट्रांसफर लर्निंग प्रशिक्षण डेटासेट आकार और Mac प्रदर्शन के आधार पर 2 से 15 मिनट तक लेता है।

ऑब्जेक्ट डिटेक्शन

ऑब्जेक्ट डिटेक्शन टेम्पलेट के लिए प्रत्येक ऑब्जेक्ट के लिए बाउंडिंग बॉक्स के साथ एनोटेट की गई छवियों की आवश्यकता होती है। Create ML COCO डेटासेट पर पूर्व-प्रशिक्षित वेट के साथ Core ML के लिए अनुकूलित YOLOv5 (You Only Look Once) आर्किटेक्चर का उपयोग करता है। न्यूनतम आवश्यकता — प्रति क्लास 30 एनोटेट छवियाँ, अनुशंसित — 200+। Create ML PASCAL VOC, COCO JSON और Create ML JSON प्रारूपों में एनोटेशन आयात का समर्थन करता है।

Xcode में Create ML के साथ कैसे काम करें

कार्यप्रवाह Xcode के भीतर Create ML में तीन चरणों का होता है: डेटा तैयारी, प्रशिक्षण और सत्यापन, और निर्यात। डेटा तैयारी के दौरान, प्रशिक्षण और परीक्षण सेट आयात किए जाते हैं। Create ML स्वचालित रूप से डेटा को विभाजित करता है (डिफ़ॉल्ट 80/20) और क्लास वितरण प्रदर्शित करता है। प्रशिक्षण के दौरान, टूल रीयल-टाइम में सटीकता और हानि चार्ट दिखाता है, साथ ही मीट्रिक: सटीकता, प्रेसिजन, रिकॉल, F1-स्कोर। सत्यापन के दौरान, आप Create ML विंडो में सीधे नए डेटा पर मॉडल का परीक्षण कर सकते हैं।

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 विज़ुअल इंटरफ़ेस

Create ML का ग्राफिकल इंटरफ़ेस Xcode में टेम्पलेट फ़ाइल श्रेणी चुनने के बाद साइड एडिटर में दिखाई देता है। इंटरफ़ेस में टैब होते हैं: Data (डेटा लोडिंग और पूर्वावलोकन), Features (फीचर और पैरामीटर चयन), Model (न्यूरल नेटवर्क आर्किटेक्चर), Training (प्रशिक्षण चार्ट और मीट्रिक), Evaluation (आरक्षित डेटा पर परीक्षण), Preview (इंटरैक्टिव मॉडल परीक्षण)। डेवलपर्स प्रक्रिया को रोके बिना प्रशिक्षण के दौरान टैब के बीच स्विच कर सकते हैं।

छोटे डेटासेट पर ट्रांसफर लर्निंग

ट्रांसफर लर्निंग वह मुख्य तकनीक है जो Create ML टेम्पलेट का आधार है। न्यूरल नेटवर्क को खरोंच से प्रशिक्षित करने (जिसके लिए लाखों लेबल किए गए उदाहरणों की आवश्यकता होती है) के बजाय, Create ML फीचर एक्सट्रैक्टर के रूप में पूर्व-प्रशिक्षित नेटवर्क (FeaturePrint) का उपयोग करता है और केवल अंतिम क्लासिफायर परतों को प्रशिक्षित करता है। यह प्रति क्लास 10 से 50 छवियों के डेटासेट पर 2-5 मिनट के प्रशिक्षण समय के साथ उच्च सटीकता (90-95%) प्राप्त करता है।

FeaturePrint — पूर्व-प्रशिक्षित एक्सट्रैक्टर

Create ML कई पूर्व-प्रशिक्षित FeaturePrint एक्सट्रैक्टर का उपयोग करता है: .scenePrint (ResNet-50 पर आधारित, Places365 पर प्रशिक्षित), .objectPrint (YOLOv5 पर आधारित, COCO पर प्रशिक्षित), .textPrint (BERT पर आधारित, Wikipedia पर प्रशिक्षित)। एक्सट्रैक्टर का चुनाव कार्य प्रकार और डेटा डोमेन पर निर्भर करता है। उदाहरण के लिए, .scenePrint इनडोर और लैंडस्केप छवियों के वर्गीकरण के लिए बेहतर उपयुक्त है, जबकि .objectPrint विशिष्ट ऑब्जेक्ट (कार, लोग, जानवर) का पता लगाने के लिए बेहतर है।

