Create ML — یہ کیا ہے، بغیر کوڈ کے ماڈل ٹریننگ اور انضمام

Create ML کیا ہے؟

Create ML Apple کے مشین لرننگ ایکو سسٹم کا ایک جزو ہے، جو WWDC 2018 میں کوڈ لکھے بغیر Core ML ماڈلز کو تربیت دینے کے ٹول کے طور پر متعارف کرایا گیا تھا۔ Create ML سے پہلے، ڈویلپر Python لائبریریاں (TensorFlow، PyTorch، scikit-learn) استعمال کرتے تھے اور پھر coremltools کے ذریعے ماڈلز کو Core ML میں تبدیل کرتے تھے۔ Create ML نے ایک بصری انٹرفیس، ٹرانسفر لرننگ کے لیے بلٹ ان نیورل نیٹ ورکس اور Core ML فارمیٹ میں خودکار ایکسپورٹ فراہم کرکے اس پورے عمل کو آسان بنا دیا۔

ارتقاء: iOS 11 سے macOS 15 تک

Create ML کا پہلا ورژن (iOS 11/macOS 10.14) صرف بنیادی کاموں کو سپورٹ کرتا تھا: تصویری درجہ بندی اور متن کا تجزیہ۔ macOS 10.15 ورژن نے اشیاء کا پتہ لگانا، صوتی تجزیہ اور رجریشن شامل کیا۔ Create ML 3 (macOS 13، 2022) نے سفارشی نظام، خودکار الگورتھم انتخاب کے ساتھ جدولی ڈیٹا اور بہتر تربیتی تصور کا سپورٹ متعارف کرایا۔ Create ML 4 (macOS 14، 2024) نے متحرک ماڈلز، سلسلہ وار ڈیٹا ٹریننگ اور تقسیم شدہ تربیت کے لیے Apple کی کلاؤڈ سروسز کے ساتھ انضمام شامل کیا۔

Create ML کس کے لیے ہے

Create ML تین زمروں کے صارفین کے لیے ڈیزائن کیا گیا ہے: iOS ڈویلپر جن کے پاس ML کا تجربہ نہیں ہے اور وہ اپنی ایپ میں ذہین خصوصیات شامل کرنا چاہتے ہیں؛ پروڈکٹ مینیجر اور ڈیزائنرز جو ML خصوصیات کا فوری پروٹوٹائپ بنانا چاہتے ہیں؛ اور ڈیٹا محققین جنہیں ماڈل کو پروڈکشن انفراسٹرکچر میں منتقل کرنے سے پہلے فوری مفروضے کی تصدیق کی ضرورت ہوتی ہے۔ پیچیدہ ماڈلز کے لیے جو غیر معیاری فن تعمیر رکھتے ہیں، Create ML موزوں نہیں ہے — ایسی صورتوں میں، Core ML میں بعد میں تبدیلی کے ساتھ Python فریم ورک استعمال کیے جاتے ہیں۔

Create ML کی کام کی اقسام اور ٹیمپلیٹس

Create ML سات اقسام کے کام پیش کرتا ہے، ہر ایک پہلے سے ترتیب شدہ ٹیمپلیٹ کے ساتھ: تصویری درجہ بندی، اشیاء کا پتہ لگانا، متن کی درجہ بندی اور لفظ ٹیگنگ، جدولی رجریشن، جدولی درجہ بندی، صوتی درجہ بندی اور سفارش۔ ہر ٹیمپلیٹ میں اس کام کی قسم کے لیے بہتر کردہ ایک پہلے سے منتخب کردہ نیورل نیٹ ورک فن تعمیر شامل ہے۔

Create ML میں تصویری درجہ بندی

تصویری درجہ بندی سب سے مقبول Create ML ٹیمپلیٹ ہے۔ ماڈل کو تربیت دینے کے لیے، فولڈرز میں ترتیب شدہ تصاویر کا ایک سیٹ فراہم کریں (فولڈر کا نام = کلاس لیبل)۔ Create ML مؤثر ڈیٹاسیٹ سائز بڑھانے کے لیے خود بخود ڈیٹا آگمینٹیشن (گھماؤ، پیمانہ تبدیل، رنگ تبدیلی) کا اطلاق کرتا ہے اور خصوصیات نکالنے کے لیے پہلے سے تربیت یافتہ Vision FeaturePrint نیٹ ورک (ترمیم شدہ ResNet-50) استعمال کرتا ہے۔ ٹرانسفر لرننگ تربیت ڈیٹاسیٹ کے سائز اور Mac کی کارکردگی کے لحاظ سے 2 سے 15 منٹ تک لیتی ہے۔

