CreateML

Esta reseña de Create ML aborda qué hace el entrenador de modelos de Apple, sus características principales, cuánto cuesta, en qué se diferencia la aplicación Create ML del marco de trabajo, cómo se relaciona con Core ML, cuáles son sus puntos fuertes y débiles, y cómo se compara con otras herramientas de aprendizaje automático. Create ML entrena modelos personalizados de aprendizaje automático en tu propio ordenador a partir de tus propios datos de entrenamiento. El proceso es breve: eliges una plantilla, añades ejemplos etiquetados, pulsas «Entrenar», compruebas la precisión de validación y exportas un archivo de modelo de Core ML que Xcode convierte en una clase de Swift. Nunca tienes que elegir algoritmos ni escribir bucles de entrenamiento; Create ML elige una estructura de modelo que se adapta a la tarea. Apple lo basa en la infraestructura de aprendizaje automático que hay detrás de Fotos y Siri, por lo que los modelos de imagen y de lenguaje son pequeños y se entrenan rápidamente (Documentación para desarrolladores de Apple).

¿Para qué se utiliza Create ML?

Los desarrolladores de iOS, iPadOS, macOS, watchOS y visionOS utilizan Create ML para añadir predicciones en el propio dispositivo a sus aplicaciones sin tener que escribir código de entrenamiento. Algunos ejemplos típicos son el reconocimiento de imágenes de productos o plantas, la detección de objetos con cuadros delimitadores, la clasificación de mensajes de asistencia o reseñas por texto, el etiquetado de palabras en una frase, el reconocimiento de sonidos, la detección de movimientos corporales o de las manos en vídeo, la clasificación de movimientos a partir de los sensores del Apple Watch y la predicción de valores a partir de datos tabulares. Una aplicación de recetas puede reconocer platos a partir de una foto, una aplicación de fitness puede contar ejercicios a partir de un vídeo y una aplicación de notas puede clasificar el texto por temas. Los modelos de texto también pueden realizar análisis de sentimiento en varios idiomas. Dado que el modelo se ejecuta en dispositivos Apple a través de Core ML, las predicciones funcionan sin conexión, responden a la velocidad nativa y los datos del usuario permanecen en el teléfono.

Características principales

• Plantillas para cada tarea: clasificación de imágenes, detección de objetos, postura de las manos, clasificación de acciones y movimientos de las manos, transferencia de estilos, clasificación de texto, etiquetado de palabras, clasificación de sonidos, clasificación de actividades, clasificación tabular, regresión tabular y recomendaciones.
• Modelos espaciales: una plantilla de seguimiento de objetos entrena objetos de referencia para aplicaciones de visionOS en Apple Vision Pro, incorporada en 2024 (WWDC24).
• Aprendizaje por transferencia: la mayoría de las plantillas parten de los extractores de características preentrenados de Apple, por lo que un modelo útil necesita muchos menos datos que si se entrenara desde cero. Apple solicita al menos 10 imágenes por categoría para un clasificador de imágenes, y las imágenes más variadas funcionan mejor (Apple).
• Aumento de datos: los controles de rotación, volteo, desenfoque, recorte y exposición crean imágenes de entrenamiento adicionales sobre la marcha. El aumento de datos puede elevar la precisión del entrenamiento al tiempo que reduce la precisión de la validación, por lo que conviene comparar ambas.
• Evaluación y vista previa en directo: precisión de entrenamiento y validación, una matriz de confusión que muestra las predicciones correctas e incorrectas por clase, el error cuadrático medio para la regresión y una pestaña de vista previa en la que puedes introducir nuevos datos para ver las predicciones antes de exportarlos. Una gran diferencia entre la precisión de entrenamiento y la de validación indica un sobreajuste.
• Control del entrenamiento: pausa, reanuda y compara varios modelos en un mismo proyecto; el marco añade puntos de control y sesiones de entrenamiento.
• Metadatos del modelo: el nombre del autor, la descripción, la versión y la licencia se guardan en el modelo exportado.
• Marco de trabajo de Swift: los mismos modelos se pueden entrenar en código con el marco de trabajo Create ML, para scripts, automatización y entrenamiento dentro de una aplicación.

Precios de Create ML

Create ML es gratuito. La aplicación Create ML se incluye con Xcode, que se puede descargar gratuitamente desde la Mac App Store, y el marco forma parte de los SDK de Apple. No hay suscripción, métricas de uso ni factura de la nube: el entrenamiento se ejecuta en tu propio Mac, por lo que el coste es el de tu hardware y tu tiempo. Para incorporar un modelo entrenado a una aplicación de la App Store, necesitas ser miembro del Programa para Desarrolladores de Apple, por el que Apple cobra una cuota anual por la publicación, no por Create ML en sí. El coste que puede sorprender es el del hardware: los grandes conjuntos de datos de imágenes o vídeos se entrenan mucho más rápido en Apple Silicon que en un Mac Intel más antiguo, y no existe la opción de alquilar GPU en la nube desde dentro de Create ML.

