Create ML — 무엇인가, 코드 없는 모델 학습 및 통합

Create ML이란?

Create ML은 Apple 머신러닝 생태계의 구성 요소로, WWDC 2018에서 코드를 작성하지 않고 Core ML 모델을 학습시키는 도구로 소개되었습니다. Create ML 이전에는 개발자들이 Python 라이브러리(TensorFlow, PyTorch, scikit-learn)를 사용한 후 coremltools를 통해 모델을 Core ML로 변환했습니다. Create ML은 시각적 인터페이스, 전이 학습을 위한 내장 신경망, Core ML 형식으로의 자동 내보내기를 제공하여 이 전체 프로세스를 추상화했습니다.

진화: iOS 11에서 macOS 15까지

Create ML의 첫 번째 버전(iOS 11/macOS 10.14)은 이미지 분류 및 텍스트 분석과 같은 기본 작업만 지원했습니다. macOS 10.15 버전에서는 객체 감지, 음향 분석 및 회귀가 추가되었습니다. Create ML 3(macOS 13, 2022)는 추천 시스템, 자동 알고리즘 선택이 포함된 테이블 형식 데이터, 개선된 학습 시각화를 지원했습니다. Create ML 4(macOS 14, 2024)는 동적 모델, 스트리밍 데이터 학습, 분산 학습을 위한 Apple 클라우드 서비스와의 통합을 추가했습니다.

Create ML의 대상 사용자

Create ML은 세 가지 사용자 범주를 위해 설계되었습니다: ML 경험이 없지만 앱에 지능형 기능을 추가하려는 iOS 개발자, ML 기능을 빠르게 프로토타이핑하려는 제품 관리자 및 디자이너, 모델을 프로덕션 인프라로 이동하기 전에 신속한 가설 검증이 필요한 데이터 연구원. 비표준 아키텍처의 복잡한 모델에는 Create ML이 적합하지 않습니다 — 이러한 경우 Core ML로의 후속 변환과 함께 Python 프레임워크가 사용됩니다.

Create ML 작업 유형 및 템플릿

Create ML은 7가지 작업 유형을 제공하며, 각각 사전 구성된 템플릿이 있습니다: 이미지 분류, 객체 감지, 텍스트 분류 및 단어 태깅, 테이블 형식 회귀, 테이블 형식 분류, 음향 분류 및 추천. 각 템플릿에는 해당 작업 유형에 최적화된 사전 선택된 신경망 아키텍처가 포함되어 있습니다.

Create ML에서의 이미지 분류

이미지 분류는 가장 인기 있는 Create ML 템플릿입니다. 모델을 학습시키려면 폴더에 정렬된 이미지 세트를 제공하기만 하면 됩니다(폴더 이름 = 클래스 레이블). Create ML은 데이터 증강(회전, 크기 조정, 색상 변경)을 자동으로 적용하여 데이터세트의 유효 크기를 늘리고 특징 추출을 위해 사전 학습된 Vision FeaturePrint 네트워크(수정된 ResNet-50)를 사용합니다. 전이 학습 학습 시간은 데이터세트 크기와 Mac 성능에 따라 2~15분이 소요됩니다.

객체 감지

객체 감지 템플릿은 각 객체에 대한 경계 상자(bounding boxes)가 포함된 주석 이미지가 필요합니다. Create ML은 COCO 데이터세트에서 사전 학습된 가중치를 사용하여 Core ML에 맞게 조정된 YOLOv5(You Only Look Once) 아키텍처를 사용합니다. 최소 요구 사항 — 클래스당 30개의 주석 이미지, 권장 — 200개 이상. Create ML은 PASCAL VOC, COCO JSON 및 Create ML JSON 형식의 주석 가져오기를 지원합니다.

