Create ML — cos’è, addestramento modelli senza codice e integrazione

Cos’è Create ML?

Create ML è un componente dell’ecosistema di machine learning di Apple, presentato al WWDC 2018 come strumento per addestrare modelli Core ML senza scrivere codice. Prima di Create ML, gli sviluppatori utilizzavano librerie Python (TensorFlow, PyTorch, scikit-learn) e poi convertivano i modelli in Core ML tramite coremltools. Create ML ha astratto l’intero processo fornendo un’interfaccia visiva, reti neurali integrate per il transfer learning e l’esportazione automatica in formato Core ML.

Evoluzione: da iOS 11 a macOS 15

La prima versione di Create ML (iOS 11/macOS 10.14) supportava solo attività di base: classificazione immagini e analisi del testo. La versione per macOS 10.15 ha aggiunto rilevamento oggetti, analisi audio e regressione. Create ML 3 (macOS 13, 2022) ha introdotto il supporto per sistemi di raccomandazione, dati tabellari con selezione automatica degli algoritmi e visualizzazione migliorata dell’addestramento. Create ML 4 (macOS 14, 2024) ha aggiunto il supporto per modelli dinamici, addestramento su dati in streaming e integrazione con i servizi cloud di Apple per l’addestramento distribuito.

A chi è rivolto Create ML

Create ML è progettato per tre categorie di utenti: sviluppatori iOS senza esperienza ML che vogliono aggiungere funzionalità intelligenti alla loro app; product manager e designer che desiderano prototipare rapidamente funzionalità ML; e ricercatori di dati che necessitano di una rapida validazione di ipotesi prima di trasferire un modello nell’infrastruttura di produzione. Per modelli complessi con architettura non standard, Create ML non è adatto — in questi casi vengono utilizzati framework Python con successiva conversione in Core ML.

Tipi di attività e template di Create ML

Create ML offre sette tipi di attività, ciascuno con un template preconfigurato: Classificazione Immagini, Rilevamento Oggetti, Classificazione Testo e Word Tagger, Regressione Tabellare, Classificazione Tabellare, Classificazione Audio e Raccomandazione. Ogni template include un’architettura di rete neurale preselezionata ottimizzata per quel tipo di attività.

Classificazione immagini in Create ML

Classificazione Immagini è il template più popolare di Create ML. Per addestrare un modello, basta fornire un insieme di immagini organizzate in cartelle (nome cartella = etichetta di classe). Create ML applica automaticamente l’aumento dei dati (rotazione, ridimensionamento, spostamento colore) per aumentare la dimensione effettiva del dataset e utilizza la rete Vision FeaturePrint pre-addestrata (ResNet-50 modificata) per l’estrazione delle caratteristiche. L’addestramento con transfer learning richiede da 2 a 15 minuti a seconda della dimensione del dataset e delle prestazioni del Mac.

Rilevamento oggetti

Il template Rilevamento Oggetti richiede immagini annotate con riquadri di delimitazione (bounding boxes) per ogni oggetto. Create ML utilizza l’architettura YOLOv5 (You Only Look Once) adattata per Core ML, con pesi pre-addestrati sul dataset COCO. Requisito minimo — 30 immagini annotate per classe, raccomandato — 200+. Create ML supporta l’importazione di annotazioni nei formati PASCAL VOC, COCO JSON e Create ML JSON.

Come lavorare con Create ML in Xcode

Il flusso di lavoro in Create ML all’interno di Xcode si compone di tre fasi: preparazione dei dati, addestramento e validazione, ed esportazione. Durante la preparazione dei dati, vengono importati i set di addestramento e test. Create ML divide automaticamente i dati (default 80/20) e mostra la distribuzione delle classi. Durante l’addestramento, lo strumento mostra grafici di accuratezza e perdita in tempo reale, oltre a metriche: accuratezza, precisione, richiamo, punteggio F1. Durante la validazione, è possibile testare il modello su nuovi dati direttamente nella finestra di 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")
)

Interfaccia visiva di Xcode

L’interfaccia grafica di Create ML in Xcode appare nell’editor laterale dopo aver selezionato una categoria di file template. L’interfaccia contiene le schede: Data (caricamento e anteprima dati), Features (selezione caratteristiche e parametri), Model (architettura della rete neurale), Training (grafici di addestramento e metriche), Evaluation (test su dati trattenuti), Preview (test interattivo del modello). Lo sviluppatore può passare da una scheda all’altra durante l’addestramento senza fermare il processo.

Transfer Learning su piccoli dataset

Transfer Learning (apprendimento per trasferimento) è la tecnologia chiave alla base dei template di Create ML. Invece di addestrare una rete neurale da zero (che richiede milioni di esempi etichettati), Create ML utilizza una rete pre-addestrata (FeaturePrint) come estrattore di caratteristiche e addestra solo gli ultimi strati del classificatore. Ciò consente di raggiungere un’elevata precisione (90-95%) su dataset di 10 a 50 immagini per classe con un tempo di addestramento di 2-5 minuti.

