Create ML — それは何か、コード不要のモデルトレーニングと統合

Create MLとは？

Create ML は、Appleの機械学習エコシステムのコンポーネントであり、WWDC 2018でコードを書かずにCore MLモデルをトレーニングするツールとして発表されました。Create ML以前は、開発者はPythonライブラリ（TensorFlow、PyTorch、scikit-learn）を使用し、その後coremltoolsを介してモデルをCore MLに変換していました。Create MLは、ビジュアルインターフェース、転移学習のための組み込みニューラルネットワーク、Core ML形式への自動エクスポートを提供することで、このプロセス全体を抽象化しました。

進化：iOS 11からmacOS 15へ

Create MLの最初のバージョン（iOS 11/macOS 10.14）は、画像分類とテキスト分析のみの基本的なタスクをサポートしていました。macOS 10.15バージョンでは、オブジェクト検出、音響分析、回帰が追加されました。Create ML 3（macOS 13、2022）では、レコメンデーションシステム、自動アルゴリズム選択によるテーブルデータ、改善されたトレーニング可視化のサポートが導入されました。Create ML 4（macOS 14、2024）では、動的モデル、ストリーミングデータトレーニング、分散トレーニングのためのAppleのクラウドサービスとの統合が追加されました。

Create MLの対象ユーザー

Create ML は、3つのカテゴリーのユーザー向けに設計されています：MLの経験がないがアプリにインテリジェント機能を追加したいiOS開発者、ML機能を迅速にプロトタイプ化したいプロダクトマネージャーやデザイナー、モデルを本番インフラに移行する前に迅速な仮説検証を必要とするデータ研究者。非標準的なアーキテクチャの複雑なモデルには、Create MLは適していません — そのような場合は、Core MLへの後続変換とともにPythonフレームワークが使用されます。

Create MLのタスクタイプとテンプレート

Create MLは7つのタスクタイプを提供し、それぞれに事前設定されたテンプレートがあります：画像分類、オブジェクト検出、テキスト分類とワードタガー、テーブル回帰、テーブル分類、音響分類、レコメンデーション。各テンプレートには、そのタスクタイプに最適化された事前選択済みのニューラルネットワークアーキテクチャが含まれています。

Create MLでの画像分類

画像分類は、最も人気のあるCreate MLテンプレートです。モデルをトレーニングするには、フォルダーに整理された画像セットを提供するだけです（フォルダー名＝クラスラベル）。Create MLは、データオーグメンテーション（回転、スケーリング、色調整）を自動的に適用してデータセットの実効サイズを増やし、特徴抽出に事前トレーニング済みのVision FeaturePrintネットワーク（修正ResNet-50）を使用します。転移学習によるトレーニングは、データセットのサイズとMacのパフォーマンスに応じて2〜15分かかります。

オブジェクト検出

オブジェクト検出テンプレートには、各オブジェクトのバウンディングボックス付きのアノテーション画像が必要です。Create MLは、COCOデータセットで事前トレーニングされた重みを使用して、Core MLに適応したYOLOv5（You Only Look Once）アーキテクチャを使用します。最小要件 — クラスあたり30枚のアノテーション画像、推奨 — 200枚以上。Create MLは、PASCAL VOC、COCO JSON、Create ML JSON形式でのアノテーションインポートをサポートしています。

XcodeでCreate MLを使用する方法

ワークフローは、Xcode内のCreate MLで3つの段階から構成されます：データ準備、トレーニングと検証、エクスポート。データ準備中に、トレーニングセットとテストセットがインポートされます。Create MLはデータを自動的に分割し（デフォルト80/20）、クラス分布を表示します。トレーニング中、ツールは精度と損失のリアルタイムグラフ、およびメトリクス（正確度、適合率、再現率、F1スコア）を表示します。検証中は、Create MLウィンドウで直接新しいデータに対してモデルをテストできます。

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のビジュアルインターフェース

Create MLのグラフィカルインターフェースは、テンプレートファイルカテゴリを選択した後、Xcodeのサイドエディタに表示されます。インターフェースには以下のタブがあります：Data（データの読み込みとプレビュー）、Features（特徴量とパラメータの選択）、Model（ニューラルネットワークアーキテクチャ）、Training（トレーニンググラフとメトリクス）、Evaluation（保持データでのテスト）、Preview（インタラクティブなモデルテスト）。開発者はトレーニング中にプロセスを停止せずにタブを切り替えることができます。

小規模データセットでの転移学習

転移学習は、Create MLテンプレートの基盤となる重要な技術です。ニューラルネットワークをゼロからトレーニングする代わりに（数百万のラベル付き例が必要）、Create MLは事前トレーニング済みネットワーク（FeaturePrint）を特徴抽出器として使用し、最終分類層のみをトレーニングします。これにより、クラスあたり10〜50画像のデータセットで、2〜5分のトレーニング時間で高い精度（90-95%）を達成できます。

FeaturePrint — 事前トレーニング済み抽出器

Create MLは、複数の事前トレーニング済みFeaturePrint抽出器を使用します：.scenePrint（ResNet-50ベース、Places365でトレーニング）、.objectPrint（YOLOv5ベース、COCOでトレーニング）、.textPrint（BERTベース、Wikipediaでトレーニング）。抽出器の選択は、タスクタイプとデータドメインに依存します。例えば、.scenePrintは屋内および風景画像の分類に適しており、.objectPrintは特定のオブジェクト（車、人、動物）の検出に適しています。