اشیاء کا پتہ لگانا

اشیاء کا پتہ لگانے والے ٹیمپلیٹ کے لیے ہر چیز کے لیے باؤنڈنگ باکسز کے ساتھ تشریح شدہ تصاویر درکار ہیں۔ Create ML COCO ڈیٹاسیٹ پر پہلے سے تربیت یافتہ وزن کے ساتھ Core ML کے لیے ڈھالا گیا YOLOv5 (You Only Look Once) فن تعمیر استعمال کرتا ہے۔ کم از کم ضرورت — فی کلاس 30 تشریح شدہ تصاویر، تجویز کردہ — 200+۔ Create ML PASCAL VOC، COCO JSON اور Create ML JSON فارمیٹس میں تشریحات کی درآمد کو سپورٹ کرتا ہے۔

Xcode میں Create ML کے ساتھ کیسے کام کریں

ورک فلو Xcode کے اندر Create ML میں تین مراحل پر مشتمل ہے: ڈیٹا کی تیاری، تربیت اور توثیق، اور ایکسپورٹ۔ ڈیٹا کی تیاری کے دوران، تربیت اور جانچ کے سیٹ درآمد کیے جاتے ہیں۔ Create ML خود بخود ڈیٹا کو تقسیم کرتا ہے (پہلے سے طے شدہ 80/20) اور کلاس کی تقسیم ظاہر کرتا ہے۔ تربیت کے دوران، ٹول ریئل ٹائم میں درستگی اور نقصان کے چارٹ دکھاتا ہے، نیز میٹرکس: درستگی، پرسیژن، ریکال، F1-اسکور۔ توثیق کے دوران، آپ Create ML ونڈو میں براہ راست نئے ڈیٹا پر ماڈل جانچ سکتے ہیں۔

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 بصری انٹرفیس

Create ML کا گرافیکل انٹرفیس Xcode میں ٹیمپلیٹ فائل کیٹیگری منتخب کرنے کے بعد سائڈ ایڈیٹر میں ظاہر ہوتا ہے۔ انٹرفیس میں ٹیبز ہیں: Data (ڈیٹا لوڈنگ اور پیش نظارہ)، Features (فیچر اور پیرامیٹر انتخاب)، Model (نیورل نیٹ ورک فن تعمیر)، Training (تربیتی چارٹ اور میٹرکس)، Evaluation (محفوظ ڈیٹا پر جانچ)، Preview (انٹرایکٹو ماڈل جانچ)۔ ڈویلپر عمل کو روکے بغیر تربیت کے دوران ٹیبز کے درمیان سوئچ کر سکتے ہیں۔

چھوٹے ڈیٹاسیٹس پر ٹرانسفر لرننگ

ٹرانسفر لرننگ کلیدی ٹیکنالوجی ہے جس پر Create ML ٹیمپلیٹس کی بنیاد ہے۔ نیورل نیٹ ورک کو شروع سے تربیت دینے کے بجائے (جس کے لیے لاکھوں لیبل شدہ مثالوں کی ضرورت ہوتی ہے)، Create ML پہلے سے تربیت یافتہ نیٹ ورک (FeaturePrint) کو فیچر ایکسٹریکٹر کے طور پر استعمال کرتا ہے اور صرف آخری درجہ بندی کی تہوں کو تربیت دیتا ہے۔ یہ فی کلاس 10 سے 50 تصاویر کے ڈیٹاسیٹس پر 2-5 منٹ کے تربیتی وقت کے ساتھ اعلی درستگی (90-95%) حاصل کرتا ہے۔

