Create ML — nó là gì, huấn luyện mô hình không cần code và tích hợp

Create ML là gì?

Create ML là một thành phần trong hệ sinh thái học máy của Apple, được giới thiệu tại WWDC 2018 như một công cụ huấn luyện mô hình Core ML mà không cần viết code. Trước Create ML, các nhà phát triển sử dụng thư viện Python (TensorFlow, PyTorch, scikit-learn) và sau đó chuyển đổi mô hình sang Core ML qua coremltools. Create ML đã trừu tượng hóa toàn bộ quá trình này bằng cách cung cấp giao diện trực quan, mạng nơ-ron tích hợp sẵn cho học chuyển giao và xuất tự động sang định dạng Core ML.

Tiến hóa: từ iOS 11 đến macOS 15

Phiên bản đầu tiên của Create ML (iOS 11/macOS 10.14) chỉ hỗ trợ các tác vụ cơ bản: phân loại hình ảnh và phân tích văn bản. Phiên bản macOS 10.15 đã thêm phát hiện đối tượng, phân tích âm thanh và hồi quy. Create ML 3 (macOS 13, 2022) đã giới thiệu hỗ trợ hệ thống gợi ý, dữ liệu dạng bảng với lựa chọn thuật toán tự động và trực quan hóa huấn luyện được cải thiện. Create ML 4 (macOS 14, 2024) đã thêm hỗ trợ mô hình động, huấn luyện dữ liệu dòng và tích hợp với các dịch vụ đám mây của Apple cho huấn luyện phân tán.

Create ML dành cho ai

Create ML được thiết kế cho ba nhóm người dùng: nhà phát triển iOS không có kinh nghiệm ML muốn thêm các tính năng thông minh vào ứng dụng; quản lý sản phẩm và nhà thiết kế muốn tạo nguyên mẫu nhanh các tính năng ML; và nhà nghiên cứu dữ liệu cần xác thực giả thuyết nhanh trước khi đưa mô hình vào cơ sở hạ tầng sản xuất. Đối với các mô hình phức tạp với kiến trúc không chuẩn, Create ML không phù hợp — trong những trường hợp này, các framework Python với chuyển đổi sau đó sang Core ML được sử dụng.

Các loại tác vụ và mẫu Create ML

Create ML cung cấp bảy loại tác vụ, mỗi loại có một mẫu được cấu hình sẵn: Phân loại hình ảnh, Phát hiện đối tượng, Phân loại văn bản và Gắn thẻ từ, Hồi quy dữ liệu bảng, Phân loại dữ liệu bảng, Phân loại âm thanh và Gợi ý. Mỗi mẫu bao gồm một kiến trúc mạng nơ-ron được chọn sẵn tối ưu cho loại tác vụ đó.

Phân loại hình ảnh trong Create ML

Phân loại hình ảnh là mẫu phổ biến nhất của Create ML. Để huấn luyện một mô hình, chỉ cần cung cấp một tập hình ảnh được sắp xếp trong các thư mục (tên thư mục = nhãn lớp). Create ML tự động áp dụng tăng cường dữ liệu (xoay, thay đổi tỷ lệ, thay đổi màu sắc) để tăng kích thước hiệu quả của tập dữ liệu và sử dụng mạng Vision FeaturePrint được huấn luyện trước (ResNet-50 đã sửa đổi) để trích xuất đặc trưng. Huấn luyện học chuyển giao mất từ 2 đến 15 phút tùy thuộc vào kích thước tập dữ liệu và hiệu suất của Mac.

Phát hiện đối tượng

Mẫu Phát hiện đối tượng yêu cầu hình ảnh được chú thích với các hộp giới hạn (bounding boxes) cho mỗi đối tượng. Create ML sử dụng kiến trúc YOLOv5 (You Only Look Once) được thích ứng cho Core ML, với trọng số được huấn luyện trước trên tập COCO. Yêu cầu tối thiểu — 30 hình ảnh được chú thích mỗi lớp, khuyến nghị — 200+. Create ML hỗ trợ nhập chú thích ở định dạng PASCAL VOC, COCO JSON và Create ML JSON.

