Apple'da Core ML framework ile Apple ürünleri Mac ve iOS uygulamalarına makine öğrenimi için standart bir yol sağlar. Bu hafta başlarında Apple, geliştiricilerin eğitimli makine öğrenme modellerini Apple'ın tüm platformlarında (iOS, MacOS, TvOS ve WatchOS) uygulamalarda kullanmasına izin vermek için Core ML'i açıkladı.

Core ML, geliştirilerin öngörülerine hizmet etmek ve ortaya çıkabilecek olağandışı koşulları ele almak için geliştirilmiştir. Ancak şu anda bir beta ürün ve son derece kısıtlı özelliklere sahip.

Core ML, tahminleri sunmak için üç temel framework sunmaktadır: Core ML uygulamalarında kullanılan ortak veri türleri ve işlevselliklerini sağlamak için temel, görüntüler için vizyon ve oyun mantığını ve davranışlarını yönetmek için GameplayKit. Her bir çerçeve, Swift'te sınıflar halinde uygulanan, hem özel kullanım örneklerini hem de açık uçlu tahmini sunumu kapsayan üst düzey nesneler sağlar. Örneğin, vizyon framework'ünde yüz tanıma, barkodlar, metin algılama ve ufuk tespiti gibi sınıfların yanı sıra nesne izleme ve görüntü hizalama gibi konular için daha genel sınıflar da bulunmaktadır.

Apple çoğu Core ML geliştirme çalışmasının bu üst düzey sınıflar aracılığıyla yapılmasını istiyor. Apple dökümanlarını incelediğinizde, "Çoğu durumda, yalnızca modelinizin dinamik olarak oluşturulan arabirimiyle etkileşim kurarsınız. Xcode projenize bir model eklediğinizde Xcode tarafından otomatik olarak oluşturulur" şeklinde bildirileri var. Özel iş akışları ve gelişmiş kullanım örnekleri için, modellerin ve tahminlerin daha hassas bir şekilde manipüle edilmesini sağlayan alt düzey bir API var.

Core ML modelden tahminler sunmak için geliştirilir. Bunun yanında modelleri eğitmek için kullanır çünkü geliştiricilerin önceden hazırlanmış modellerine sahip olmaları gerekir. Apple, resimlerdeki ortak nesneleri (örneğin, araba, hayvan, kişi) tanımlamak için ResNet50 modeli gibi bazıları hemen yararlı olan birkaç örnek makine öğrenme modelleri sunmaktadır.

Core ML için en yararlı uygulamalar eğitimli ve geliştiricilerin kendileri tarafından sağlanan modeller aracılığıyla gelecektir. Modellerin, kurulmadan önce Core ML'nin kendi model formatına dönüştürülmesi gerekeceğini düşünürsek, erken benimserlerin en büyük tıkanıklığı yaşayacakları yer burasıdır. Apple bunun için başta Coremltools paketi olan Python için bir takım popüler üçüncü parti model formatlarını dönüştürebiliyordu. Kötü haber: Coremltools şu anda Keras'ın derin öğrenme sisteminin (şimdi sürüm 2.0'da) 1.2.2 sürümü gibi bazı modellerin daha önceki sürümlerini desteklemektedir. Yani en yeni sürümlerde çalışmamakta. Iyi haber: Bu araç kiti açık kaynak (BSD lisanslı), yani katkıda bulunanların hız kazanması nispeten kolay olmalıdır.

Apple uygulamalarında eğitimli makine öğrenme modellerini kullanmak için kullanılan standart bir yöntem, geliştiriciler için iyi bir başlangıç ​​olur ancak zamanla bu modellerle olan kullanıcı etkileşimlerini daha iyi zekaya dönüştürmeyi kolaylaştırmak daha çekici olur.