FeaturePrint — Estrattori pre-addestrati

Create ML utilizza diversi estrattori FeaturePrint pre-addestrati: .scenePrint (basato su ResNet-50, addestrato su Places365), .objectPrint (basato su YOLOv5, addestrato su COCO), .textPrint (basato su BERT, addestrato su Wikipedia). La scelta dell’estrattore dipende dal tipo di attività e dal dominio dei dati. Ad esempio, .scenePrint è più adatto per classificare immagini di interni e paesaggi, mentre .objectPrint è migliore per rilevare oggetti specifici (auto, persone, animali).

Aumento dei dati

Create ML applica automaticamente l’aumento dei dati durante l’addestramento: capovolgimento orizzontale, rotazione fino a 20 gradi, spostamento colore, regolazione di luminosità e contrasto. L’aumento viene applicato casualmente a ogni immagine a ogni epoca, aumentando la dimensione effettiva del dataset di 10-20 volte. Ciò è particolarmente importante per i piccoli dataset dove l’overfitting è il problema principale. I parametri di aumento possono essere regolati nella scheda Features.

Addestramento programmatico tramite API Swift

Oltre all’interfaccia visiva, Create ML fornisce un’API Swift per l’addestramento programmatico dei modelli, consentendo l’automazione delle pipeline di addestramento e l’integrazione nei processi CI/CD. L’API Swift include le classi MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier e MLRecommender. Ogni classe implementa il protocollo MLModelTrainer con i metodi train(), evaluate() e 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)")

Integrazione CI/CD

L’API Swift di Create ML può essere eseguita in script di build phases di Xcode o in GitLab/GitHub Actions su runner macOS. Ciò consente di riaddestrare automaticamente il modello ogni volta che il dataset di addestramento nel repository viene aggiornato. Ad esempio, è possibile configurare una pipeline: push dei dati nel repository → GitLab Runner esegue lo script Swift Create ML → il modello .mlpackage esportato viene ricommitato nel repository → l’app viene compilata con il modello aggiornato.

Limitazioni di Create ML

Nonostante la sua comodità, Create ML presenta diverse limitazioni importanti da considerare nella scelta di uno strumento per attività ML. Le principali: funziona solo su macOS, controllo limitato sull’architettura della rete neurale, impossibilità di utilizzare layer personalizzati, dipendenza dagli estrattori FeaturePrint integrati e nessun supporto per addestramento multi-GPU o in cluster.

Nessun supporto per pipeline di produzione

Create ML non è progettato per l’addestramento in produzione su grandi dataset (oltre 100.000 esempi). La dimensione massima del dataset è limitata dalla RAM del Mac. Per attività su larga scala, Apple raccomanda di utilizzare framework Python (TensorFlow, PyTorch) su infrastruttura server con successiva conversione in Core ML tramite coremltools. Create ML è uno strumento per prototipazione e progetti piccoli, non per ML aziendale.

Algoritmi limitati per dati tabellari

Per i dati tabellari, Create ML supporta solo tre algoritmi: Random Forest, Gradient Boosting (XGBoost) e Regressione Lineare. Non c’è supporto per reti neurali per dati tabellari (TabNet, FT-Transformer), SVM, kNN o metodi ensemble disponibili in scikit-learn. Per attività con dati tabellari che richiedono alta precisione, Create ML è spesso insufficiente rispetto alle librerie ML classiche.

Solo macOS

L’addestramento dei modelli è possibile solo su macOS, poiché Create ML utilizza Metal Performance Shaders e framework esclusivi di macOS. Questa limitazione rende impossibile l’addestramento su server Linux o cluster GPU cloud. Per i team che utilizzano infrastruttura cloud, coremltools + Python rimangono l’unica opzione.

Esempi di utilizzo di Create ML in progetti

Esaminiamo tre scenari reali di utilizzo di Create ML in applicazioni commerciali: moderazione dei contenuti utente, raccomandazioni personalizzate e smistamento automatico dei documenti. Questi scenari mostrano attività tipiche che possono essere risolte con Create ML senza conoscenze approfondite di machine learning.

Moderazione delle immagini

Un’app di condivisione foto può utilizzare la Classificazione Immagini per la moderazione automatica: addestrare un modello su 100-200 immagini etichettate come “accettabile” e “violazione” consente di filtrare l’85-95% dei contenuti indesiderati senza un moderatore. Create ML consente di aggiornare il modello man mano che arrivano nuovi esempi di violazione, riaddestrandolo in 3-5 minuti.

Classificazione dei ticket di supporto

Utilizzando la Classificazione Testo, Create ML può insegnare a un’app a classificare automaticamente le richieste degli utenti in categorie: problema di pagamento, guasto tecnico, richiesta funzionalità, reclamo. L’addestramento richiede 50-100 esempi di testo per categoria. La precisione di classificazione raggiunge il 90% utilizzando il Word Tagger integrato basato su BERT.

Sistema di raccomandazione dei contenuti

MLRecommender in Create ML consente di costruire un sistema di raccomandazione basato sulle azioni degli utenti senza scrivere manualmente il filtraggio collaborativo. Il modello si addestra su dati Utente → Elemento → Valutazione (ad esempio, un utente ha messo mi piace a un articolo). Create ML sceglie automaticamente tra filtraggio collaborativo e approccio basato sui contenuti in base al volume dei dati e genera le prime N raccomandazioni.