FeaturePrint — پہلے سے تربیت یافتہ ایکسٹریکٹرز

Create ML کئی پہلے سے تربیت یافتہ FeaturePrint ایکسٹریکٹرز استعمال کرتا ہے: .scenePrint (ResNet-50 پر مبنی، Places365 پر تربیت یافتہ)، .objectPrint (YOLOv5 پر مبنی، COCO پر تربیت یافتہ)، .textPrint (BERT پر مبنی، Wikipedia پر تربیت یافتہ)۔ ایکسٹریکٹر کا انتخاب کام کی قسم اور ڈیٹا ڈومین پر منحصر ہے۔ مثال کے طور پر، .scenePrint انڈور اور لینڈ اسکیپ تصاویر کی درجہ بندی کے لیے زیادہ موزوں ہے، جبکہ .objectPrint مخصوص اشیاء (کاریں، لوگ، جانور) کا پتہ لگانے کے لیے بہتر ہے۔

ڈیٹا آگمینٹیشن

Create ML تربیت کے دوران خود بخود ڈیٹا آگمینٹیشن کا اطلاق کرتا ہے: افقی پلٹائیں، 20 ڈگری تک گھماؤ، رنگ تبدیلی، چمک اور کنٹراسٹ ایڈجسٹمنٹ۔ آگمینٹیشن ہر دور میں ہر تصویر پر تصادفی طور پر لاگو کیا جاتا ہے، جو مؤثر ڈیٹاسیٹ سائز کو 10-20 گنا بڑھاتا ہے۔ یہ خاص طور پر چھوٹے ڈیٹاسیٹس کے لیے اہم ہے جہاں اوور فٹنگ بنیادی مسئلہ ہے۔ آگمینٹیشن پیرامیٹرز Features ٹیب میں ایڈجسٹ کیے جا سکتے ہیں۔

Swift API کے ذریعے پروگرامیٹک تربیت

بصری انٹرفیس کے علاوہ، Create ML پروگرامیٹک ماڈل تربیت کے لیے ایک Swift API فراہم کرتا ہے، جو تربیتی پائپ لائنوں کی آٹومیشن اور CI/CD عمل میں انضمام کو قابل بناتا ہے۔ Swift API میں کلاسز MLImageClassifier، MLObjectDetector، MLTextClassifier، MLWordTagger، MLTabularRegressor، MLSoundClassifier اور MLRecommender شامل ہیں۔ ہر کلاس train()، evaluate() اور write() طریقوں کے ساتھ MLModelTrainer پروٹوکول کو نافذ کرتی ہے۔

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 انضمام

Create ML Swift API Xcode بلڈ فیزز اسکرپٹس میں یا macOS رنرز پر GitLab/GitHub Actions میں چلایا جا سکتا ہے۔ یہ ہر بار جب ذخیرے میں تربیتی ڈیٹاسیٹ اپ ڈیٹ ہوتا ہے ماڈل کو خود بخود دوبارہ تربیت دینے کی اجازت دیتا ہے۔ مثال کے طور پر، آپ ایک پائپ لائن ترتیب دے سکتے ہیں: ذخیرے میں ڈیٹا پش → GitLab Runner Create ML Swift اسکرپٹ چلاتا ہے → ایکسپورٹ کردہ .mlpackage ماڈل واپس ذخیرے میں کمٹ ہوتا ہے → اپ ڈیٹ شدہ ماڈل کے ساتھ ایپ بنائی جاتی ہے۔

Create ML کی حدود

اپنی سہولت کے باوجود، Create ML کی کئی اہم حدود ہیں جو ML کاموں کے لیے ٹول منتخب کرتے وقت غور کرنا ضروری ہیں۔ اہم: صرف macOS پر کام کرتا ہے، نیورل نیٹ ورک فن تعمیر پر محدود کنٹرول، کسٹم تہوں کے استعمال سے قاصر، بلٹ ان FeaturePrint ایکسٹریکٹرز پر انحصار، اور ملٹی-GPU یا کلسٹر تربیت کے لیے کوئی سپورٹ نہیں۔

پروڈکشن پائپ لائن سپورٹ نہیں

Create ML بڑے ڈیٹاسیٹس (100,000 سے زیادہ مثالوں) پر پروڈکشن تربیت کے لیے ڈیزائن نہیں کیا گیا ہے۔ زیادہ سے زیادہ ڈیٹاسیٹ سائز Mac کی RAM کے ذریعے محدود ہے۔ بڑے پیمانے کے کاموں کے لیے، Apple سرور انفراسٹرکچر پر Python فریم ورک (TensorFlow، PyTorch) استعمال کرنے کی سفارش کرتا ہے، اس کے بعد coremltools کے ذریعے Core ML میں تبدیلی۔ Create ML پروٹوٹائپنگ اور چھوٹے منصوبوں کے لیے ایک ٹول ہے، انٹرپرائز ML کے لیے نہیں۔