डेटा ऑगमेंटेशन

Create ML प्रशिक्षण के दौरान स्वचालित रूप से डेटा ऑगमेंटेशन लागू करता है: क्षैतिज फ्लिप, 20 डिग्री तक रोटेशन, रंग बदलाव, चमक और कंट्रास्ट समायोजन। ऑगमेंटेशन प्रत्येक एपॉच में प्रत्येक छवि पर यादृच्छिक रूप से लागू किया जाता है, जिससे प्रभावी डेटासेट आकार 10-20 गुना बढ़ जाता है। यह विशेष रूप से छोटे डेटासेट के लिए महत्वपूर्ण है जहाँ ओवरफ़िटिंग मुख्य समस्या है। ऑगमेंटेशन पैरामीटर Features टैब में समायोजित किए जा सकते हैं।

Swift API के माध्यम से प्रोग्रामेटिक प्रशिक्षण

विज़ुअल इंटरफ़ेस के अलावा, Create ML प्रोग्रामेटिक मॉडल प्रशिक्षण के लिए एक Swift API प्रदान करता है, जो प्रशिक्षण पाइपलाइनों के ऑटोमेशन और CI/CD प्रक्रियाओं में एकीकरण को सक्षम करता है। Swift API में क्लास MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier और MLRecommender शामिल हैं। प्रत्येक क्लास MLModelTrainer प्रोटोकॉल को train(), evaluate() और write() विधियों के साथ कार्यान्वित करता है।

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 एकीकरण

Create ML Swift API को Xcode बिल्ड फ़ेज़ स्क्रिप्ट या macOS रनर पर GitLab/GitHub Actions में चलाया जा सकता है। यह हर बार जब रिपॉजिटरी में प्रशिक्षण डेटासेट अपडेट होता है, स्वचालित मॉडल पुनर्प्रशिक्षण की अनुमति देता है। उदाहरण के लिए, आप एक पाइपलाइन सेट कर सकते हैं: रिपॉजिटरी में डेटा पुश → GitLab Runner Create ML Swift स्क्रिप्ट निष्पादित करता है → निर्यात किया गया .mlpackage मॉडल वापस रिपॉजिटरी में कमिट किया जाता है → अपडेटेड मॉडल के साथ ऐप बनाया जाता है।

Create ML की सीमाएँ

अपनी सुविधा के बावजूद, Create ML की कई सीमाएँ हैं जो ML कार्यों के लिए टूल चुनते समय विचार करना महत्वपूर्ण हैं। मुख्य: केवल macOS पर काम करता है, न्यूरल नेटवर्क आर्किटेक्चर पर सीमित नियंत्रण, कस्टम लेयर का उपयोग करने में असमर्थता, बिल्ट-इन FeaturePrint एक्सट्रैक्टर पर निर्भरता, और मल्टी-GPU या क्लस्टर प्रशिक्षण के लिए कोई समर्थन नहीं।

कोई प्रोडक्शन पाइपलाइन समर्थन नहीं

Create ML बड़े डेटासेट (100,000 से अधिक उदाहरण) पर प्रोडक्शन प्रशिक्षण के लिए डिज़ाइन नहीं किया गया है। अधिकतम डेटासेट आकार Mac की RAM द्वारा सीमित है। बड़े पैमाने के कार्यों के लिए, Apple सर्वर इंफ्रास्ट्रक्चर पर Python फ्रेमवर्क (TensorFlow, PyTorch) का उपयोग करने की सलाह देता है, जिसके बाद coremltools के माध्यम से Core ML में रूपांतरण किया जाता है। Create ML प्रोटोटाइपिंग और छोटी परियोजनाओं के लिए एक टूल है, एंटरप्राइज ML के लिए नहीं।

