G\u00fcn\u00fcm\u00fcz mobil d\u00fcnyas\u0131nda, kullan\u0131c\u0131 beklentileri her zamankinden daha y\u00fcksek. Art\u0131k uygulamalar\u0131m\u0131z\u0131n sadece i\u015flevsel olmas\u0131 de\u011fil, ayn\u0131 zamanda ki\u015fisel ihtiya\u00e7lar\u0131m\u0131za g\u00f6re \u015fekillenmesi de bekleniyor. Peki, bu ki\u015fiselle\u015ftirilmi\u015f deneyimi sunarken kullan\u0131c\u0131 gizlili\u011fini korumak ve uygulama performans\u0131ndan \u00f6d\u00fcn vermemek m\u00fcmk\u00fcn m\u00fc? \u0130\u015fte bu noktada, cihaz i\u00e7i e\u011fitim (on-device training) stratejileri devreye giriyor ve iOS uygulamalar\u0131n\u0131z\u0131 bir sonraki seviyeye ta\u015f\u0131yor.<\/p>\n
Mobil uygulamalar\u0131n y\u00fckseli\u015fiyle birlikte, kullan\u0131c\u0131 deneyimini ki\u015fiselle\u015ftirme ihtiyac\u0131 da giderek art\u0131yor. Ancak geleneksel bulut tabanl\u0131 makine \u00f6\u011frenimi (ML) modelleri, veri gizlili\u011fi endi\u015feleri, gecikme s\u00fcreleri ve s\u00fcrekli internet ba\u011flant\u0131s\u0131 gereksinimi gibi baz\u0131 zorluklar\u0131 beraberinde getiriyor. Bu durum, \u00f6zellikle hassas kullan\u0131c\u0131 verileriyle \u00e7al\u0131\u015fan veya \u00e7evrimd\u0131\u015f\u0131 kullan\u0131m senaryolar\u0131 olan uygulamalar i\u00e7in b\u00fcy\u00fck bir dezavantaj olu\u015fturabiliyor. \u0130\u015fte tam da bu noktada, cihaz i\u00e7i e\u011fitim (on-device training) stratejileri, hem kullan\u0131c\u0131 gizlili\u011fini en \u00fcst d\u00fczeyde tutan hem de \u00fcst\u00fcn performans sunan yenilik\u00e7i bir \u00e7\u00f6z\u00fcm olarak \u00f6ne \u00e7\u0131k\u0131yor. Kullan\u0131c\u0131 verilerinin cihazda kalmas\u0131, hem g\u00fcvenlik risklerini azalt\u0131yor hem de veri transferi maliyetlerini ortadan kald\u0131r\u0131yor. Ayr\u0131ca, internet ba\u011flant\u0131s\u0131 olmadan da ki\u015fiselle\u015ftirilmi\u015f \u00f6zelliklerin \u00e7al\u0131\u015fabilmesi, uygulaman\u0131n kullan\u0131labilirli\u011fini ve kullan\u0131c\u0131 memnuniyetini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131yor.<\/p>\n
Cihaz i\u00e7i e\u011fitimin sundu\u011fu en b\u00fcy\u00fck avantajlardan biri, kullan\u0131c\u0131 verilerinin cihazdan ayr\u0131lmamas\u0131d\u0131r. Bu, GDPR ve KVKK gibi veri koruma d\u00fczenlemelerine uyumu kolayla\u015ft\u0131r\u0131rken, kullan\u0131c\u0131lar\u0131n uygulamaya olan g\u00fcvenini de art\u0131r\u0131r. Diyelim ki bir sa\u011fl\u0131k uygulamas\u0131 kullan\u0131c\u0131n\u0131n egzersiz al\u0131\u015fkanl\u0131klar\u0131n\u0131 \u00f6\u011frenerek ki\u015fiselle\u015ftirilmi\u015f antrenman programlar\u0131 sunuyor. Bu t\u00fcr hassas verilerin buluta g\u00f6nderilmesi yerine cihazda i\u015flenip e\u011fitilmesi, gizlilik endi\u015felerini ortadan kald\u0131r\u0131r. Ayr\u0131ca, modelin cihaz \u00fczerinde e\u011fitilmesi, yeni