Swift para aprendizaje automático: posibilidades y limitaciones para principiantes

Introducción: ¿por qué Swift para aprendizaje automático?

El mundo del aprendizaje automático (ML) se asocia tradicionalmente con Python, Jupyter Notebooks y bibliotecas como TensorFlow o PyTorch. Sin embargo, en los últimos años ha surgido Swift, un lenguaje de programación de Apple conocido por su rendimiento y seguridad. Si eres desarrollador de iOS/macOS que quiere implementar ML en tus aplicaciones, o un principiante eligiendo tu primer lenguaje para ML, este artículo es para ti.

Swift ofrece un enfoque único: combina la velocidad de los lenguajes compilados (como C++) con la legibilidad de los lenguajes de scripting. Gracias a los frameworks Core ML y Create ML, así como al proyecto Swift for TensorFlow, Swift se convierte en una alternativa viable para tareas de aprendizaje automático en dispositivos Apple. Sin embargo, este enfoque también tiene limitaciones. Vamos a analizarlas.

Principales capacidades de Swift para ML

1. Core ML: integración de modelos en el dispositivo

Core ML es el framework de Apple para ejecutar modelos de aprendizaje automático directamente en los dispositivos (iPhone, iPad, Mac). Esta es una ventaja clave: los datos no se envían al servidor, lo que garantiza privacidad y velocidad.

Ejemplo de carga y uso de un modelo preentrenado (por ejemplo, MobileNet para clasificación de imágenes):

import CoreMLimport Vision

// Cargamos el modeloguard let model = try? VNCoreMLModel(for: MobileNetV2().model) else {    fatalError("No se pudo cargar el modelo")}

// Creamos la solicitudlet request = VNCoreMLRequest(model: model) { request, error in    guard let results = request.results as? [VNClassificationObservation] else { return }    // Mostramos los 3 mejores resultados    for result in results.prefix(3) {        print("\\(result.identifier): \\(result.confidence * 100)%")    }}

// Realizamos el análisis de la imagenguard let image = UIImage(named: "photo.jpg")?.cgImage else { return }let handler = VNImageRequestHandler(cgImage: image)try? handler.perform([request])

Este código muestra lo fácil que es integrar una potente red neuronal en tu aplicación iOS. Todo lo que necesitas es convertir el modelo de PyTorch/TensorFlow al formato .mlmodel usando la utilidad coremltools.

2. Create ML: aprendizaje sin código (casi)

Para tareas simples (clasificación de texto, imágenes, datos tabulares), Apple ofrece Create ML, una herramienta con interfaz gráfica dentro de Xcode. Puedes entrenar un modelo simplemente arrastrando datos. Pero si prefieres el código, Create ML también está disponible como framework:

import CreateMLimport Foundation

// Cargamos los datos de entrenamientolet data = try MLDataTable(contentsOf: URL(fileURLWithPath: "/ruta/a/train.csv"))

// Creamos el clasificadorlet classifier = try MLClassifier(trainingData: data, targetColumn: "etiqueta")

// Evaluamos la precisiónlet metrics = classifier.trainingMetricsprint("Precisión: \\(metrics.classificationError * 100)%")

// Guardamos el modelotry classifier.write(to: URL(fileURLWithPath: "/ruta/a/modelo.mlmodel"))

Esta es una opción ideal para un MVP (producto mínimo viable) o prototipado. Sin embargo, para arquitecturas complejas (transformers, GAN), Create ML no es adecuado.

3. Swift for TensorFlow (S4TF): una estrella apagada

El proyecto Swift for TensorFlow fue un ambicioso intento de Google de crear una alternativa a Python para ML. Ofrecía diferenciación automática a nivel de lenguaje e integración con TensorFlow. Desafortunadamente, en 2021 Google detuvo el desarrollo activo de S4TF. Sin embargo, su legado continúa: muchas ideas de S4TF se trasladaron a las bibliotecas Swift Numerics y swift-ml.

Ejemplo (si S4TF siguiera activo):

import TensorFlow

// Red neuronal simplestruct Model: Layer {    var layer1 = Dense<Float>(i