सारणीबद्ध डेटा के लिए सीमित एल्गोरिदम

सारणीबद्ध डेटा के लिए, Create ML केवल तीन एल्गोरिदम का समर्थन करता है: Random Forest, Gradient Boosting (XGBoost) और Linear Regression। सारणीबद्ध डेटा (TabNet, FT-Transformer), SVM, kNN या scikit-learn में उपलब्ध एन्सेम्बल विधियों के लिए न्यूरल नेटवर्क का कोई समर्थन नहीं है। उच्च सटीकता की आवश्यकता वाले सारणीबद्ध डेटा कार्यों के लिए, Create ML अक्सर क्लासिक ML लाइब्रेरी की तुलना में कम प्रदर्शन करता है।

केवल macOS

मॉडल प्रशिक्षण केवल macOS पर संभव है, क्योंकि Create ML Metal Performance Shaders और macOS-विशेष फ्रेमवर्क का उपयोग करता है। यह सीमा Linux सर्वर या क्लाउड GPU क्लस्टर पर प्रशिक्षण को असंभव बनाती है। क्लाउड इंफ्रास्ट्रक्चर का उपयोग करने वाली टीमों के लिए, coremltools + Python ही एकमात्र विकल्प है।

परियोजनाओं में Create ML के उपयोग के उदाहरण

आइए वाणिज्यिक अनुप्रयोगों में Create ML के उपयोग के तीन वास्तविक परिदृश्य देखें: उपयोगकर्ता सामग्री मॉडरेशन, व्यक्तिगत अनुशंसाएँ और स्वचालित दस्तावेज़ छँटाई। ये परिदृश्य उन सामान्य कार्यों को प्रदर्शित करते हैं जिन्हें गहन मशीन लर्निंग ज्ञान के बिना Create ML के साथ हल किया जा सकता है।

इमेज मॉडरेशन

एक फोटो-शेयरिंग ऐप स्वचालित मॉडरेशन के लिए इमेज क्लासिफिकेशन का उपयोग कर सकता है: 100-200 छवियों को “स्वीकार्य” और “उल्लंघन” लेबल के साथ प्रशिक्षित करने से बिना मॉडरेटर के 85-95% अवांछित सामग्री को फ़िल्टर किया जा सकता है। Create ML उल्लंघन के नए उदाहरण आने पर मॉडल को अपडेट करने की अनुमति देता है, इसे 3-5 मिनट में पुनर्प्रशिक्षित करता है।

सहायता टिकट वर्गीकरण

टेक्स्ट क्लासिफिकेशन का उपयोग करके, Create ML एक ऐप को उपयोगकर्ता पूछताछ को श्रेणियों में स्वचालित रूप से वर्गीकृत करना सिखा सकता है: भुगतान समस्या, तकनीकी खराबी, सुविधा अनुरोध, शिकायत। प्रशिक्षण के लिए प्रति श्रेणी 50-100 टेक्स्ट उदाहरणों की आवश्यकता होती है। BERT-आधारित बिल्ट-इन वर्ड टैगर का उपयोग करके वर्गीकरण सटीकता 90% तक पहुँचती है।

सामग्री अनुशंसा प्रणाली

Create ML में MLRecommender मैन्युअल रूप से सहयोगी फ़िल्टरिंग लिखे बिना उपयोगकर्ता क्रियाओं के आधार पर अनुशंसा प्रणाली बनाने की अनुमति देता है। मॉडल उपयोगकर्ता → आइटम → रेटिंग डेटा (जैसे, उपयोगकर्ता ने एक लेख पसंद किया) पर प्रशिक्षित होता है। Create ML डेटा वॉल्यूम के आधार पर सहयोगी फ़िल्टरिंग और सामग्री-आधारित दृष्टिकोण के बीच स्वचालित रूप से चुनता है और शीर्ष-N अनुशंसाएँ आउटपुट करता है।