Create ML의 새로운 기능

안녕하세요, 저는 David입니다 Create ML 팀의 머신 러닝 엔지니어죠 Create ML의 새로운 기능을 시청해 주셔서 감사합니다 저희 목표는 머신 러닝을 사용하는 멋진 앱 제작 도구를 제공하는 것입니다 Create ML을 사용해 OS에 내장되는 강력한 머신 러닝 모델을 맞춤화할 수 있습니다 이 비디오에서는 먼저 Create ML 앱과 프레임워크의 개요를 설명하겠습니다

그런 다음 Create ML 앱에서 즐겨 사용하는 템플릿의 개선 사항을 설명하겠습니다 다음, Apple Vision Pro에서 물체 추적 머신 러닝 모델을 빌드하는 새로운 방식을 소개하겠습니다

그리고 나서 맞춤형 시계열 예측과 분류 모델 빌드에 사용할 수 있는 새로운 구성요소에 대해 자세히 설명하겠습니다

그럼 시작하겠습니다 저희는 앱에서 모델을 빌드하고 배포하는 데 사용할 수 있는 머신 러닝 도구 생태계 구축에 여러 해를 투자했습니다

머신 러닝을 처음 접해서 어디서 시작할지 잘 모르겠다면 딱 맞는 비디오가 있습니다 ‘Apple 플랫폼의 머신 러닝 살펴보기‘를 시청하면 ML 프레임워크의 개요를 파악할 수 있습니다 저는 생태계의 중요한 부분인 Create ML에 초점을 맞추겠습니다 Create ML은 몇 부분으로 나누어 볼 수 있습니다 Create ML 앱, Create ML 프레임워크, 기본 구성요소입니다 Create ML 앱을 사용해 버튼 클릭만 하면 모델 학습을 시작할 수 있습니다

이 앱은 프레임워크 위에 구축되어 있습니다 모델 생성을 자동화하거나 기기 내 개인 맞춤화 경험을 구축하는 데 관심이 있으시면 바로 프레임워크를 사용하세요 보이지 않는 곳에서 Create ML은 Vision Natural Language, Sound Analysis 같은 시스템 도메인 프레임워크를 활용해서 학습 데이터로 머신 러닝 모델을 사용 사례에 맞춤화합니다

Create ML의 결과물은 모델입니다 이 모델을 시스템 도메인 프레임워크의 도움으로 앱에 배포할 수 있습니다 이제 Create ML 앱의 개선 사항에 대해 설명하겠습니다 맞춤형 머신 러닝 모델을 빌드할 때 가장 쉽게 시작하는 방법은 Mac에서 Create ML 앱을 사용하는 겁니다

이미지, 비디오, 표 형식 데이터의 콘텐츠를 예측할 수 있는 모델을 생성할 수 있습니다 이미지 안의 물체 오디오 파일의 사운드 비디오 속 사람의 동작 또는 활동을 감지할 수 있는 모델이죠

지금은 물체 감지를 선택하겠습니다

어떤 템플릿을 선택하든 시작점은 항상 같습니다 바로 학습 데이터죠 모델을 학습시키기 전에 모델이 예상대로 작동하도록 주석의 성격을 이해하는 것이 중요합니다

실용적인 예를 살펴보겠습니다

커피 한 잔 같은 흔한 아침 식사 메뉴를 감지하는 앱을 제작한다고 생각해 보세요 앱을 테스트하는 동안 앱이 커피 표면과 커피 컵을 둘 다 감지한다는 걸 발견합니다 중복 예측은 그리 훌륭한 사용자 경험이 아닙니다 주석에 문제가 있으면 이런 문제가 발생할 수 있습니다 주석을 시각화하고 디버깅하는 새로운 방법을 보여드리겠습니다 Create ML 앱에서 왼쪽에 있는 데이터 소스를 클릭합니다

그러면 데이터 분포가 표시됩니다

Explore 옵션은 새로 추가되었죠

특정 객체나 클래스 레이블을 학습시켜 주석을 시각화할 수 있습니다 이 예에서는 커피를 선택했습니다 바운딩 박스가 커피 표면에 그려진 이미지도 있고 커피잔 둘레에 그려진 이미지도 있다는 것에 주목하세요

