وبلاگ - اخبار IT - فراداده

Core ML ماشین یادگیری را برای توسعه دهندگان Apple مطرح می کند.

Core ML ماشین یادگیری را برای توسعه دهندگان Apple مطرح می کند.

چارچوب های Core ML، Apple یک روش استاندارد را برای بسترسازی یادگیری ماشین در برنامه های Mac و iOS فراهم می کند.

کمی پیشتر در این هفته، Apple، از CORE ML، یک چارچوب نرم افزاری برای دادن اجازه گسترش و کار با مدل های یادگیری به توسعه دهندگان در تمام بسترهای نرم افزاری Apple، iOS، MacOS، TvOS و WatchOS رونمایی کرد.

CORE ML تمایل دارد مانع توسعه دهندگان از ساختن تمام انشعابات در سطح بستر نرم افزاری برای گسترش یک مدل، به کارگیری پیش بینی هایی از آن، و کنترل هر گونه شرایط غیر معمولی که ممکن است مطرح شود، بشود. اما همچنین در حال حاضر یک محصول بتا و محصولی با مجموعه ویژگی بسیار محدود شده می باشد.

چهارچوب های پایه ای Core ML برای انجام پیش بینی ها

CORE ML سه چارچوب پایه ای را برای انجام پیش بینی ها فراهم می کند: بنیانی برای فراهم کردن انواع رایج داده و عملکرد که در برنامه های CORE ML استفاده میشود، Vision برای تصاویر، و GameplayKit برای کنترل منطق بازی و رفتارها.

یک سایت جدید بازی Live! GameStar است که بازی ها، گجت های بازی و لوازم آن را پوشش می دهد.

هر چارچوب، موضوعات سطح بالایی را فراهم می کند که به عنوان دسته ها در Swift پیاده سازی می شوند که هم موارد استفاده خاص و هم به کار گیری پیش بینی با پایان باز را پوشش می دهد. برای مثال چارچوب vision دسته هایی را برای تشخیص چهره، بارکدها، تشخیص متن و تشخیص افق و همچنین دسته های عمومی برای چیزهایی از قبیل پیگری شی و صف بندی تصویر را فراهم می کند.

Apple تمایل دارد بیشتر کار توسعه CORE ML از طریق این دسته های سطح بالا انجام شود. "در بیشتر موارد، تنها با رابط تولید شده دینامیکی مدل خود تبادل دارید"، که سندسازی Apple را می خواند، "که وقتی مدلی را به پروژه Xcode خود اضافه می کنید، به طور خودکار توسط Xcode ایجاد می شود". برای جریان های کاری و موارد استفاده پیشرفته، یک API سطح پایین تر وجود دارد که دستکاری ظریف تری را از مدل ها و پیش بینی ها فراهم می کند.

چون Core ML برای به کار گرفتن پیش بینی ها از مدل هاست و نه آموزش خود مدلها، توسعه دهندگان باید مدلهایی آماده در دست داشته باشند. Apple چند مدل یادگیری ماشینی نمونه را عرضه می کند که بعضی از آنها کاملا مفید هستند، مانند مدل ResNet50 برای شناسایی شی های رایج (برای مثال ماشین ها، حیوانات، مردم) در تصاویر.

مفیدترین برنامه ها برای Core ML در راه مدل های آموزش دیده و فراهم شده توسط خود توسعه دهندگان خواهند قرار گرفت. اینجا جایی است که به کار گیرندگان اولیه با در نظر گرفتن اینکه مدل ها باید قبل از گسترش، به فرمت مدل خود Core ML در بیایند، احتمالا به مانع بر می خورند.

Apple ابزاری را برای انجام این موضوع فراهم کرده است که عمدتا بسته Coremeltools برای Python است، که می تواند از تعدادی فرمت مدل طرف سوم رایج تبدیل شود. خبر بد: Coremeltools در حال حاضر از ورژن های قبلی برخی از آن مدل ها پشتیبانی می کند، مانند ورژن 1.2.2 سیستم یادگیری عمیق Keras (که حالا در ورژ 2.0 است) خبر خوب: آن میت ابزاری منبع باز است (با گواهی BSD) یعنی سرعت بخشیدن به آن برای همکاران نسبتا ساده است.

Core ML به صورت های دیگر محدود می شود. برای نمونه، هیچ نظارتی در Core ML برای آموزش مجدد مدل یا یادگیری فدرالی که داده های جمع شده از فیلد برای بهبود دقت مدل استفاده می شود، وجود ندارد. این چیزی است که باید به طور دستی احتمالا با درخواست از کاربران برنامه در انتخاب جمع آوری داده و استفاده از آن داده برای آموزش مجدد مدل برای ویرایش آینده برنامه پیاده سازی کنید.

وقتی توسعه دهندگان کاملا به جریان کاری اساسی موجود عادت کنند و با استعاره های Core ML راحت شوند، در نظر گرفتن ویژگی هایی از این قبیل در بررسی های آینده Core ML کاملا امکان پذیر است. روش شناسی استاندارد برای استفاده مدل های یادگیری ماشین آموزش دیده در برنامه های Apple، شروعی مناسب برای توسعه دهندگان است، اما راحت کردن آن برای تغییر شکل تبادلات کاربر با آن مدل ها در هوش بهتری با گذشت زمان، می تواند جذاب تر هم باشد.