Xcode에서 Create ML 사용 방법

워크플로는 Xcode 내 Create ML에서 데이터 준비, 학습 및 검증, 내보내기의 세 단계로 구성됩니다. 데이터 준비 단계에서는 학습 및 테스트 세트가 가져와집니다. Create ML은 데이터를 자동으로 분할하고(기본 80/20) 클래스 분포를 표시합니다. 학습 중에는 도구가 실시간 정확도 및 손실 차트와 함께 메트릭(정확도, 정밀도, 재현율, F1 점수)을 표시합니다. 검증 중에는 Create ML 창에서 직접 새 데이터로 모델을 테스트할 수 있습니다.

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 시각적 인터페이스

Create ML의 그래픽 인터페이스는 템플릿 파일 카테고리를 선택한 후 Xcode의 사이드 편집기에 나타납니다. 인터페이스에는 다음 탭이 있습니다: Data(데이터 로드 및 미리보기), Features(특징 및 매개변수 선택), Model(신경망 아키텍처), Training(학습 차트 및 메트릭), Evaluation(보류된 데이터 테스트), Preview(대화형 모델 테스트). 개발자는 프로세스를 중단하지 않고 학습 중에 탭 간에 전환할 수 있습니다.

소규모 데이터세트에서의 전이 학습

전이 학습은 Create ML 템플릿의 기반이 되는 핵심 기술입니다. 신경망을 처음부터 학습시키는 대신(수백만 개의 레이블이 지정된 예제 필요), Create ML은 사전 학습된 네트워크(FeaturePrint)를 특징 추출기로 사용하고 최종 분류기 레이어만 학습시킵니다. 이를 통해 클래스당 10~50개 이미지의 데이터세트에서 2~5분의 학습 시간으로 높은 정확도(90-95%)를 달성할 수 있습니다.

FeaturePrint — 사전 학습된 추출기

Create ML은 여러 사전 학습된 FeaturePrint 추출기를 사용합니다: .scenePrint(ResNet-50 기반, Places365에서 학습), .objectPrint(YOLOv5 기반, COCO에서 학습), .textPrint(BERT 기반, Wikipedia에서 학습). 추출기 선택은 작업 유형과 데이터 도메인에 따라 다릅니다. 예를 들어, .scenePrint는 실내 및 풍경 이미지 분류에 더 적합하고, .objectPrint는 특정 객체(자동차, 사람, 동물) 감지에 더 적합합니다.

데이터 증강

Create ML은 학습 중에 자동으로 데이터 증강을 적용합니다: 수평 뒤집기, 최대 20도 회전, 색상 변경, 밝기 및 대비 조정. 증강은 각 에포크에서 각 이미지에 무작위로 적용되어 데이터세트의 유효 크기를 10~20배 증가시킵니다. 이는 과적합(overfitting)이 주요 문제인 소규모 데이터세트에 특히 중요합니다. 증강 매개변수는 Features 탭에서 조정할 수 있습니다.

Swift API를 통한 프로그래매틱 학습

시각적 인터페이스 외에도 Create ML은 프로그래매틱 모델 학습을 위한 Swift API를 제공하여 학습 파이프라인의 자동화와 CI/CD 프로세스 통합을 가능하게 합니다. Swift API에는 MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier 및 MLRecommender 클래스가 포함됩니다. 각 클래스는 train(), evaluate() 및 write() 메서드와 함께 MLModelTrainer 프로토콜을 구현합니다.

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 통합

Create ML Swift API는 Xcode 빌드 페이즈 스크립트 또는 macOS 러너의 GitLab/GitHub Actions에서 실행할 수 있습니다. 이렇게 하면 리포지토리의 학습 데이터세트가 업데이트될 때마다 모델이 자동으로 재학습됩니다. 예를 들어, 다음과 같은 파이프라인을 설정할 수 있습니다: 리포지토리에 데이터 푸시 → GitLab Runner가 Create ML Swift 스크립트 실행 → 내보낸 .mlpackage 모델이 리포지토리에 다시 커밋 → 업데이트된 모델로 앱 빌드.

