Create ML — mi ez, modellek tanítása kód nélkül és integráció

Mi az a Create ML?

Create ML — az Apple gépi tanulási ökoszisztémájának összetevője, amelyet a WWDC 2018-on mutattak be a Core ML modellek tanítására szolgáló eszközként kódírás nélkül. A Create ML előtt a fejlesztők Python könyvtárakat (TensorFlow, PyTorch, scikit-learn) használtak, majd a modelleket coremltools segítségével konvertálták Core ML-be. A Create ML absztrahálta ezt a teljes folyamatot, vizuális felületet, beépített neurális hálózatokat a transfer learninghez és automatikus exportot biztosítva Core ML formátumba.

Evolúció: iOS 11-től macOS 15-ig

A Create ML első verziója (iOS 11/macOS 10.14) csak alapvető feladatokat támogatott: képbesorolást és szövegelemzést. A macOS 10.15 verzió objektumdetektálást, hangelemzést és regressziót adott hozzá. A Create ML 3 (macOS 13, 2022) támogatást hozott ajánlórendszerekhez, táblázatos adatokhoz automatikus algoritmusválasztással és javított tanítási vizualizációval. A Create ML 4 (macOS 14, 2024) dinamikus modellek, adatfolyamokon való tanítás és az Apple felhőszolgáltatásaival való integráció támogatását adta hozzá elosztott tanításhoz.

Kinek való a Create ML

A Create ML három felhasználói kategóriának készült: iOS fejlesztőknek ML tapasztalat nélkül, akik intelligens funkciókat szeretnének hozzáadni az alkalmazáshoz; termékmenedzsereknek és tervezőknek, akik gyorsan szeretnének ML funkciókat prototipizálni; adatkutatóknak, akiknek gyors hipotézisvalidációra van szükségük, mielőtt a modellt a termelési infrastruktúrába helyeznék. Összetett, nem szabványos architektúrájú modellekhez a Create ML nem alkalmas — ilyen esetekben Python keretrendszereket használnak későbbi Core ML konverzióval.

Create ML feladattípusok és sablonok

A Create ML hét feladattípust kínál, mindegyikhez előre konfigurált sablonnal: képbesorolás (Image Classification), objektumdetektálás (Object Detection), szövegelemzés (Text Classification és Word Tagger), táblázatos regresszió (Tabular Regression), táblázatos besorolás (Tabular Classification), hangelemzés (Sound Classification), ajánlórendszerek (Recommendation). Minden sablon tartalmaz egy előre kiválasztott neurális hálózati architektúrát, amely optimális az adott feladattípushoz.

Képbesorolás a Create ML-ben

Image Classification — a legnépszerűbb Create ML sablon. A modell tanításához elegendő mappákba osztott képek halmazát biztosítani (mappanév = osztálycímke). A Create ML automatikusan alkalmaz adataugmentációt (forgatás, méretezés, színeltolás) az adatkészlet effektív méretének növelésére, és az előre betanított Vision FeaturePrint hálózatot (módosított ResNet-50) használja jellemzőkinyerésre. A transfer learninggel történő tanítás 2-15 percig tart az adatkészlet méretétől és a Mac teljesítményétől függően.

Objektumdetektálás

Az Object Detection sablon minden objektumhoz határolókeretekkel (bounding boxes) ellátott képeket igényel. A Create ML a Core ML-hez adaptált YOLOv5 (You Only Look Once) architektúrát használja, előre betanított súlyokkal a COCO adatkészleten. A minimum 30 jegyzetelt kép osztályonként, az ajánlott — 200+. A Create ML támogatja a jegyzetek importálását PASCAL VOC, COCO JSON és Create ML JSON formátumokban.

Hogyan dolgozzunk a Create ML-lel az Xcode-ban

A munkafolyamat a Create ML-ben az Xcode-ban három szakaszból áll: adat-előkészítés, tanítás és validáció, export. Az adat-előkészítés szakaszában a tanító és teszt adatkészletek importálásra kerülnek. A Create ML automatikusan felosztja az adatokat (alapértelmezés szerint 80/20) és megjeleníti az osztályok eloszlását. A tanítás szakaszában az eszköz valós idejű pontosság- és veszteséggrafikonokat, valamint metrikákat mutat: accuracy, precision, recall, F1-score. A validációs szakaszban tesztelheti a modellt új adatokon közvetlenül a Create ML ablakban.

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")
)

Az Xcode vizuális felülete

A Create ML grafikus felülete az Xcode-ban az oldalsó szerkesztőben jelenik meg a kategóriasablon fájl kiválasztása után. A felület a következő lapokat tartalmazza: Data (adatok betöltése és megtekintése), Features (jellemzők és paraméterek kiválasztása), Model (neurális hálózat architektúrája), Training (tanítási grafikonok és metrikák), Evaluation (tesztelés félretett adatokon), Preview (a modell interaktív tesztelése). A fejlesztő a tanítás leállítása nélkül válthat a lapok között.

Transfer Learning kis adatkészleteken

Transfer Learning (átviteli tanulás) — a kulcstechnológia, amelyen a Create ML sablonok alapulnak. Ahelyett, hogy a neurális hálózatot a nulláról tanítanák (ami milliónyi címkézett példát igényel), a Create ML egy előre betanított hálózatot (FeaturePrint) használ jellemzőkinyerőként, és csak az osztályozó utolsó rétegeit tanítja. Ez lehetővé teszi a magas pontosság (90-95%) elérését osztályonként 10-50 képet tartalmazó adatkészleteken, 2-5 perces tanítási idővel.