verilerle an\u0131nda g\u00fcncellenebilmesini sa\u011flar. \u00d6rne\u011fin, bir klavye uygulamas\u0131 kullan\u0131c\u0131n\u0131n yaz\u0131m tarz\u0131n\u0131 ve kelime se\u00e7imlerini s\u00fcrekli olarak \u00f6\u011frenerek daha do\u011fru tahminler yapabilir. Bu s\u00fcrekli \u00f6\u011frenme d\u00f6ng\u00fcs\u00fc, kullan\u0131c\u0131 deneyimini dinamik ve adaptif hale getirir. D\u00fc\u015f\u00fck gecikme s\u00fcresi (low latency) de \u00f6nemli bir fakt\u00f6rd\u00fcr; modelin cihazda \u00e7al\u0131\u015fmas\u0131, bulut sunucular\u0131na veri g\u00f6nderip yan\u0131t bekleme ihtiyac\u0131n\u0131 ortadan kald\u0131r\u0131r, bu da daha h\u0131zl\u0131 ve ak\u0131c\u0131 bir kullan\u0131c\u0131 deneyimi sa\u011flar. \u00d6zellikle oyunlar veya ger\u00e7ek zamanl\u0131 analiz gerektiren uygulamalar i\u00e7in bu h\u0131z kritik \u00f6neme sahiptir.<\/p>\n
Peki, bu stratejiyi iOS ekosisteminde nas\u0131l hayata ge\u00e7irebiliriz? Apple, Core ML ve Create ML gibi g\u00fc\u00e7l\u00fc framework’ler (yaz\u0131l\u0131m \u00e7er\u00e7eveleri) sunarak geli\u015ftiricilere bu konuda \u00f6nemli kolayl\u0131klar sa\u011fl\u0131yor. Bu ara\u00e7lar sayesinde, makine \u00f6\u011frenimi modellerini iOS cihazlar\u0131nda verimli bir \u015fekilde \u00e7al\u0131\u015ft\u0131rabilir ve hatta cihaz \u00fczerinde yeniden e\u011fitebiliriz. Ancak cihaz i\u00e7i e\u011fitim, beraberinde baz\u0131 teknik zorluklar\u0131 da getirir. Cihazlar\u0131n s\u0131n\u0131rl\u0131 i\u015flem g\u00fcc\u00fc, bellek kapasitesi ve batarya \u00f6mr\u00fc gibi kaynak k\u0131s\u0131tlamalar\u0131, model optimizasyonu ve verimli algoritma se\u00e7imi gibi konularda dikkatli olmay\u0131 gerektirir. Modelin boyutu, e\u011fitim s\u00fcresi ve enerji t\u00fcketimi gibi fakt\u00f6rler, geli\u015ftirme s\u00fcrecinde s\u00fcrekli olarak g\u00f6z \u00f6n\u00fcnde bulundurulmal\u0131d\u0131r. Bu nedenle, ba\u015far\u0131l\u0131 bir cihaz i\u00e7i e\u011fitim stratejisi olu\u015fturmak, hem teknik bilgi hem de dikkatli planlama gerektiren \u00e7ok y\u00f6nl\u00fc bir yakla\u015f\u0131md\u0131r. Bu makalede, iOS uygulamalar\u0131n\u0131z i\u00e7in ad\u0131m ad\u0131m nas\u0131l bir cihaz i\u00e7i e\u011fitim stratejisi geli\u015ftirebilece\u011finizi, temel kavramlardan ileri d\u00fczey ipu\u00e7lar\u0131na kadar t\u00fcm detaylar\u0131yla ele alaca\u011f\u0131z.<\/p>\n
Cihaz i\u00e7i e\u011fitim (on-device training), makine \u00f6\u011frenimi modellerinin do\u011frudan kullan\u0131c\u0131n\u0131n cihaz\u0131nda, yani bir iPhone veya iPad \u00fczerinde e\u011fitilmesi veya yeniden e\u011fitilmesi s\u00fcrecini ifade eder. Geleneksel yakla\u015f\u0131mlarda, modeller genellikle g\u00fc\u00e7l\u00fc bulut sunucular\u0131nda e\u011fitilir ve daha sonra cihazlara da\u011f\u0131t\u0131l\u0131r. Ancak cihaz i\u00e7i e\u011fitim, bu