Create ML — що це, навчання моделей без коду та інтеграція

Що таке Create ML?

Create ML — це компонент екосистеми машинного навчання Apple, представлений на WWDC 2018 як інструмент для навчання моделей Core ML без необхідності писати код. До Create ML розробники використовували Python-бібліотеки (TensorFlow, PyTorch, scikit-learn) і потім конвертували моделі в Core ML через coremltools. Create ML абстрагував весь цей процес, надавши візуальний інтерфейс, вбудовані нейромережі для transfer learning та автоматичний експорт у формат Core ML.

Еволюція: від iOS 11 до macOS 15

Перша версія Create ML (iOS 11/macOS 10.14) підтримувала лише базові завдання: класифікацію зображень та аналіз тексту. Версія для macOS 10.15 додала виявлення об'єктів, звуковий аналіз та регресію. Create ML 3 (macOS 13, 2022) привніс підтримку рекомендаційних систем, табличних даних з автоматичним вибором алгоритмів та покращену візуалізацію процесу навчання. Create ML 4 (macOS 14, 2024) додав підтримку динамічних моделей, навчання на потокових даних та інтеграцію з хмарними сервісами Apple для розподіленого навчання.

Кому підходить Create ML

Create ML призначений для трьох категорій користувачів: iOS-розробники, які не мають досвіду в ML, але хочуть додати інтелектуальні функції в застосунок; продакт-менеджери та дизайнери, які бажають швидко прототипувати ML-функції; дослідники даних, яким потрібна швидка валідація гіпотез перед перенесенням моделі на продакшен-інфраструктуру. Для складних моделей з нестандартною архітектурою Create ML не підходить — у таких випадках використовуються Python-фреймворки з подальшою конвертацією в Core ML.

Типи завдань і шаблони Create ML

Create ML пропонує сім типів завдань, для кожного з яких доступний попередньо налаштований шаблон: класифікація зображень (Image Classification), виявлення об'єктів (Object Detection), аналіз тексту (Text Classification і Word Tagger), регресія табличних даних (Tabular Regression), класифікація табличних даних (Tabular Classification), звуковий аналіз (Sound Classification), рекомендаційні системи (Recommendation). Кожен шаблон включає попередньо обрану архітектуру нейромережі, оптимальну для даного типу завдання.

Класифікація зображень в Create ML

Класифікація зображень — найпопулярніший шаблон Create ML. Для навчання моделі достатньо надати набір зображень, розділених по папках (ім'я папки = мітка класу). Create ML автоматично застосовує data augmentation (поворот, масштабування, зсув кольору) для збільшення ефективного розміру датасету та використовує попередньо навчену мережу Vision FeaturePrint (модифікована ResNet-50) для вилучення ознак. Навчання з transfer learning займає від 2 до 15 хвилин залежно від розміру датасету та продуктивності Mac.

Виявлення об'єктів

Шаблон Виявлення об'єктів потребує розмічених зображень з обмежувальними рамками (bounding boxes) для кожного об'єкта. Create ML використовує архітектуру YOLOv5 (You Only Look Once), адаптовану під Core ML, з попередньо навченими вагами на наборі COCO. Мінімальна кількість — 30 розмічених зображень на клас, рекомендована — 200+. Create ML підтримує імпорт розмітки у форматах PASCAL VOC, COCO JSON та Create ML JSON.

Як працювати з Create ML в Xcode

Робочий процес Create ML в Xcode складається з трьох етапів: підготовка даних, навчання та валідація, експорт. На етапі підготовки даних імпортуються тренувальні та тестові набори. Create ML автоматично розділяє дані (за замовчуванням 80/20) та відображає розподіл класів. На етапі навчання інструмент показує графіки точності та втрат у реальному часі, а також метрики: accuracy, precision, recall, F1-score. На етапі валідації можна протестувати модель на нових даних безпосередньо у вікні 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")
)

Візуальний інтерфейс Xcode

Графічний інтерфейс Create ML в Xcode відображається в боковому редакторі після вибору файлу шаблону категорії. Інтерфейс містить вкладки: Data (завантаження та перегляд даних), Features (вибір ознак та параметрів), Model (архітектура нейромережі), Training (графіки навчання та метрики), Evaluation (тестування на відкладених даних), Preview (інтерактивне тестування моделі). Розробник може перемикатися між вкладками в процесі навчання без зупинки тренування.

Transfer Learning на малих датасетах

Transfer Learning (навчання з перенесенням) — ключова технологія, на якій засновані шаблони Create ML. Замість навчання нейромережі з нуля (що потребує мільйонів розмічених прикладів), Create ML використовує попередньо навчену мережу (FeaturePrint) як екстрактор ознак і навчає лише останні шари класифікатора. Це дозволяє досягати високої точності (90-95%) на датасетах від 10 до 50 зображень на клас при часі навчання 2-5 хвилин.

