CreateML

In deze Create ML-recensie wordt besproken wat de modeltrainer van Apple doet, wat de belangrijkste functies zijn, wat het kost, hoe de Create ML-app verschilt van het framework, hoe deze zich verhoudt tot Core ML, waar de app uitblinkt en waar hij tekortschiet, en hoe hij zich verhoudt tot andere machine learning-tools. Create ML traint aangepaste machine learning-modellen op je eigen computer op basis van je eigen trainingsgegevens. Het proces is kort: je kiest een sjabloon, voegt gelabelde voorbeelden toe, drukt op ‘Train’, controleert de validatienauwkeurigheid en exporteert een Core ML-modelbestand dat Xcode omzet in een Swift-klasse. Je hoeft nooit algoritmen te kiezen of trainingslussen te schrijven; Create ML kiest een modelstructuur die bij de taak past. Apple bouwt het op de machine learning-infrastructuur achter 'Foto's' en 'Siri', zodat beeld- en taalmodellen klein blijven en snel getraind kunnen worden (Apple Developer Documentation).

Waar wordt Create ML voor gebruikt?

Create ML wordt gebruikt door ontwikkelaars van iOS, iPadOS, macOS, watchOS en visionOS om voorspellingen op het apparaat zelf aan hun apps toe te voegen zonder trainingscode te schrijven. Typische voorbeelden zijn het herkennen van afbeeldingen van producten of planten, objectdetectie met begrenzingskaders, het classificeren van ondersteuningsberichten of recensies op basis van tekst, het markeren van woorden in een zin, het herkennen van geluiden, het detecteren van lichaams- of handbewegingen in video’s, het classificeren van bewegingen via Apple Watch-sensoren en het voorspellen van waarden op basis van tabelgegevens. Een recepten-app kan gerechten herkennen op basis van een foto, een fitness-app kan oefeningen tellen op basis van video en een notitie-app kan tekst sorteren op onderwerp. Tekstmodellen kunnen ook sentimentanalyses uitvoeren in verschillende talen. Omdat het model via Core ML op Apple-apparaten draait, werken voorspellingen offline, reageren ze op native snelheid en blijven gebruikersgegevens op de telefoon staan.

Belangrijkste functies

• Sjablonen voor elke taak: beeldclassificatie, objectdetectie, handhouding, classificatie van acties en handbewegingen, stijloverdracht, tekstclassificatie, woordtagging, geluidsclassificatie, activiteitsclassificatie, tabelclassificatie, tabelregressie en aanbevelingen.
• Ruimtelijke modellen: een sjabloon voor objecttracking traint referentieobjecten voor visionOS-apps op Apple Vision Pro, toegevoegd in 2024 (WWDC24).
• Transfer learning: de meeste sjablonen bouwen voort op de vooraf getrainde feature-extractors van Apple, waardoor een bruikbaar model veel minder gegevens nodig heeft dan wanneer het helemaal vanaf nul wordt getraind. Apple vraagt om ten minste 10 afbeeldingen per categorie voor een beeldclassificator, en hoe gevarieerder de afbeeldingen, hoe beter het resultaat (Apple).
• Data-augmentatie: schakelaars voor rotatie, spiegelen, vervaging, bijsnijden en belichting genereren direct extra trainingsafbeeldingen. Augmentatie kan de trainingsnauwkeurigheid verhogen terwijl de validatienauwkeurigheid daalt, dus vergelijk beide.
• Evaluatie en live voorbeeld: trainings- en validatienauwkeurigheid, een verwarringmatrix die de juiste en foute voorspellingen per klasse weergeeft, de root mean squared error voor regressie, en een voorbeeldtabblad waar je nieuwe gegevens kunt invoeren om voorspellingen te bekijken vóór het exporteren. Een groot verschil tussen de trainings- en validatienauwkeurigheid duidt op overfitting.
• Trainingsbeheer: pauzeer, hervat en vergelijk meerdere modellen binnen één project; het framework voegt checkpoints en trainingssessies toe.
• Metadata van het model: de naam van de auteur, de beschrijving, de versie en de licentie worden opgeslagen in het geëxporteerde model.
• Swift-framework: dezelfde modellen kunnen in code worden getraind met het Create ML-framework, voor scripts, automatisering en training binnen een app.

Prijzen van Create ML

Create ML is gratis. De Create ML-app wordt meegeleverd met Xcode, dat gratis te downloaden is via de Mac App Store, en het framework maakt deel uit van de SDK’s van Apple. Er zijn geen abonnementskosten, gebruiksstatistieken of cloudkosten: het trainen vindt plaats op je eigen Mac, dus de kosten bestaan uit je hardware en tijd. Om een getraind model in een App Store-app te plaatsen, heb je een lidmaatschap van het Apple Developer Program nodig. Apple brengt hiervoor jaarlijks kosten in rekening voor het publiceren, niet voor Create ML zelf. De kosten die je moet controleren, zijn die voor de hardware: grote beeld- of videodatasets worden veel sneller getraind op Apple Silicon dan op een oudere Intel-Mac, en er is geen optie om cloud-GPU's te huren vanuit Create ML.

