Aprendizado de Máquina em Swift: bibliotecas Core ML, Create ML e TensorFlow Lite

Aprendizado de Máquina em Swift: bibliotecas e ferramentas para iOS/macOS

O desenvolvimento para o ecossistema Apple é tradicionalmente associado à linguagem Swift. Apesar de Python continuar sendo o líder indiscutível em Ciência de Dados, Swift está alcançando-o ativamente, oferecendo soluções nativas e otimizadas para o hardware Apple. Neste artigo, abordaremos as principais bibliotecas e frameworks que permitem implementar aprendizado de máquina (ML) em aplicativos para iOS, macOS, watchOS e tvOS, além de treinar modelos diretamente no dispositivo.

1. Core ML — a base de tudo

Core ML não é apenas uma biblioteca, mas um framework fundamental da Apple que serve como runtime para executar modelos de ML no dispositivo. Ele suporta modelos treinados em Python (scikit-learn, TensorFlow, PyTorch) e convertidos para o formato .mlmodel ou .mlpackage usando Core ML Tools.

Principais recursos do Core ML:

• Otimização para Neural Engine, GPU e CPU (seleção automática).
• Suporte para imagens, texto, sequências, dados tabulares.
• Trabalho com modelos de classificação, detecção de objetos (YOLO, SSD), segmentação semântica.
• Suporte para modelos transformer (BERT, GPT-2) através do Natural Language.

Exemplo de integração do modelo Core ML para classificação de imagens (Swift):

import CoreMLimport Vision

// 1. Carregamos o modelo (exemplo: MobileNetV2)guard let model = try? VNCoreMLModel(for: MobileNetV2(configuration: MLModelConfiguration()).model) else {    fatalError("Falha ao carregar o modelo")}

// 2. Criamos a requisição para Visionlet request = VNCoreMLRequest(model: model) { request, error in    guard let results = request.results as? [VNClassificationObservation],          let topResult = results.first else {        return    }    print("Reconhecido: \\(topResult.identifier) com confiança \\(topResult.confidence)")}

// 3. Executamos a requisição na imagemguard 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 — treinamento sem código (e com código)

Create ML é uma ferramenta da Apple, integrada ao Xcode e Swift Playgrounds, que permite treinar modelos de aprendizado de máquina diretamente no Mac, usando Swift. É ideal para prototipagem e criação de modelos personalizados sem sair do ecossistema.

Create ML suporta:

• Classificação e regressão (dados tabulares).
• Classificação de imagens e detecção de objetos.
• Análise de texto (sentimento, categorização).
• Sistemas de recomendação (baseados no comportamento do usuário).
• Classificação de áudio.

Exemplo de treinamento de um classificador de texto em Swift (macOS):

import CreateMLimport Foundation

// 1. Carregamos os dados de um CSVlet data = try MLDataTable(contentsOf: URL(fileURLWithPath: "/Users/me/emails.csv"))

// 2. Dividimos em treino/testelet (trainingData, testingData) = data.randomSplit(by: 0.8, seed: 42)

// 3. Treinamos o classificador de sentimentolet sentimentClassifier = try MLTextClassifier(trainingData: trainingData,                                               textColumn: "text",                                               labelColumn: "label")

// 4. Avaliação da precisãolet evaluationMetrics = sentimentClassifier.evaluation(on: testingData)print("Precisão: \\(evaluationMetrics.classificationError)")

// 5. Salvamos o modelolet metadata = MLModelMetadata(author: "PythonLib",                               shortDescription: "Classificador de sentimento de e-mails",                               version: "1.0")try sentimentClassifier.write(to: URL(fileURLW