Create ML ist Apples Versuch, einige der herausfordernden Aufgaben des maschinellen Lernens, die Entwickler ansonsten allein lösen müssen, zu kommerzialisieren. Apple hat sich dafür entschieden, seine bestehenden ML-Technologien, wie sie in Siri und Photos zu finden sind, zu nutzen.
Mit Create ML with Swift können Entwickler, die sich derzeit auf Seh- und Natursprachdaten konzentrieren, maschinelle Lernmodelle erstellen, die dann für Aufgaben wie das Verstehen von Text, das Erkennen von Fotos oder das Auffinden von Beziehungen zwischen Zahlen geschult werden. Damit können Entwickler auf ihren Macs Modelle für das maschinelle Lernen erstellen, die sie dann mit Swift auf den Plattformen von Apple einsetzen können.
Apples Entscheidung, eine eigene Technologie für das maschinelle Lernen zu entwickeln, bedeutet, dass Entwickler Modelle für die natürliche Sprache und Bildklassifikation viel schneller erstellen können, als es die Aufgabe erfordert, wenn sie von Grund auf neu erstellt werden. Es ermöglicht auch die Erstellung dieser Modelle ohne den Einsatz von KI-Trainingssystemen von Drittanbietern wie IBM Watson oder TensorFlow (obwohl Create ML nur sehr spezifische Modelle unterstützt). Die Schulung der maschinellen Intelligenz ist zeitaufwendig, daher ist es bemerkenswert, dass Apple behauptet, dass Create ML die Zeit für die Erstellung von Modellen drastisch verkürzt.
Das Unternehmen zitierte Memrise, wodurch die Zeit für die Schulung eines Bildverarbeitungsmodells von 24 Stunden auf nur 18 Minuten verkürzt wurde. Denn es baut auf Apples bestehenden, weit verbreiteten ML-Modellen für Bilder und Sprache auf, wie ich mir vorstellen kann. Apple bietet auch Core ML an. Der Unterschied zwischen den beiden besteht darin, dass Sie mit Create ML zwar schnell KI-Modelle auf der Apple-Plattform erstellen können, aber mit Core ML können Sie Modelle, die Sie erstellt haben, außerhalb des Apple-Ökosystems (z.B. in TensorFlow) an Bord bringen.
Was an Create ML befreiend ist, ist, dass Apple den Prozess der Erstellung von KI-Modellen viel zugänglicher gemacht hat (obwohl erfahrene Anwender immer noch komplexe Algorithmen verwenden können).
Es hat es auch ermöglicht, diese Modelle in den bekannten Apple Entwicklungsumgebungen Xcode, Swift und Xcode zu erstellen. Sie können auch Swift-Skripte verwenden, um die Erstellung und Schulung neuer Modelle zu automatisieren. Ein weiterer großer Vorteil ist die einfache Bereitstellung. Sobald Ihr ML-Modell funktioniert, können Sie es in Ihre Anwendungen integrieren, indem Sie es per Drag & Drop in den Anwendungscode ziehen.
Es gibt einen chronischen Mangel an hochqualifizierten KI-Entwicklern – diese Leute schreiben ziemlich genau ihre eigenen Schecks. Trotz dieses Mangels gibt es jedoch keine Anzeichen einer Verlangsamung in Bezug auf Unternehmen, die KI-Technologien zum Nutzen ihres Unternehmens einsetzen wollen. Apples Einführung von Create ML macht die KI-Entwicklung zugänglicher, wenn auch auf Visionen und Implementierungen natürlicher Sprache beschränkt. (Google arbeitet auch in eine ähnliche Richtung mit Google Cloud M und Swift für Tensorflow.)
Dies ermöglicht es Entwicklern, KI schneller zu erstellen und in ihren Anwendungen einzusetzen, was es für Unternehmensanwender möglich macht, mit maschinellem Lernen in ihren eigenen Anwendungen zu experimentieren. Unternehmensentwickler, die die Daten, die für die Schulung ihrer KI verwendet werden, genau im Griff behalten müssen und die Nutzung von Cloud Services vermeiden wollen, werden ebenso profitieren wie jedes Unternehmen, das sich auf die Erstellung von ML-Apps für seine eigene, zunehmend iOS-basierte Flotte konzentriert.
Während die Auswirkungen auf die verbraucherorientierte KI derzeit durch Shopping und dergleichen definiert zu sein scheinen, können Teams, die mit der Entwicklung interner Kollaborations-, Kundensupport- oder Business Management-Anwendungen beauftragt sind, nun auf eine schnelle Bereitstellung neuer maschineller Lernmodelle setzen. Dass die Entwicklungskosten durch den Umzug gesunken sind, sollte auch dazu beitragen, die ML-Technologie experimentell zu nutzen, was zu neuen Innovationen führen könnte.
Natürlich ist es möglich, dass Unternehmen ihre Teams mit Hilfe von hochrangiger KI-Erfahrung erweitern müssen, insbesondere wenn sie versuchen, ihre Modelle für eine robustere Leistung in der realen Welt zu optimieren. Ich bin sicher, dass große Unternehmen, die sich für große ML-Implementierungen engagieren, virtualisierte Cloud-basierte Lösungen einsetzen werden, um Daten für den Aufbau ihrer KI-Modelle durchzuspielen – aber Apple unterstützt sogar diese extern erstellten Modelle mit CoreML.