جدولی ڈیٹا کے لیے محدود الگورتھم

جدولی ڈیٹا کے لیے، Create ML صرف تین الگورتھم کو سپورٹ کرتا ہے: Random Forest، Gradient Boosting (XGBoost) اور لکیری رجریشن۔ جدولی ڈیٹا کے لیے نیورل نیٹ ورکس (TabNet، FT-Transformer)، SVM، kNN یا scikit-learn میں دستیاب اجتماع کے طریقوں کے لیے کوئی سپورٹ نہیں ہے۔ اعلی درستگی کی ضرورت والے جدولی ڈیٹا کے کاموں کے لیے، Create ML کلاسک ML لائبریریوں کے مقابلے میں اکثر کم کارگر ہوتا ہے۔

صرف macOS

ماڈل کی تربیت صرف macOS پر ممکن ہے، کیونکہ Create ML Metal Performance Shaders اور macOS کے خصوصی فریم ورک استعمال کرتا ہے۔ یہ حد Linux سرورز یا کلاؤڈ GPU کلسٹرز پر تربیت کو ناممکن بناتی ہے۔ کلاؤڈ انفراسٹرکچر استعمال کرنے والی ٹیموں کے لیے، coremltools + Python ہی واحد آپشن ہے۔

منصوبوں میں Create ML کے استعمال کی مثالیں

آئیے تجارتی ایپلی کیشنز میں Create ML کے استعمال کے تین حقیقی منظرنامے دیکھتے ہیں: صارف کے مواد کی نگرانی، ذاتی نوعیت کی سفارشات اور خودکار دستاویز کی چھانٹی۔ یہ منظرنامے عام کاموں کو ظاہر کرتے ہیں جو گہری مشین لرننگ معلومات کے بغیر Create ML سے حل کیے جا سکتے ہیں۔

تصویری نگرانی

ایک تصویر شیئرنگ ایپ خودکار نگرانی کے لیے تصویری درجہ بندی استعمال کر سکتی ہے: 100-200 تصاویر کو “قابل قبول” اور “خلاف ورزی” کے لیبل پر تربیت دینے سے بغیر نگران کے 85-95% ناپسندیدہ مواد کو فلٹر کیا جا سکتا ہے۔ Create ML خلاف ورزی کی نئی مثالیں آنے پر ماڈل کو اپ ڈیٹ کرنے کی اجازت دیتا ہے، اسے 3-5 منٹ میں دوبارہ تربیت دیتا ہے۔

سپورٹ ٹکٹ کی درجہ بندی

متن کی درجہ بندی کا استعمال کرتے ہوئے، Create ML ایک ایپ کو صارفین کے استفسارات کو خود بخود زمرہ جات میں درجہ بندی کرنا سکھا سکتا ہے: ادائیگی کا مسئلہ، تکنیکی خرابی، فیچر کی درخواست، شکایت۔ تربیت کے لیے فی زمرہ 50-100 مثالیں درکار ہیں۔ BERT پر مبنی بلٹ ان ورڈ ٹیگر کا استعمال کرتے ہوئے درجہ بندی کی درستگی 90% تک پہنچتی ہے۔

مواد کی سفارشی نظام

Create ML میں MLRecommender دستی طور پر باہمی تعاون پر مبنی فلٹرنگ لکھے بغیر صارفین کے اعمال کی بنیاد پر سفارشی نظام بنانے کی اجازت دیتا ہے۔ ماڈل صارف → آئٹم → ریٹنگ ڈیٹا (مثال کے طور پر، صارف نے ایک مضمون کو پسند کیا) پر تربیت حاصل کرتا ہے۔ Create ML ڈیٹا کے حجم کی بنیاد پر باہمی تعاون پر مبنی فلٹرنگ اور مواد پر مبنی نقطہ نظر کے درمیان خود بخود انتخاب کرتا ہے اور سب سے اوپر N سفارشات پیش کرتا ہے۔