Create ML의 제한 사항

편리함에도 불구하고 Create ML에는 ML 작업을 위한 도구를 선택할 때 고려해야 할 몇 가지 중요한 제한 사항이 있습니다. 주요 사항: macOS에서만 작동, 신경망 아키텍처에 대한 제한된 제어, 사용자 정의 레이어 사용 불가, 내장 FeaturePrint 추출기에 대한 의존성, 다중 GPU 또는 클러스터 학습 미지원.

프로덕션 파이프라인 미지원

Create ML은 대규모 데이터세트(100,000개 이상의 예제)에서의 프로덕션 학습용으로 설계되지 않았습니다. 최대 데이터세트 크기는 Mac의 RAM에 의해 제한됩니다. 대규모 작업의 경우 Apple은 서버 인프라에서 Python 프레임워크(TensorFlow, PyTorch)를 사용한 후 coremltools를 통해 Core ML로 변환할 것을 권장합니다. Create ML은 프로토타이핑 및 소규모 프로젝트를 위한 도구이며, 엔터프라이즈 ML용이 아닙니다.

테이블 형식 데이터에 대한 제한된 알고리즘

테이블 형식 데이터의 경우 Create ML은 Random Forest, Gradient Boosting(XGBoost) 및 선형 회귀의 세 가지 알고리즘만 지원합니다. 테이블 형식 데이터용 신경망(TabNet, FT-Transformer), SVM, kNN 또는 scikit-learn에서 사용 가능한 앙상블 방법은 지원되지 않습니다. 높은 정확도가 필요한 테이블 형식 데이터 작업의 경우 Create ML은 종종 기존 ML 라이브러리에 비해 성능이 떨어집니다.

macOS 전용

모델 학습은 macOS에서만 가능합니다. Create ML이 Metal Performance Shaders 및 macOS 전용 프레임워크를 사용하기 때문입니다. 이 제한으로 인해 Linux 서버나 클라우드 GPU 클러스터에서의 학습이 불가능합니다. 클라우드 인프라를 사용하는 팀의 경우 coremltools + Python이 유일한 옵션입니다.

프로젝트에서 Create ML 사용 예시

상용 애플리케이션에서 Create ML을 사용하는 세 가지 실제 시나리오를 살펴보겠습니다: 사용자 콘텐츠 검토, 개인화된 추천 및 자동 문서 분류. 이러한 시나리오는 깊은 머신러닝 지식 없이 Create ML로 해결할 수 있는 일반적인 작업을 보여줍니다.

이미지 검토

사진 공유 앱은 자동 검토를 위해 이미지 분류를 사용할 수 있습니다: “허용” 및 “위반”으로 레이블이 지정된 100-200개의 이미지로 모델을 학습시키면 중재자 없이 원치 않는 콘텐츠의 85-95%를 필터링할 수 있습니다. Create ML은 새로운 위반 예제가 들어올 때마다 모델을 업데이트하고 3-5분 안에 재학습할 수 있습니다.

지원 티켓 분류

텍스트 분류를 사용하여 Create ML은 앱이 사용자 문의를 자동으로 카테고리(결제 문제, 기술적 결함, 기능 요청, 불만)로 분류하도록 학습시킬 수 있습니다. 학습에는 카테고리당 50-100개의 텍스트 예제가 필요합니다. BERT 기반 내장 워드 태거를 사용한 분류 정확도는 90%에 도달합니다.

콘텐츠 추천 시스템

Create ML의 MLRecommender를 사용하면 수동으로 협업 필터링을 작성하지 않고도 사용자 행동에 기반한 추천 시스템을 구축할 수 있습니다. 모델은 사용자 → 항목 → 평점 데이터(예: 사용자가 기사를 좋아함)로 학습합니다. Create ML은 데이터 볼륨에 따라 협업 필터링과 콘텐츠 기반 접근 방식 사이를 자동으로 선택하고 상위 N개의 추천을 출력합니다.