Cách làm việc với Create ML trong Xcode

Quy trình làm việc trong Create ML trong Xcode bao gồm ba giai đoạn: chuẩn bị dữ liệu, huấn luyện và xác thực, và xuất. Trong giai đoạn chuẩn bị dữ liệu, các tập huấn luyện và kiểm tra được nhập vào. Create ML tự động chia dữ liệu (mặc định 80/20) và hiển thị phân bố lớp. Trong quá trình huấn luyện, công cụ hiển thị biểu đồ độ chính xác và mất mát theo thời gian thực, cùng với các chỉ số: độ chính xác, độ chính xác (precision), độ phủ (recall), điểm F1. Trong giai đoạn xác thực, bạn có thể kiểm tra mô hình trên dữ liệu mới trực tiếp trong cửa sổ 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")
)

Giao diện trực quan của Xcode

Giao diện đồ họa của Create ML trong Xcode xuất hiện trong trình soạn thảo bên sau khi chọn một danh mục tệp mẫu. Giao diện chứa các tab: Data (tải và xem trước dữ liệu), Features (chọn đặc trưng và tham số), Model (kiến trúc mạng nơ-ron), Training (biểu đồ huấn luyện và chỉ số), Evaluation (kiểm tra trên dữ liệu giữ lại), Preview (kiểm tra mô hình tương tác). Nhà phát triển có thể chuyển đổi giữa các tab trong quá trình huấn luyện mà không dừng quá trình.

Học chuyển giao trên tập dữ liệu nhỏ

Học chuyển giao là công nghệ chính làm nền tảng cho các mẫu Create ML. Thay vì huấn luyện một mạng nơ-ron từ đầu (yêu cầu hàng triệu ví dụ được gán nhãn), Create ML sử dụng mạng được huấn luyện trước (FeaturePrint) như một bộ trích xuất đặc trưng và chỉ huấn luyện các lớp phân loại cuối cùng. Điều này đạt được độ chính xác cao (90-95%) trên các tập dữ liệu từ 10 đến 50 hình ảnh mỗi lớp với thời gian huấn luyện 2-5 phút.

FeaturePrint — Bộ trích xuất được huấn luyện trước

Create ML sử dụng một số bộ trích xuất FeaturePrint được huấn luyện trước: .scenePrint (dựa trên ResNet-50, được huấn luyện trên Places365), .objectPrint (dựa trên YOLOv5, được huấn luyện trên COCO), .textPrint (dựa trên BERT, được huấn luyện trên Wikipedia). Việc lựa chọn bộ trích xuất phụ thuộc vào loại tác vụ và lĩnh vực dữ liệu. Ví dụ, .scenePrint phù hợp hơn cho việc phân loại hình ảnh trong nhà và cảnh quan, trong khi .objectPrint tốt hơn cho việc phát hiện các đối tượng cụ thể (xe hơi, người, động vật).

Tăng cường dữ liệu

Create ML tự động áp dụng tăng cường dữ liệu trong quá trình huấn luyện: lật ngang, xoay tới 20 độ, thay đổi màu sắc, điều chỉnh độ sáng và độ tương phản. Tăng cường được áp dụng ngẫu nhiên cho mỗi hình ảnh trong mỗi epoch, làm tăng kích thước hiệu quả của tập dữ liệu lên 10-20 lần. Điều này đặc biệt quan trọng đối với các tập dữ liệu nhỏ nơi quá khớp (overfitting) là vấn đề chính. Các tham số tăng cường có thể được điều chỉnh trong tab Features.

Huấn luyện bằng lệnh qua Swift API

Ngoài giao diện trực quan, Create ML cung cấp Swift API cho huấn luyện mô hình bằng lệnh, cho phép tự động hóa các pipeline huấn luyện và tích hợp vào quy trình CI/CD. Swift API bao gồm các lớp MLImageClassifier, MLObjectDetector, MLTextClassifier, MLWordTagger, MLTabularRegressor, MLSoundClassifier và MLRecommender. Mỗi lớp triển khai giao thức MLModelTrainer với các phương thức train(), evaluate() và 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)")

Tích hợp CI/CD

Swift API của Create ML có thể được chạy trong các script build phases của Xcode hoặc trong GitLab/GitHub Actions trên các trình chạy macOS. Điều này cho phép huấn luyện lại mô hình tự động mỗi khi tập dữ liệu huấn luyện trong kho lưu trữ được cập nhật. Ví dụ, bạn có thể thiết lập một pipeline: đẩy dữ liệu vào kho lưu trữ → GitLab Runner thực thi script Swift Create ML → mô hình .mlpackage được xuất được commit trở lại kho lưu trữ → ứng dụng được xây dựng với mô hình đã cập nhật.