FeaturePrint — előre betanított kinyerők

A Create ML több előre betanított FeaturePrint kinyerőt használ: .scenePrint (ResNet-50 alapú, Places365ön tanítva), .objectPrint (YOLOv5 alapú, COCO-n tanítva), .textPrint (BERT alapú, a Wikipédián tanítva). A kinyerő kiválasztása a feladat típusától és az adatok doménjétől függ. Például a .scenePrint alkalmasabb belső terek és tájak képeinek osztályozására, míg a .objectPrint konkrét objektumok (autók, emberek, állatok) detektálására.

Adataugmentáció (Data Augmentation)

A Create ML automatikusan alkalmaz adataugmentációt a tanítás során: vízszintes tükrözés, 20 fokos forgatás, színeltolás, fényerő- és kontrasztváltoztatás. Az augmentáció véletlenszerűen kerül alkalmazásra minden képre minden epochban, ami 10-20-szorosára növeli az adatkészlet effektív méretét. Ez különösen fontos kis adatkészleteknél, ahol a túltanulás (overfitting) a fő probléma. Az augmentációs paraméterek a Features lapon állíthatók be.

Programozott tanítás Swift API-n keresztül

A vizuális felületen kívül a Create ML Swift API-t biztosít a modellek programozott tanításához, lehetővé téve a tanítási csővezetékek automatizálását és CI/CD folyamatokba való integrálását. A Swift API tartalmazza az MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier és MLRecommender osztályokat. Minden osztály implementálja az MLModelTrainer protokollt a train(), evaluate() és write() metódusokkal.

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 integráció

A Create ML Swift API futtatható Xcode build phases szkriptjeiben vagy GitLab/GitHub Actions rendszerekben macOS futókon. Ez lehetővé teszi a modell automatikus újratanítását minden alkalommal, amikor a tanító adatkészlet a repóban frissül. Például beállíthat egy csővezetéket: adatok push-olása a repóba → GitLab Runner futtatja a Swift Create ML szkriptet → az exportált .mlpackage modell visszakerül a repóba → az alkalmazás a frissített modellel épül.

A Create ML korlátai

A kényelem ellenére a Create ML számos korláttal rendelkezik, amelyeket figyelembe kell venni az ML feladatok eszközének kiválasztásakor. A főbbek: csak macOS-en működik, korlátozott kontroll a neurális hálózat architektúrája felett, egyedi rétegek (custom layers) használatának lehetetlensége, a beépített FeaturePrint kinyerőkhöz való kötöttség és a több GPU-n vagy klaszterben történő tanítás támogatásának hiánya.

Nincs termelési csővezeték-támogatás

A Create ML nem termelési tanításra készült nagy adatkészleteken (több mint 100 000 példa). Az adatkészlet maximális méretét a Mac RAM mennyisége korlátozza. Nagyszabású feladatokhoz az Apple Python keretrendszerek (TensorFlow, PyTorch) használatát ajánlja szerverinfrastruktúrán, későbbi Core ML konverzióval coremltools segítségével. A Create ML prototipizálási és kisprojekt eszköz, nem enterprise ML-hez.

Korlátozott algoritmusok táblázatos adatokhoz

Táblázatos adatokhoz a Create ML csak három algoritmust támogat: Random Forest, Gradient Boosting (XGBoost) és Linear Regression. Hiányzik a neurális hálózatok támogatása táblázatos adatokhoz (TabNet, FT-Transformer), SVM, kNN és a scikit-learn-ben elérhető együttes módszerek. A magas pontosságot igénylő táblázatos adatfeladatoknál a Create ML gyakran alulmarad a klasszikus ML könyvtárakkal szemben.

Csak macOS-re

A modellek tanítása csak macOS-en lehetséges, mivel a Create ML Metal Performance Shaders-t és macOS-exkluzív keretrendszereket használ. Ez a korlátozás lehetetlenné teszi a tanítást Linux szervereken vagy felhő GPU klaszterekben. A felhőinfrastruktúrát használó csapatok számára a coremltools + Python marad az egyetlen lehetőség.

Create ML használati példák projektekben

Nézzünk három valós forgatókönyvet a Create ML kereskedelmi alkalmazásokban való használatára: felhasználói tartalom moderálása, személyes ajánlások és dokumentumok automatikus rendezése. Ezek a forgatókönyvek tipikus feladatokat mutatnak be, amelyek megoldhatók a Create ML-lel mély gépi tanulási ismeretek nélkül.

Képek moderálása

Egy fotómegosztó alkalmazás használhatja az Image Classification-t automatikus moderálásra: a modell tanítása 100-200 „engedélyezett” és „szabálysértés” címkéjű képen lehetővé teszi a nem kívánt tartalom 85-95%-ának kiszűrését moderátor részvétele nélkül. A Create ML lehetővé teszi a modell frissítését az új szabálysértési példák érkezésével, 3-5 perces újratanítással.

Támogatási kérések osztályozása

A Text Classification segítségével a Create ML megtanítható a felhasználói kérések automatikus kategorizálására: fizetési probléma, technikai hiba, funkciókérés, panasz. A tanításhoz kategóriánként 50-100 szöveges példa elegendő. Az osztályozás pontossága eléri a 90%-ot a BERT-alapú beépített Word Tagger használatával.

Tartalomajánló rendszer

A MLRecommender a Create ML-ben lehetővé teszi egy ajánlórendszer felépítését a felhasználói műveletek alapján, kézi kollaboratív szűrés írása nélkül. A modell User → Item → Rating típusú adatokon tanul (pl. a felhasználó like-olt egy cikket). A Create ML automatikusan választ a kollaboratív szűrés és a tartalom alapú megközelítés között az adatmennyiség alapján, és megjeleníti a top-N ajánlásokat.