What’s new in Create ML

ハイライト

Create ML は Apple のオンデバイス機械学習トレーニングツールで、App（クリック式トレーニング）、Framework（コードベーストレーニング）、基盤 Components（組み合わせ可能なモデル構築ブロック）の 3 層に分かれます。今年の更新はこの 3 層すべてをカバーします。

主要内容

画像検出モデルをトレーニングしてデプロイしたら、同じコーヒーカップが 2 回検出される — 1 回はコーヒー液面に、1 回はカップ本体にラベル付け。この「重複検出」問題の原因はモデルではなく、アノテーションデータ自体にあります。しかし従来の Create ML App では、アノテーションを 1 件ずつ確認する方法がありませんでした。今年追加された Explore 機能がこれを解決 — データソースをクリックし、クラスラベルを選択すれば、各画像のアノテーションボックスの位置とサイズを確認できます（03:12）。トレーニング前にチェックし、「ゴミを入れればゴミが出る」を回避。

もう 1 つの重大な更新はオブジェクトトラッキング（Object Tracking） — visionOS 向けに設計された新テンプレートで、実物体の空間位置と向きを追跡するモデルをトレーニング。トレーニングデータは 3D アセット 1 つだけで、Create ML がすべてのトレーニングサンプルを自動生成。デモでは実物の地球儀をトラッキングし、app が月の軌道と地核の可視化を周囲に重ね表示（04:14）。

Components レベルでは、2 つの汎用コンポーネントが追加 — 時系列分類と時系列予測。分類は「このデータは何を表すか？」（例：腕時計加速度計からジェスチャー認識）、予測は「次に何が起きるか？」（例：売上予測）。両方とも汎用型で、加速度計、GPS、販売データなど各種時系列データに対応。

詳細

データソース Explore 機能

Create ML App で左側のデータソースを選択するとデータ分布が表示。新しい Explore オプションでクラスラベルを深掘りし、画像ごとにアノテーションボックスを可視化。画像分類、物体検出、手のポーズ分類など画像系テンプレートに適用（03:36）。

オブジェクトトラッキングテンプレート

Create ML App に Spatial カテゴリが追加され、オブジェクトトラッキングテンプレートで物体の空間位置と向きを追跡するモデルをトレーニング。トレーニング入力は 3D アセット 1 つのみ — App が必要なトレーニングデータを自動生成。完全なワークフローは専用動画「Explore object tracking for visionOS」を参照（05:01）。

時系列予測：データ準備からトレーニングまで

セッションはフードトラック売上予測 app を例に、Create ML Components の使用フロー全体をデモ。

データ前処理 — 取引ごとのデータを日次売上に集約：

// Create DateFeatureExtractor, extract month and weekday features
let featureExtractor = DateFeatureExtractor(
    featureComponents: [.month, .weekday]
)

// Combine ColumnSelector and featureExtractor into a pipeline
let pipeline = PipelineComposer()
    .compose(ColumnSelector("date"), featureExtractor)
    .append(ColumnConcatenator())

// Fit DataFrame with pipeline to get preprocessor
let preprocessor = pipeline.fit(dataFrame)

// Extract feature and target columns as MLShapedArray
let features = preprocessor.transform(dataFrame)["features"].typedValues()
let targets = dataFrame["quantity"].typedValues()

キーポイント:

DateFeatureExtractor は日付列から .month、.weekday などの特徴コンポーネントを抽出し、モデルが周期的パターンを学習（09:08）
ColumnSelector で特定列を選択し、featureExtractor と pipeline に組み合わせ
ColumnConcatenator で複数特徴列を 1 つの MLShapedArray に統合し、モデル入力に
pipeline.fit() が返す preprocessor で生 DataFrame をモデル必要形式に変換

モデルトレーニングと予測：

// Split data into training and validation sets
let (training, validation) = data.split(ratio: 0.8)

// Create time series forecaster, configure history and forecast windows
let forecaster = TimeSeriesForecaster(
    inputWindowSize: 15,
    forecastWindowSize: 3
)

// Train
let model = forecaster.fit(training)

// Predict sales for the next 3 days
let predictions = model.applied(input: recentData)