La aplicación Create ML frente al marco Create ML

La aplicación Create ML es la opción sin código. Se abre desde Xcode con «Abrir herramienta de desarrollo» > «Create ML», se elige una plantilla, se arrastran las carpetas con los datos de entrenamiento y se pulsa el botón «Entrenar» (Hacking with Swift). Para importar datos, los modelos de imagen utilizan una subcarpeta por clase; los clasificadores de texto admiten carpetas o una matriz JSON plana; la detección de objetos requiere un archivo JSON con un cuadro delimitador por objeto; y los modelos tabulares leen CSV o JSON, donde el modelo aprende las relaciones entre columnas. Si no se añaden datos de validación, la aplicación Create ML reserva automáticamente alrededor del 20 % de los datos de entrenamiento (Netguru). Cuando finaliza el entrenamiento, muestra las métricas y una pestaña de resultados, donde se guarda el archivo mlmodel.

El marco Create ML es la opción basada en código. En un Swift Playground o en la herramienta de línea de comandos de macOS, se crea una instancia como MLImageClassifier o MLRegressor, se le pasa un MLDataTable o una carpeta y se leen las métricas desde el código (Documentación para desarrolladores de Apple). El marco es adecuado para flujos de trabajo repetibles y la integración continua; la aplicación Create ML es adecuada para explorar un conjunto de datos, comparar modelos a simple vista y realizar un entrenamiento rápido y puntual. Ambos exportan el mismo archivo de modelo Core ML. Apple indica que el marco es compatible con macOS 10.14 y versiones posteriores y, para algunos tipos de modelos, con iOS y iPadOS 15 y versiones posteriores, por lo que una aplicación puede entrenar o actualizar un modelo en el dispositivo. Las plantillas recientes requieren una versión actual de Xcode en un macOS reciente; una guía establece como mínimo macOS Ventura y Xcode 14 (Netguru).

Create ML frente a Core ML

Create ML y Core ML realizan tareas diferentes. Create ML entrena el modelo; Core ML lo ejecuta dentro de tu aplicación (documentación de Core ML). Cuando añades el archivo exportado a un proyecto de Xcode, Xcode genera una clase Swift con entradas y salidas tipadas, y Core ML decide si ejecutar el modelo de Core ML en la CPU, la GPU o el Neural Engine para obtener el mejor rendimiento en cada dispositivo. Los modelos entrenados en otros entornos, por ejemplo en PyTorch o TensorFlow, llegan a Core ML a través de las herramientas de código abierto Core ML Tools, que convierten los modelos al formato de Core ML. Así, puedes empezar con Create ML para una primera versión y pasar más adelante a tu propio código de entrenamiento sin cambiar la forma en que la aplicación llama al modelo.

En qué destaca Create ML — y en qué se queda corto

Puntos fuertes:

• Es gratuito, está integrado en Xcode y los desarrolladores de Swift lo aprenden rápidamente.
• Modelos pequeños que funcionan sin conexión y conservan los datos en el dispositivo.
• Buenos resultados con pocos datos gracias al aprendizaje por transferencia.
• Abarca imágenes, vídeo, texto, sonido, movimiento, datos tabulares y objetos espaciales.

Inconvenientes:

• Solo para Mac, y los modelos están orientados a las plataformas de Apple a través de Core ML.
• No permite controlar la arquitectura del modelo más allá de unos pocos parámetros.
• No permite el entrenamiento en la nube, ni funciones para equipos, ni bucles de retroalimentación, ni seguimiento de experimentos más allá de un único proyecto.
• No está diseñado para modelos de lenguaje de gran tamaño ni para IA generativa.

Comparativa de Create ML

• Teachable Machine: herramienta gratuita de Google para el navegador que permite crear rápidamente modelos de imágenes, sonido y poses, exportables a la web y a TensorFlow.
• Obviously AI: predicciones sin código sobre datos empresariales en la nube, dirigidas a analistas más que a desarrolladores de aplicaciones.
• DataRobot: AutoML empresarial y operaciones de modelos para equipos de ciencia de datos.
• H2O.ai: AutoML de código abierto y empresarial para datos tabulares a gran escala.
• Dataiku: una plataforma colaborativa para la preparación de datos, el aprendizaje automático y la implementación en toda la empresa.

¿Merece la pena Create ML?

Create ML merece la pena para los desarrolladores de Apple que quieran un modelo personalizado de imagen, texto, sonido o tabular dentro de su aplicación sin tener que aprender un marco de entrenamiento. Es gratuito, rápido de probar y genera modelos que se ejecutan con rapidez y de forma privada en el dispositivo. Resulta menos útil para equipos que necesitan modelos multiplataforma, entrenamiento en la nube, control total sobre la red o IA generativa; esos equipos utilizan PyTorch o TensorFlow y convierten el resultado para Core ML. Si necesitas ayuda para crear un modelo o añadir funciones de aprendizaje automático a una aplicación para iOS, los desarrolladores de LowCodeDevs pueden encargarse de ello.

Fuentes

• Create ML, documentación para desarrolladores de Apple: tipos de modelos, clases del marco y plataformas.
• Core ML, documentación para desarrolladores de Apple: ejecución de modelos en aplicaciones.
• Presentación de la app Create ML, WWDC19: el flujo de trabajo de la app.
• Novedades de Create ML, WWDC24: seguimiento de objetos para visionOS y API de series temporales.
• Entrenamiento de un modelo con Create ML, «Hacking with Swift»: un ejemplo paso a paso de regresión tabular.
• Guía de Create ML, Netguru: aplicación frente a marco de trabajo, formatos de datos y aumento de datos.