データオーグメンテーション

Create MLは、トレーニング中に自動的にデータオーグメンテーションを適用します：水平反転、最大20度の回転、色調整、明るさとコントラストの調整。オーグメンテーションは各エポックで各画像にランダムに適用され、データセットの実効サイズを10〜20倍に増加させます。これは、過学習（オーバーフィッティング）が主要な問題となる小規模データセットにとって特に重要です。オーグメンテーションパラメータは、Featuresタブで調整できます。

Swift APIによるプログラマティックトレーニング

ビジュアルインターフェースに加えて、Create MLはプログラマティックなモデルトレーニングのためのSwift APIを提供し、トレーニングパイプラインの自動化とCI/CDプロセスへの統合を可能にします。Swift APIには、MLImageClassifier、MLObjectDetector、MLTextClassifier、MLWordTagger、MLTabularRegressor、MLSoundClassifier、MLRecommenderのクラスが含まれます。各クラスは、train()、evaluate()、write()メソッドを持つMLModelTrainerプロトコルを実装しています。

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統合

Create ML Swift APIは、Xcodeのビルドフェーズスクリプトや、macOSランナー上のGitLab/GitHub Actionsで実行できます。これにより、リポジトリ内のトレーニングデータセットが更新されるたびに、モデルを自動的に再トレーニングできます。例えば、次のようなパイプラインを設定できます：リポジトリへのデータプッシュ → GitLab RunnerがCreate ML Swiftスクリプトを実行 → エクスポートされた.mlpackageモデルがリポジトリにコミット → 更新されたモデルでアプリがビルドされます。

Create MLの制限事項

利便性にもかかわらず、Create MLにはMLタスク用のツールを選ぶ際に考慮すべきいくつかの制限があります。主なもの：macOSでのみ動作、ニューラルネットワークアーキテクチャの制御が限定的、カスタム層の使用不可、組み込みFeaturePrint抽出器への依存、マルチGPUやクラスタートレーニングの非サポート。

本番パイプラインの非サポート

Create MLは、大規模データセット（10万例以上）での本番トレーニング向けに設計されていません。データセットの最大サイズはMacのRAMによって制限されます。大規模タスクの場合、Appleはサーバーインフラストラクチャ上でPythonフレームワーク（TensorFlow、PyTorch）を使用し、その後coremltoolsを介してCore MLに変換することを推奨しています。Create MLはプロトタイピングと小規模プロジェクトのためのツールであり、エンタープライズML向けではありません。

テーブルデータのアルゴリズム制限

テーブルデータの場合、Create MLはランダムフォレスト、勾配ブースティング（XGBoost）、線形回帰の3つのアルゴリズムのみをサポートしています。テーブルデータ用ニューラルネットワーク（TabNet、FT-Transformer）、SVM、kNN、scikit-learnで利用可能なアンサンブル手法はサポートされていません。高い精度が要求されるテーブルデータタスクでは、Create MLは古典的なMLライブラリに比べて見劣りすることがよくあります。

macOSのみ

モデルのトレーニングはmacOS上でのみ可能です。Create MLはMetal Performance ShadersとmacOS専用フレームワークを使用するためです。この制限により、LinuxサーバーやクラウドGPUクラスターでのトレーニングは不可能です。クラウドインフラストラクチャを使用するチームにとっては、coremltools + Pythonが唯一の選択肢です。

プロジェクトでのCreate MLの使用例

商用アプリケーションでのCreate MLの使用に関する3つの実際のシナリオを見てみましょう：ユーザーコンテンツのモデレーション、パーソナルレコメンデーション、自動ドキュメント分類。これらのシナリオは、深い機械学習の知識がなくてもCreate MLで解決できる典型的なタスクを示しています。

画像モデレーション

写真共有アプリは、自動モデレーションに画像分類を使用できます：100〜200枚の画像を“許容”と“違反”にラベル付けしてモデルをトレーニングすると、モデレーターなしで不要なコンテンツの85〜95%をフィルタリングできます。Create MLは、違反の新しい例が届くたびにモデルを更新し、3〜5分で再トレーニングできます。

サポートチケットの分類

テキスト分類を使用すると、Create MLはアプリにユーザーの問い合わせを自動的にカテゴリに分類することを学習させることができます：支払いの問題、技術的な不具合、機能リクエスト、苦情。トレーニングには、カテゴリあたり50〜100のテキスト例が必要です。BERTベースの組み込みワードタガーを使用すると、分類精度は90%に達します。

コンテンツレコメンデーションシステム

Create MLのMLRecommenderを使用すると、協調フィルタリングを手動で記述せずに、ユーザーのアクションに基づいたレコメンデーションシステムを構築できます。モデルは、ユーザー → アイテム → 評価のデータ（例：ユーザーが記事にいいねした）でトレーニングします。Create MLは、データ量に基づいて協調フィルタリングとコンテンツベースアプローチを自動的に選択し、トップNのレコメンデーションを出力します。