학습을 시작하기 전에 데이터 소스를 미리 보고 주석이 예상과 일치하는지 확인합니다

Create ML 앱에서 이미지 기반 모델을 빌드할 때 이미지 분류와 손 포즈 분류를 포함해 데이터 소스를 살펴볼 수 있습니다

이제 저희가 작업해 온 새로운 기능을 봐주시기 바랍니다 재미있을 겁니다

Create ML은 모든 Apple 운영 체제에서 머신 러닝을 앱에 쉽게 통합할 수 있도록 디자인되었습니다

올해는 공간 컴퓨팅 경험을 위해 특별한 것을 디자인했습니다 Create ML의 물체 추적 기능을 소개하게 되어 기쁩니다 Apple Vision Pro에서 이걸 사용해 몰입감 넘치는 멋진 경험을 구축할 수 있죠, 이런 것처럼요

여기서 저는 현실 세계의 지구본을 추적하고 궤도를 도는 달과 지구 핵으로 보완하는 앱을 사용합니다

Create ML 앱에 Spatial 카테고리를 추가했습니다

여기에서 공간 위치와 물체의 방향을 추적하는 머신 러닝 모델 빌드를 위한 새로운 템플릿을 찾을 수 있습니다

물체 추적기 학습은 Create ML의 다른 모든 템플릿처럼 시작됩니다 바로 학습 데이터죠

Create ML 앱은 학습 과정을 가능한 한 쉽게 합니다

물체의 3D 애셋만 있으면 앱이 모든 학습 데이터를 생성합니다 아주 간단하죠

저는 여러분에게 맛보기 차원에서만 보여드렸습니다 이 기능만 소개한 비디오가 있기 때문이죠 ‘visionOS의 물체 추적 기능 살펴보기‘에서 Apple Vision Pro에 물체 추적 경험을 구축, 배포하는 전체 작업흐름을 안내해 드립니다

지금까지 앱의 새로운 기능을 소개했습니다 이제 좀 더 깊이 파고들어 Create ML 구성요소의 시계열에 대해 설명하겠습니다

간단히 말하면 시계열은 일정 기간에 걸쳐서 변화하는 숫자 데이터를 말합니다

예를 들면 Watch의 가속도계 휴대폰의 GPS 위치 외부 온도가 있습니다

엄밀히 말하면 시계열은 시간이 흐르면서 균일하게 샘플링됩니다

이 비디오에서는 격차가 있을 수 있는 영업 매출 같은 다른 시계열도 생각해 보겠습니다

시계열 분류는 다음 질문에 답하기 위해 디자인되었습니다 “이 데이터는 무엇을 표현합니까?” 예를 들어 핀치, 딱 소리 내기 주먹 쥐기 같은 제스처를 분류하고자 할 수 있습니다 Apple Watch의 가속도계 데이터를 사용해서 말이죠 Create ML에서 한동안 활동 분류를 지원했습니다 올해는 더 강력한 범용 시계열 분류기 구성요소를 도입합니다

답변에 초점을 맞추고 싶은 또 하나의 질문은 이겁니다 “다음에는 어떤 일이 생길까요?” 시계열 예측은 Create ML의 새로운 모델 유형으로 일정 기간에 걸쳐서 이전 데이터를 학습해 미래 가치를 예측합니다

분류기와 마찬가지로 예측기도 범용 구성요소입니다 예측기를 사용해 어떤 것에 관해서든 예측할 수 있다는 뜻이죠 오디오, 가속도계, 판매 실적 또는 제가 고려한 적 없는 다른 것도 말입니다 예를 들어 예측기는 이 그래프의 Historical data를 분석해서 미래의 시계열 값을 예측할 수 있습니다 기본 개념을 다뤘으니 이제 실용적인 예를 살펴보겠습니다 저는 푸드 트럭 주인들이 주문을 받고 판매 실적을 추적하기 위해 사용하는 앱 작업을 하고 있습니다 앱이 미래의 판매 실적도 예측할 수 있다면 정말 멋질 겁니다

그러면 주인들이 적절한 양의 재료를 갖춰 푸드 트럭을 준비하는 데 도움이 될 겁니다 고객이 음식을 구입할 때마다 앱은 표 형식으로 거래를 저장합니다 괸심을 둬야 하는 몇 가지 열은 날짜, 품목, 수량, 가격입니다 예를 들어 오전 11시 30분에 한 고객이 $12에 애플 프리터 6개를 샀습니다 제 목표는 일일 판매량을 예측하는 것이니까 데이터를 사전 처리해야 합니다 표 형식 데이터 프레임워크는 이 작업 과정을 쉽게 해 줍니다

