Core ML – künstliche Intelligenz für iPhones

Core ML wurde auf der WWDC 2017 von Apple vorgestellt. Es ist das erste von Apple selbst stammende Framework für maschinelles Lernen. Dies ist als offizieller Einstieg Apples in künstliche Intelligenz (KI) für Apps zu sehen.

Core ML verarbeitet maschinell angelernte KI-Modelle komplett auf den Endgeräten. Es verzichtet komplett auf die Modell- und Datenverarbeitung in der Cloud. Dadurch ist der Datenschutz für die verarbeiteten Nutzerdaten garantiert, da die Daten nie das Gerät verlassen.

Daraus ergibt sich, dass die KI nun verwendet werden kann, wenn keine Internetverbindung besteht. Durch die Optimierung des Frameworks für Endgeräte reduziert sich ebenso der Stromverbrauch.

Core ML bietet die Möglichkeit der Gesichtserkennung und des Gesichts-Trackings. Hierüber ist es bspw. möglich unterschiedliche Nutzerprofile anhand des Gesichts zu erstellen. Ebenso könnten Apps die Stimmung des Nutzers erkennen, um in einer Musik-App passende Songs vorzuschlagen.

Über die Text- und Barcodeerkennung kann Core ML diese aus Bildern direkt in die Zwischenablage speichern und der Nutzer sich das Abtippen sparen. Es wäre möglich, bei Erkennen bestimmter Texte, dem Nutzer passende Funktionalitäten direkt vorzuschlagen. Das Objekt-Tracking ermöglicht Objekten in der Umgebung mit der App zu interagieren.

Mit der Bildregistrierung ist es möglich mehrere Bilder zu einem zu fusionieren, was zu einer höheren Detailtiefe führt. Dies geht so weit, dass bspw. Details durch dichten Nebel hinweg sichtbar werden. Die natürliche Sprachverarbeitung erkennt die Sprache von Texten, oder fasst diese zusammen. Ebenso können Vorschläge für die Textvervollständigung situationsbedingt angepasst werden.

Über das GameplayKit werden gelernte Entscheidungsbäume bewertet, wodurch die künstliche Intelligenz erfolgreichere Strategien gegenüber dem Spieler anwendet.

Viele Kategorien des maschinellen Lernens können, zumindest in Core ML, noch nicht abgedeckt werden, bspw. Dimensionsreduktion, Anomalie- und Neuheitserkennung, Datenkompression etc. Es ist davon auszugehen, dass hier noch nach und nach die fehlenden Möglichkeiten des maschinellen Lernens integriert werden.