Create ML — apa itu, pembelajaran model tanpa kode dan integrasi

Apa itu Create ML?

Create ML — adalah komponen ekosistem machine learning Apple, diperkenalkan di WWDC 2018 sebagai alat untuk melatih model Core ML tanpa perlu menulis kode. Sebelum Create ML, pengembang menggunakan pustaka Python (TensorFlow, PyTorch, scikit-learn) dan kemudian mengonversi model ke Core ML melalui coremltools. Create ML mengabstraksi seluruh proses ini, menyediakan antarmuka visual, jaringan saraf bawaan untuk transfer learning, dan ekspor otomatis ke format Core ML.

Evolusi: dari iOS 11 ke macOS 15

Versi pertama Create ML (iOS 11/macOS 10.14) hanya mendukung tugas dasar: klasifikasi gambar dan analisis teks. Versi untuk macOS 10.15 menambahkan deteksi objek, analisis suara, dan regresi. Create ML 3 (macOS 13, 2022) menghadirkan dukungan untuk sistem rekomendasi, data tabel dengan pemilihan algoritma otomatis, dan visualisasi proses pelatihan yang lebih baik. Create ML 4 (macOS 14, 2024) menambahkan dukungan untuk model dinamis, pelatihan pada data streaming, dan integrasi dengan layanan cloud Apple untuk pelatihan terdistribusi.

Untuk siapa Create ML cocok

Create ML ditujukan untuk tiga kategori pengguna: pengembang iOS tanpa pengalaman ML yang ingin menambahkan fitur cerdas ke aplikasi; manajer produk dan desainer yang ingin membuat prototipe fitur ML dengan cepat; peneliti data yang membutuhkan validasi hipotesis cepat sebelum memindahkan model ke infrastruktur produksi. Untuk model kompleks dengan arsitektur tidak standar, Create ML tidak cocok — dalam kasus seperti itu, kerangka kerja Python dengan konversi berikutnya ke Core ML digunakan.

Jenis Tugas dan Templat Create ML

Create ML menawarkan tujuh jenis tugas, yang masing-masing tersedia templat yang telah dikonfigurasi sebelumnya: klasifikasi gambar (Image Classification), deteksi objek (Object Detection), analisis teks (Text Classification dan Word Tagger), regresi data tabel (Tabular Regression), klasifikasi data tabel (Tabular Classification), analisis suara (Sound Classification), sistem rekomendasi (Recommendation). Setiap templat mencakup arsitektur jaringan saraf yang telah dipilih sebelumnya dan optimal untuk jenis tugas tersebut.

Klasifikasi Gambar di Create ML

Image Classification — adalah templat Create ML paling populer. Untuk melatih model, cukup sediakan kumpulan gambar yang dibagi ke dalam folder (nama folder = label kelas). Create ML secara otomatis menerapkan augmentasi data (rotasi, penskalaan, pergeseran warna) untuk meningkatkan ukuran efektif kumpulan data dan menggunakan jaringan terlatih Vision FeaturePrint (ResNet-50 yang dimodifikasi) untuk ekstraksi fitur. Pelatihan dengan transfer learning memakan waktu 2 hingga 15 menit tergantung pada ukuran kumpulan data dan kinerja Mac.

Deteksi Objek

Templat Object Detection memerlukan gambar yang diberi anotasi dengan kotak pembatas (bounding boxes) untuk setiap objek. Create ML menggunakan arsitektur YOLOv5 (You Only Look Once) yang diadaptasi untuk Core ML, dengan bobot terlatih pada kumpulan COCO. Jumlah minimum adalah 30 gambar beranotasi per kelas, yang direkomendasikan — 200+. Create ML mendukung impor anotasi dalam format PASCAL VOC, COCO JSON, dan Create ML JSON.

Cara Bekerja dengan Create ML di Xcode

Alur kerja Create ML di Xcode terdiri dari tiga tahap: persiapan data, pelatihan dan validasi, ekspor. Pada tahap persiapan data, set pelatihan dan pengujian diimpor. Create ML secara otomatis membagi data (standar 80/20) dan menampilkan distribusi kelas. Pada tahap pelatihan, alat ini menunjukkan grafik akurasi dan kerugian secara real-time, serta metrik: accuracy, precision, recall, F1-score. Pada tahap validasi, Anda dapat menguji model pada data baru langsung di jendela 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")
)

Antarmuka Visual Xcode

Antarmuka grafis Create ML di Xcode ditampilkan di editor samping setelah memilih file templat kategori. Antarmuka berisi tab: Data (memuat dan melihat data), Features (memilih fitur dan parameter), Model (arsitektur jaringan saraf), Training (grafik pelatihan dan metrik), Evaluation (pengujian pada data yang ditahan), Preview (pengujian interaktif model). Pengembang dapat beralih antar tab selama pelatihan tanpa menghentikan pelatihan.

Transfer Learning pada Kumpulan Data Kecil

Transfer Learning (pembelajaran transfer) — adalah teknologi kunci yang mendasari templat Create ML. Alih-alih melatih jaringan saraf dari awal (yang membutuhkan jutaan contoh berlabel), Create ML menggunakan jaringan terlatih (FeaturePrint) sebagai ekstraktor fitur dan hanya melatih lapisan terakhir pengklasifikasi. Ini memungkinkan pencapaian akurasi tinggi (90-95%) pada kumpulan 10 hingga 50 gambar per kelas dengan waktu pelatihan 2-5 menit.