먼저 거래를 날짜별로 그룹화한 다음 수량을 합계합니다

표 형식 데이터 프레임워크에 대해 자세히 알아보려면 Swift에서 데이터를 로드, 탐색 변형하는 방법을 보여주는 Tech Talk를 꼭 확인하세요

자, 거래 내역을 그룹화하고 수량을 합계하려고 두 개의 열만 남겼습니다 Date와 Quantity 열이죠

더 진행하기 전에 시계열 데이터에 흔히 있을 수 있는 추세에 대해 설명하겠습니다 두 푸드 트럭의 판매량을 비교해 보겠습니다 한 곳은 도넛을 팔고 다른 한 곳은 아이스크림을 팝니다 시간이 지나면서 도넛 트럭 판매량이 증가하고 있습니다 푸드 트럭이 인기를 얻을 때 일어날 수 있는 일이죠 아이스크림 판매량도 늘어나는 추세지만 그리 빠르지는 않습니다

또 다른 중요한 관찰 결과는 아이스크림 판매가 주말에 정점에 달하는 반면, 도넛 판매는 일주일 내내 수요가 있다는 것입니다 판매 데이터가 음식 트럭마다 독특하다는 점을 고려하면서 푸드 트럭 앱에 바로 기기 내 예측 모델을 빌드하겠습니다 이렇게 하면 모델이 특정 푸드 트럭의 판매 데이터에 맞춤화되고 정확한 예측을 할 수 있습니다 계속하겠습니다 날짜 열을 좀 더 자세히 살펴보세요

날짜에는 소중한 시간 정보가 있어서 시계열 예측기 모델이 예측을 학습하는 데 활용할 수 있습니다

데이터에서 특정 추세를 찾으려고 날짜 구성요소 추출을 고려합니다 예를 들어 요일을 추출하여 모델이 데이터에서 주간 변동을 학습할 수 있습니다

연도의 월을 추출하면 모델이 연간 변동을 학습할 수 있습니다 예를 들어 아이스크림 판매는 하절기에 확실히 더 높습니다

저희는 DateFeatureExtractor 구성요소를 도입해 날짜에서 특징을 쉽게 추출할 수 있도록 합니다

사용 방법을 보여드리겠습니다

먼저, 월 및 요일 특징 구성요소로 DateFeatureExtractor를 만듭니다

다음, 파이프라인에 ColumnSelector와 featureExtractor를 함께 작성합니다

그런 다음 ColumnConcatenator 구성요소를 추가해 모든 특징을 형성된 배열에 합칩니다

이제 사전 처리 파이프라인으로 데이터 프레임에 맞출 수 있습니다

그러면 원래 데이터세트에서 학습에 필요한 최종 데이터세트로 이동하는 데 사용할 수 있는 사전 처리기가 만들어집니다 끝으로 MLShapedArray의 열로서 Features 열과 Quantity 열을 추출합니다

이상으로 데이터 준비를 마쳤습니다 이제 예측기 모델 학습 방법을 설명하겠습니다

학습 데이터를 두 부분으로 분할합니다 Training 부분과 Validation 부분이죠

다음으로 향후 며칠을 예측할지 결정해야 합니다

향후 여러 날을 예측하기 위해 여러 날의 이전 데이터를 고려해야 합니다 일반적으로 맥락이 예측 기간대보다 더 길어야 합니다 이 경우에는 향후 3일 동안의 판매를 예측하고 싶어서 이전 맥락 중 마지막 15일을 제공합니다 시계열 예측기를 생성하고 inputWindowSize와 forecastWindowSize를 구성합니다 그리고 맞춤화된 방법을 사용해 학습시킵니다

학습이 완료되었으면 예측할 준비가 된 것입니다

적용된 방법을 사용해 3일간의 판매를 예측합니다

제 앱에서는 훌륭해 보이네요 매일 마무리할 때 트럭 주인은 판매량을 예측하고 맛있는 도넛을 제공할 재료가 있는지 확인할 수 있습니다 다 마무리됐습니다 다음 번에 이미지 기반 모델을 빌드할 때 데이터 소스 미리보기로 반드시 데이터를 살펴보세요 여러분이 visionOS 앱에서 만드실 멋진 물체 추적 경험이 정말 기대됩니다 하는 김에 Create ML 구성요소로 시계열 예측기 모델도 맞춤화해 보세요 Create ML로 머신 러닝 모델을 맞춤화할 때입니다

Create ML로 여러분이 빌드하는 작품을 볼 생각에 신납니다