De Create ML-app versus het Create ML-framework

De Create ML-app is de ‘no-code’-optie. Je opent deze vanuit Xcode via ‘Open Developer Tool’ > ‘Create ML’, kiest een sjabloon, sleept mappen met trainingsgegevens erin en drukt op de knop ‘Train’ (Hacking with Swift). Om gegevens te importeren gebruiken beeldmodellen één submap per klasse, tekstclassificatoren gebruiken mappen of een platte JSON-array, objectdetectie vereist een JSON-bestand met een bounding box per object, en tabelmodellen lezen CSV of JSON, waarbij het model relaties tussen kolommen leert. Als je geen validatiegegevens toevoegt, houdt de Create ML-app automatisch ongeveer 20% van de trainingsgegevens achter (Netguru). Wanneer het trainen is voltooid, worden de statistieken en een tabblad ‘Output’ weergegeven, waar je het mlmodel-bestand opslaat.

Het Create ML-framework is de optie voor programmeurs. In een Swift-playground of via de macOS-opdrachtregel maak je een instantie aan, zoals MLImageClassifier of MLRegressor, geef je een MLDataTable of een map door, en lees je de statistieken via de code uit (Apple Developer Documentation). Het framework is geschikt voor herhaalbare pijplijnen en continue integratie; de Create ML-app is geschikt voor het verkennen van een dataset, het visueel vergelijken van modellen en snelle eenmalige training. Beide exporteren hetzelfde Core ML-modelbestand. Apple vermeldt het framework op macOS 10.14 en hoger en, voor sommige modeltypen, op iOS en iPadOS 15 en hoger, zodat een app een model op het apparaat kan trainen of bijwerken. Voor recente sjablonen is een actuele versie van Xcode op een recent macOS vereist; volgens één handleiding is macOS Ventura en Xcode 14 de minimale vereiste (Netguru).

Create ML versus Core ML

Create ML en Core ML hebben verschillende taken. Create ML traint het model; Core ML voert het uit binnen je app (Core ML-documentatie). Wanneer je het geëxporteerde bestand toevoegt aan een Xcode-project, genereert Xcode een Swift-klasse met getypeerde invoer en uitvoer, en Core ML bepaalt of het Core ML-model op de CPU, GPU of Neural Engine wordt uitgevoerd voor de beste prestaties op elk apparaat. Modellen die elders zijn getraind, bijvoorbeeld in PyTorch of TensorFlow, komen bij Core ML terecht via de open-source Core ML Tools, die modellen omzetten naar het Core ML-formaat. Je kunt dus beginnen met Create ML voor een eerste versie en later overstappen op je eigen trainingscode zonder dat je hoeft te wijzigen hoe de app het model aanroept.

Waar Create ML uitblinkt — en waar het tekortschiet

Sterke punten:

• Gratis, ingebouwd in Xcode en snel te leren voor Swift-ontwikkelaars.
• Kleine modellen die offline draaien en gegevens op het apparaat bewaren.
• Goede resultaten met weinig gegevens dankzij transfer learning.
• Ondersteunt afbeeldingen, video, tekst, geluid, beweging, tabelgegevens en ruimtelijke objecten.

Nadelen:

• Alleen voor Mac, en modellen zijn via Core ML gericht op Apple-platforms.
• Geen controle over de modelarchitectuur, afgezien van enkele parameters.
• Geen cloudtraining, teamfuncties, feedbackloops of het bijhouden van experimenten buiten één project.
• Niet ontworpen voor grote taalmodellen of generatieve AI.

Hoe Create ML zich verhoudt tot andere oplossingen

• Teachable Machine: de gratis browsertool van Google voor het snel maken van beeld-, geluids- en houdingsmodellen, die kunnen worden geëxporteerd voor het web en TensorFlow.
• Obviously AI: no-code voorspellingen op basis van bedrijfsgegevens in de cloud, gericht op analisten in plaats van app-ontwikkelaars.
• DataRobot: AutoML voor bedrijven en modelbeheer voor datawetenschapsteams.
• H2O.ai: open-source en AutoML voor grote ondernemingen, voor tabelgegevens op grote schaal.
• Dataiku: een samenwerkingsplatform voor datavoorbereiding, machine learning en implementatie binnen een hele organisatie.

Is Create ML de moeite waard?

Create ML is de moeite waard voor Apple-ontwikkelaars die een aangepast beeld-, tekst-, geluids- of tabelmodel in hun app willen zonder een trainingsframework te hoeven leren. Het is gratis, snel uit te proberen en levert modellen op die snel en privé op het apparaat draaien. Het is minder geschikt voor teams die platformonafhankelijke modellen, cloudtraining, volledige controle over het netwerk of generatieve AI nodig hebben; die teams gebruiken PyTorch of TensorFlow en converteren het resultaat naar Core ML. Als je hulp nodig hebt bij het bouwen van een model of het toevoegen van machine learning-functies aan een iOS-app, kunnen de ontwikkelaars van LowCodeDevs dit voor je doen.

Bronnen

• Create ML, Apple Developer Documentation: modeltypen, frameworkklassen en platforms.
• Core ML, Apple Developer Documentation: modellen uitvoeren in apps.
• Introductie van de Create ML-app, WWDC19: de app-workflow.
• Wat is er nieuw in Create ML, WWDC24: objecttracking voor visionOS en tijdreeks-API’s.
• Een model trainen met Create ML, Hacking with Swift: een stapsgewijs voorbeeld van tabulaire regressie.
• Create ML-gids, Netguru: app versus framework, gegevensformaten en augmentatie.