Definition

Was ist Core ML?

| Autor / Redakteur: Stefan Luber / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Core ML ist ein Machine Learning Framework von Apple, mit dem sich Machine-Learning-Modelle in eigene Apps integrieren lassen. Das Framework unterstützt sowohl mit Create ML entworfene und trainierte Modelle als auch Modelle anderer Frameworks wie TensorFlow.

Mit Core ML ist es möglich, trainierte Machine-Learning-Modelle in eigene iOS-Apps zu integrieren. Es handelt sich um ein von Apple bereitgestelltes Framework, das für Machine-Learning-Anwendungen auf Apple-Geräten optimiert ist und den Speicher- und Energieverbrauch minimiert. Das Framework ist für diverse Apple-Produkte geeignet und arbeitet beispielsweise mit Siri, Kamera oder QuickType zusammen. Entwickler können ohne tiefere Programmierkenntnisse im Bereich des maschinellen Lernens eigene Anwendungen aus dem Bereich der Künstlichen Intelligenz (KI) realisieren.

Core ML unterstützt sowohl mit dem ebenfalls von Apple bereitgestellten Create ML entworfene und trainierte Modelle als auch Modelle anderer Frameworks. Die Kombination von Create ML und Core ML gestattet die Entwicklung von Anwendungen rund um das maschinelle Lernen innerhalb des Apple-Ökosystems, ohne dass Software anderer Anbieter benötigt wird. Unterstützte andere Frameworks sind beispielsweise MXNet oder TensorFlow. KI-Anwendungen können für die Sprach- und Bilderkennung, für die Textextraktion oder das Finden von Beziehungen und Mustern in Daten verwendet werden.

Die wichtigsten Merkmale von Core ML

Core ML unterstützt eine Vielzahl verschiedener Modelle. Um maximale Performance bereitzustellen, nutzt Core ML die Leistung von CPUs und GPUs. Die Machine-Learning-Modelle und -Anwendungen sind vollständig auf einem dedizierten Gerät betreibbar, ohne dass Daten zu Analysezwecken auf andere Systeme übertragen werden müssen. Dies stellt den Schutz der verwendeten Daten sicher und lässt die Anwendung auch ohne Netzwerkverbindung zuverlässig funktionieren.

Core ML unterstützt Vision zur Bildanalyse und Natural Language zur Textanalyse. Mit Vision mögliche Machine-Learning-Funktionen sind beispielsweise die Gesichtserkennung, Texterkennung, Barcode-Erkennung, Tracking von Objekten, Tracking von Personen und vieles mehr.

Nutzung von Konvertern zur Integration fremder Machine-Learning-Modelle mit Core ML

Core ML ist nicht dafür vorgesehen, selbst Machine-Learning-Modelle zu erschaffen und zu trainieren. Das Framework ist auf bereits erstellte und trainierte Modelle angewiesen. Apple stellt einige Beispielmodelle und Create ML zum Erzeugen und Trainieren eigener Modelle zur Verfügung. Darüber hinaus existieren zahlreiche Konverter, mit denen sich Machine-Learning-Modelle verschiedener Frameworks und Formate in das von Core ML benötigte Format umwandeln lassen. Konverter sind beispielsweise für folgende Frameworks verfügbar:

  • Apache MXNet
  • TensorFlow
  • ONNX (Open Neural Network Exchange)

Das Zusammenspiel von Create ML und Core ML

Neben Core ML ist Create ML ein wichtiges Tool von Apple, um eigene Machine-Learning-Anwendungen zu realisieren. Core ML wurde auf der Apple-Entwicklerkonferenz WWDC 2017 vorgestellt. Create ML folgte ein Jahr später. Während Core ML fertige Modell in eigene Apps integriert, ist Create ML für das Erstellen und Trainieren von Modellen vorgesehen.

Create ML verwendet Apple-Technologien wie Swift oder Xcode und ist mithilfe von Swift-Skripten in der Lage, das Erstellen und Trainieren von Modellen zu automatisieren. Die Modelle lassen sich auf einem Mac-Rechner testen und trainieren und benötigen keine dedizierten Server. Über eine grafische Benutzeroberfläche können Daten per Drag & Drop zugeführt werden. Entwickler benötigen kein spezielles Wissen über die verwendeten Algorithmen oder die Struktur des zugrunde liegenden neuronalen Netzwerks.

Vorteile durch die Verwendung von Core ML und Create ML

Core ML und Create ML gestatten es Entwicklern, Funktionen der Künstlichen Intelligenz und des Machine Learnings mit geringem Aufwand und ohne spezielle Programmierkenntnisse in eigen Apps zu integrieren. Die Frameworks sind einfach zu verwenden und arbeiten auf Apple-Geräten mit hoher Performance. Das Trainieren ist direkt auf lokalen Rechnern möglich und benötigt keine eigene Server-Infrastruktur. Die fertigen Apps arbeiten standalone auf Apple-Devices. Es müssen keine Daten auf externe Geräte übertragen werden und es ist keine Internetverbindung notwendig. Services oder Software externer Anbieter sind überflüssig. Falls notwendig, können Modelle anderer Frameworks wie TensorFlow per Core ML übernommen werden.

Verbesserungen in der aktuellen Version Core ML 2

Die aktuelle Version von Core ML ist Core ML 2 (Stand März 2019). Sie wurde auf der WWDC 2018 von Apple vorgestellt. Core ML 2 bietet noch mehr Leistung und ermöglicht den Einsatz noch kompakterer Machine-Learning-Modelle auf iOS-Geräten. Die neue Version gestattet Entwicklern den Zugriff auf eine breite Palette an Machine-Learning-Modellen. Diese umfasst Standardmodelle wie SVM (Support Vector Machines) oder Tree Ensembles und mehr als 30 Deep-Learning-Layer-Typen.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45806571 / Definitionen)