التعلم الآلي بلغة Swift: مكتبات Core ML و Create ML و TensorFlow Lite

التعلم الآلي بلغة Swift: المكتبات والأدوات لأنظمة iOS/macOS

يرتبط التطوير لنظام Apple البيئي تقليديًا بلغة Swift. على الرغم من أن Python لا تزال القائد بلا منازع في مجال علوم البيانات (Data Science)، إلا أن Swift تلحق به بنشاط، حيث تقدم حلولًا أصلية ومحسّنة لأجهزة Apple. في هذه المقالة، سنستعرض المكتبات والأطر الرئيسية التي تتيح دمج التعلم الآلي (ML) في تطبيقات iOS و macOS و watchOS و tvOS، بالإضافة إلى تدريب النماذج مباشرة على الجهاز.

1. Core ML — الأساس لكل شيء

Core ML ليس مجرد مكتبة، بل هو إطار أساسي من Apple يعمل كبيئة تشغيل لتنفيذ نماذج ML على الجهاز. وهو يدعم النماذج المدربة في Python (scikit-learn، TensorFlow، PyTorch) والمحولة إلى تنسيق .mlmodel أو .mlpackage باستخدام Core ML Tools.

الإمكانيات الرئيسية لـ Core ML:

• التحسين للمحرك العصبي (Neural Engine) ووحدة معالجة الرسومات (GPU) ووحدة المعالجة المركزية (CPU) (اختيار تلقائي).
• دعم الصور والنصوص والتسلسلات والبيانات الجدولية.
• العمل مع نماذج التصنيف واكتشاف الكائنات (YOLO، SSD) والتجزئة الدلالية.
• دعم نماذج المحولات (BERT، GPT-2) عبر Natural Language.

مثال على دمج نموذج Core ML لتصنيف الصور (Swift):

import CoreMLimport Vision

// 1. تحميل النموذج (مثل MobileNetV2)guard let model = try? VNCoreMLModel(for: MobileNetV2(configuration: MLModelConfiguration()).model) else {    fatalError("فشل تحميل النموذج")}

// 2. إنشاء طلب إلى Visionlet request = VNCoreMLRequest(model: model) { request, error in    guard let results = request.results as? [VNClassificationObservation],          let topResult = results.first else {        return    }    print("تم التعرف على: \\(topResult.identifier) بثقة \\(topResult.confidence)")}

// 3. تنفيذ الطلب على الصورةguard let image = UIImage(named: "cat.jpg"),      let ciImage = CIImage(image: image) else { return }

let handler = VNImageRequestHandler(ciImage: ciImage, options: [:])try? handler.perform([request])

2. Create ML — التعلم بدون كود (ومع الكود)

Create ML هي أداة من Apple مدمجة في Xcode و Swift Playgrounds، تتيح تدريب نماذج التعلم الآلي مباشرة على Mac باستخدام Swift. وهي مثالية للنمذجة الأولية وإنشاء نماذج مخصصة دون مغادرة النظام البيئي.

يدعم Create ML:

• التصنيف والانحدار (البيانات الجدولية).
• تصنيف الصور واكتشاف الكائنات.
• تحليل النصوص (المشاعر، التصنيف).
• أنظمة التوصية (بناءً على سلوك المستخدم).
• تصنيف الصوت.

مثال على تدريب مصنف نصوص بلغة Swift (macOS):

import CreateMLimport Foundation

// 1. تحميل البيانات من CSVlet data = try MLDataTable(contentsOf: URL(fileURLWithPath: "/Users/me/emails.csv"))

// 2. التقسيم إلى تدريب/اختبارlet (trainingData, testingData) = data.randomSplit(by: 0.8, seed: 42)

// 3. تدريب مصنف المشاعرlet sentimentClassifier = try MLTextClassifier(trainingData: trainingData,                                               textColumn: "text",                                               labelColumn: "label")

// 4. تقييم الدقةlet evaluationMetrics = sentimentClassifier.evaluation(on: testingData)print("الدقة: \\(evaluationMetrics.classificationError)")

// 5. حفظ النموذجlet metadata = MLModelMetadata(author: "PythonLib",                               shortDescription: "مصنف مشاعر البريد الإلكتروني",                               version: "1.0")try sentimentClassifier.write(to: URL(fileURLW