FeaturePrint — попередньо навчені екстрактори

Create ML використовує кілька попередньо навчених FeaturePrint екстракторів: .scenePrint (на базі ResNet-50, навчений на Places365), .objectPrint (на базі YOLOv5, навчений на COCO), .textPrint (на базі BERT, навчений на Wikipedia). Вибір екстрактора залежить від типу завдання та домену даних. Наприклад, .scenePrint краще підходить для класифікації зображень приміщень і ландшафтів, а .objectPrint — для виявлення конкретних об'єктів (автомобілі, люди, тварини).

Data Augmentation

Create ML автоматично застосовує аугментацію даних у процесі навчання: горизонтальне відображення, поворот до 20 градусів, зсув кольору, зміна яскравості та контрастності. Аугментація застосовується випадковим чином до кожного зображення на кожній епосі, що збільшує ефективний розмір датасету в 10-20 разів. Це особливо важливо для малих датасетів, де перенавчання (overfitting) — основна проблема. Параметри аугментації можна налаштувати у вкладці Features.

Програмне навчання через Swift API

Окрім візуального інтерфейсу, Create ML надає Swift API для програмного навчання моделей, що дозволяє автоматизувати пайплайни навчання та інтегрувати їх у CI/CD процеси. Swift API включає класи MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier та MLRecommender. Кожен клас реалізує протокол MLModelTrainer з методами train(), evaluate() та 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)")

CI/CD інтеграція

Create ML Swift API може бути запущений у скриптах build phases Xcode або в GitLab/GitHub Actions на macOS-раннерах. Це дозволяє перетренувати модель автоматично кожного разу, коли оновлюється тренувальний датасет у репозиторії. Наприклад, можна налаштувати пайплайн: push даних у репозиторій → GitLab Runner запускає Swift-скрипт Create ML → експортована модель .mlpackage комітиться назад у репозиторій → застосунок збирається з оновленою моделлю.

Обмеження Create ML

Незважаючи на зручність, Create ML має ряд обмежень, які важливо враховувати при виборі інструменту для ML-завдань. Основні з них: робота тільки на macOS, обмежений контроль над архітектурою нейромережі, неможливість використання користувацьких шарів (custom layers), прив'язка до вбудованих FeaturePrint екстракторів та відсутність підтримки навчання на кількох GPU або в кластері.

Немає підтримки продакшен-пайплайнів

Create ML не призначений для продакшен-навчання на великих датасетах (більше 100 000 прикладів). Максимальний розмір датасету обмежений об'ємом оперативної пам'яті Mac. Для масштабних завдань Apple рекомендує використовувати Python-фреймворки (TensorFlow, PyTorch) на серверній інфраструктурі з подальшою конвертацією в Core ML через coremltools. Create ML — це інструмент для прототипування та малих проектів, а не для enterprise ML.

Обмежені алгоритми для табличних даних

Для табличних даних Create ML підтримує лише три алгоритми: Random Forest, Gradient Boosting (XGBoost) та Linear Regression. Відсутня підтримка нейромереж для табличних даних (TabNet, FT-Transformer), SVM, kNN та ансамблевих методів, доступних у scikit-learn. Для завдань з табличними даними, що потребують високої точності, Create ML часто поступається класичним ML-бібліотекам.

Тільки для macOS

Навчання моделей можливе тільки на macOS, оскільки Create ML використовує Metal Performance Shaders та macOS-exclusive фреймворки. Це обмеження робить неможливим навчання на Linux-серверах або в хмарних GPU-кластерах. Для команд, які використовують хмарну інфраструктуру, coremltools + Python залишаються єдиним варіантом.

Приклади використання Create ML в проектах

Розглянемо три реальних сценарії використання Create ML в комерційних застосунках: модерація користувацького контенту, персональні рекомендації та автоматичне сортування документів. Ці сценарії демонструють типові завдання, які можна вирішити за допомогою Create ML без глибоких знань машинного навчання.

Модерація зображень

Застосунок для обміну фотографіями може використовувати Класифікацію зображень для автоматичної модерації: навчання моделі на 100-200 зображеннях з мітками “допустимо” та “порушення” дозволяє відфільтровувати 85-95% небажаного контенту без участі модератора. Create ML дозволяє оновлювати модель у міру надходження нових прикладів порушень, перенавчаючи її за 3-5 хвилин.

Класифікація звернень до підтримки

За допомогою Класифікації тексту Create ML можна навчити застосунок автоматично класифікувати звернення користувачів за категоріями: проблема з оплатою, технічна несправність, запит функції, скарга. Для навчання достатньо 50-100 текстових прикладів на категорію. Точність класифікації досягає 90% при використанні вбудованого Word Tagger на основі BERT.

Рекомендаційна система для контенту

MLRecommender в Create ML дозволяє побудувати рекомендаційну систему на основі дій користувачів без написання колаборативної фільтрації вручну. Модель навчається на даних типу Користувач → Елемент → Оцінка (наприклад, користувач поставив лайк статті). Create ML автоматично вибирає між колаборативною фільтрацією та контентним підходом на основі обсягу даних та виводить топ-N рекомендацій.