FeaturePrint — Ekstraktor Terlatih

Create ML menggunakan beberapa ekstraktor FeaturePrint terlatih: .scenePrint (berbasis ResNet-50, dilatih pada Places365), .objectPrint (berbasis YOLOv5, dilatih pada COCO), .textPrint (berbasis BERT, dilatih pada Wikipedia). Pemilihan ekstraktor tergantung pada jenis tugas dan domain data. Misalnya, .scenePrint lebih cocok untuk klasifikasi gambar interior dan lanskap, sedangkan .objectPrint lebih cocok untuk deteksi objek spesifik (mobil, orang, hewan).

Augmentasi Data

Create ML secara otomatis menerapkan augmentasi data selama pelatihan: pencerminan horizontal, rotasi hingga 20 derajat, pergeseran warna, perubahan kecerahan dan kontras. Augmentasi diterapkan secara acak ke setiap gambar di setiap epoch, yang meningkatkan ukuran efektif kumpulan data 10-20 kali lipat. Ini sangat penting untuk kumpulan data kecil, di mana overfitting adalah masalah utama. Parameter augmentasi dapat disesuaikan di tab Features.

Pelatihan Terprogram melalui Swift API

Selain antarmuka visual, Create ML menyediakan Swift API untuk pelatihan model secara terprogram, yang memungkinkan otomatisasi pipeline pelatihan dan integrasinya ke dalam proses CI/CD. Swift API mencakup kelas MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier, dan MLRecommender. Setiap kelas mengimplementasikan protokol MLModelTrainer dengan metode train(), evaluate(), dan 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)")

Integrasi CI/CD

Swift API Create ML dapat dijalankan dalam skrip build phases Xcode atau di GitLab/GitHub Actions pada runner macOS. Ini memungkinkan pelatihan ulang model secara otomatis setiap kali dataset pelatihan di repositori diperbarui. Misalnya, Anda dapat mengonfigurasi pipeline: push data ke repositori → GitLab Runner menjalankan skrip Swift Create ML → model .mlpackage yang diekspor di-commit kembali ke repositori → aplikasi dibangun dengan model yang diperbarui.

Keterbatasan Create ML

Meskipun nyaman, Create ML memiliki sejumlah keterbatasan yang penting untuk dipertimbangkan saat memilih alat untuk tugas ML. Yang utama: hanya berfungsi di macOS, kontrol terbatas atas arsitektur jaringan saraf, ketidakmampuan menggunakan lapisan kustom (custom layers), ketergantungan pada ekstraktor FeaturePrint bawaan, dan tidak adanya dukungan untuk pelatihan pada banyak GPU atau di kluster.

Tidak Ada Dukungan Pipeline Produksi

Create ML tidak dirancang untuk pelatihan produksi pada kumpulan data besar (lebih dari 100.000 contoh). Ukuran maksimum kumpulan data dibatasi oleh jumlah RAM Mac. Untuk tugas skala besar, Apple merekomendasikan penggunaan kerangka kerja Python (TensorFlow, PyTorch) pada infrastruktur server dengan konversi berikutnya ke Core ML melalui coremltools. Create ML adalah alat untuk pembuatan prototipe dan proyek kecil, bukan untuk enterprise ML.

Algoritma Terbatas untuk Data Tabel

Untuk data tabel, Create ML hanya mendukung tiga algoritma: Random Forest, Gradient Boosting (XGBoost), dan Linear Regression. Tidak ada dukungan untuk jaringan saraf untuk data tabel (TabNet, FT-Transformer), SVM, kNN, dan metode ensemble yang tersedia di scikit-learn. Untuk tugas dengan data tabel yang membutuhkan akurasi tinggi, Create ML sering kalah dengan pustaka ML klasik.

Hanya untuk macOS

Pelatihan model hanya mungkin dilakukan di macOS, karena Create ML menggunakan Metal Performance Shaders dan kerangka kerja eksklusif macOS. Keterbatasan ini membuat pelatihan di server Linux atau kluster GPU cloud menjadi tidak mungkin. Untuk tim yang menggunakan infrastruktur cloud, coremltools + Python tetap menjadi satu-satunya pilihan.

Contoh Penggunaan Create ML dalam Proyek

Mari kita lihat tiga skenario nyata penggunaan Create ML dalam aplikasi komersial: moderasi konten pengguna, rekomendasi pribadi, dan pengurutan dokumen otomatis. Skenario ini menunjukkan tugas tipikal yang dapat diselesaikan dengan Create ML tanpa pengetahuan mendalam tentang machine learning.

Moderasi Gambar

Aplikasi berbagi foto dapat menggunakan Image Classification untuk moderasi otomatis: pelatihan model pada 100-200 gambar dengan label “diizinkan” dan “pelanggaran” memungkinkan penyaringan 85-95% konten yang tidak diinginkan tanpa partisipasi moderator. Create ML memungkinkan pembaruan model seiring masuknya contoh pelanggaran baru, dengan melatih ulang dalam 3-5 menit.

Klasifikasi Pengaduan Dukungan

Dengan Text Classification Create ML, Anda dapat mengajari aplikasi untuk mengklasifikasikan pengaduan pengguna secara otomatis ke dalam kategori: masalah pembayaran, kerusakan teknis, permintaan fitur, keluhan. Untuk pelatihan, 50-100 contoh teks per kategori sudah cukup. Akurasi klasifikasi mencapai 90% menggunakan Word Tagger bawaan berbasis BERT.

Sistem Rekomendasi Konten

MLRecommender di Create ML memungkinkan pembangunan sistem rekomendasi berdasarkan tindakan pengguna tanpa menulis filtering kolaboratif secara manual. Model dilatih pada data tipe User → Item → Rating (misalnya, pengguna menyukai artikel). Create ML secara otomatis memilih antara filtering kolaboratif dan pendekatan berbasis konten berdasarkan volume data dan menampilkan rekomendasi top-N.