Giới hạn của Create ML

Mặc dù tiện lợi, Create ML có một số hạn chế quan trọng cần xem xét khi chọn công cụ cho các tác vụ ML. Chính: chỉ hoạt động trên macOS, kiểm soát hạn chế đối với kiến trúc mạng nơ-ron, không thể sử dụng các lớp tùy chỉnh, phụ thuộc vào các bộ trích xuất FeaturePrint tích hợp sẵn và không hỗ trợ huấn luyện đa GPU hoặc cụm.

Không hỗ trợ pipeline sản xuất

Create ML không được thiết kế cho huấn luyện sản xuất trên các tập dữ liệu lớn (hơn 100.000 ví dụ). Kích thước tập dữ liệu tối đa bị giới hạn bởi RAM của Mac. Đối với các tác vụ quy mô lớn, Apple khuyến nghị sử dụng các framework Python (TensorFlow, PyTorch) trên cơ sở hạ tầng máy chủ với chuyển đổi sau đó sang Core ML qua coremltools. Create ML là công cụ cho tạo nguyên mẫu và các dự án nhỏ, không phải cho ML doanh nghiệp.

Thuật toán hạn chế cho dữ liệu dạng bảng

Đối với dữ liệu dạng bảng, Create ML chỉ hỗ trợ ba thuật toán: Random Forest, Gradient Boosting (XGBoost) và Hồi quy tuyến tính. Không có hỗ trợ cho mạng nơ-ron cho dữ liệu dạng bảng (TabNet, FT-Transformer), SVM, kNN hoặc các phương pháp tổ hợp có sẵn trong scikit-learn. Đối với các tác vụ dữ liệu dạng bảng yêu cầu độ chính xác cao, Create ML thường không bằng các thư viện ML cổ điển.

Chỉ trên macOS

Việc huấn luyện mô hình chỉ có thể thực hiện trên macOS, vì Create ML sử dụng Metal Performance Shaders và các framework độc quyền của macOS. Hạn chế này khiến việc huấn luyện trên máy chủ Linux hoặc cụm GPU đám mây trở nên không thể. Đối với các nhóm sử dụng cơ sở hạ tầng đám mây, coremltools + Python vẫn là lựa chọn duy nhất.

Ví dụ sử dụng Create ML trong các dự án

Hãy xem ba kịch bản thực tế sử dụng Create ML trong các ứng dụng thương mại: kiểm duyệt nội dung người dùng, đề xuất cá nhân và phân loại tài liệu tự động. Các kịch bản này minh họa các tác vụ điển hình có thể giải quyết bằng Create ML mà không cần kiến thức sâu về học máy.

Kiểm duyệt hình ảnh

Ứng dụng chia sẻ ảnh có thể sử dụng Phân loại hình ảnh để kiểm duyệt tự động: huấn luyện mô hình trên 100-200 hình ảnh được gán nhãn “chấp nhận” và “vi phạm” có thể lọc 85-95% nội dung không mong muốn mà không cần người kiểm duyệt. Create ML cho phép cập nhật mô hình khi có các ví dụ vi phạm mới, huấn luyện lại trong 3-5 phút.

Phân loại yêu cầu hỗ trợ

Sử dụng Phân loại văn bản, Create ML có thể dạy ứng dụng tự động phân loại các câu hỏi của người dùng thành các danh mục: sự cố thanh toán, lỗi kỹ thuật, yêu cầu tính năng, khiếu nại. Huấn luyện cần 50-100 ví dụ văn bản cho mỗi danh mục. Độ chính xác phân loại đạt 90% khi sử dụng Word Tagger tích hợp sẵn dựa trên BERT.

Hệ thống đề xuất nội dung

MLRecommender trong Create ML cho phép xây dựng hệ thống đề xuất dựa trên hành động của người dùng mà không cần viết lọc cộng tác thủ công. Mô hình huấn luyện trên dữ liệu Người dùng → Mục → Đánh giá (ví dụ, người dùng đã thích một bài viết). Create ML tự động chọn giữa lọc cộng tác và phương pháp dựa trên nội dung dựa trên khối lượng dữ liệu và xuất ra N đề xuất hàng đầu.