s\u00fcreci tersine \u00e7evirerek veya hibrit bir model benimseyerek, verilerin cihazdan hi\u00e7 ayr\u0131lmamas\u0131n\u0131 veya sadece gerekli minimum verinin buluta g\u00f6nderilmesini sa\u011flar. Bu, \u00f6zellikle gizlili\u011fin \u00f6n planda oldu\u011fu uygulamalar i\u00e7in devrim niteli\u011finde bir yakla\u015f\u0131md\u0131r. \u00d6rne\u011fin, bir foto\u011fraf d\u00fczenleme uygulamas\u0131, kullan\u0131c\u0131n\u0131n belirli filtre tercihleri veya d\u00fczenleme al\u0131\u015fkanl\u0131klar\u0131 hakk\u0131nda bilgi edinebilir ve bu bilgiyi kullanarak gelecekteki d\u00fczenlemeler i\u00e7in ki\u015fiselle\u015ftirilmi\u015f \u00f6neriler sunabilir. T\u00fcm bu \u00f6\u011frenme s\u00fcreci kullan\u0131c\u0131n\u0131n kendi cihaz\u0131nda ger\u00e7ekle\u015fir, b\u00f6ylece ki\u015fisel foto\u011fraflar veya tercihler bulut sunucular\u0131na y\u00fcklenmez.<\/p>\n
Bu konudaki temel ta\u015flardan biri, Apple’\u0131n Core ML framework’\u00fcd\u00fcr. Core ML, \u00f6nceden e\u011fitilmi\u015f makine \u00f6\u011frenimi modellerini iOS, macOS, watchOS ve tvOS uygulamalar\u0131n\u0131za entegre etmenizi sa\u011flar. \u00c7e\u015fitli model t\u00fcrlerini (derin \u00f6\u011frenme, destek vekt\u00f6r makineleri, karar a\u011fa\u00e7lar\u0131 vb.) destekler ve cihaz\u0131n donan\u0131m\u0131ndan (CPU, GPU, Neural Engine) en iyi \u015fekilde yararlanarak h\u0131zl\u0131 ve verimli \u00e7\u0131kar\u0131mlar (inference) yap\u0131lmas\u0131na olanak tan\u0131r. Core ML ile bir modeli uygulamaya dahil etmek olduk\u00e7a basittir; model dosyas\u0131n\u0131 ( Create ML ise, geli\u015ftiricilerin kod yazmaya gerek kalmadan veya \u00e7ok az kodla, kendi \u00f6zel makine \u00f6\u011frenimi modellerini olu\u015fturmalar\u0131na olanak tan\u0131yan bir ara\u00e7t\u0131r. \u00d6zellikle g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma, nesne tan\u0131ma, metin s\u0131n\u0131fland\u0131rma ve \u00f6neri sistemleri gibi yayg\u0131n g\u00f6revler i\u00e7in idealdir. Create ML’in g\u00fcc\u00fc, mevcut verilerinizle bir modeli e\u011fitip, ard\u0131ndan bu modeli Core ML uyumlu bir iOS uygulamalar\u0131nda cihaz i\u00e7i model e\u011fitimi, \u00f6nceden e\u011fitilmi\u015f bir temel modeli (base model) al\u0131p, kullan\u0131c\u0131n\u0131n cihaz\u0131nda toplanan yeni ve ki\u015fisel verilerle bu modeli g\u00fcncellemeyi i\u00e7erir. Bu yakla\u015f\u0131m, genellikle “aktar\u0131m \u00f6\u011frenmesi” (transfer learning) olarak bilinir ve s\u0131f\u0131rdan bir model e\u011fitmekten \u00e7ok daha verimlidir. \u00c7\u00fcnk\u00fc s\u0131f\u0131rdan bir model e\u011fitmek, hem \u00e7ok fazla veri hem de yo\u011fun i\u015flem g\u00fcc\u00fc gerektirir ki bu da mobil cihazlar i\u00e7in pratik de\u011fildir. Aktar\u0131m \u00f6\u011frenmesi ile, genel bir g\u00f6revi yerine getiren b\u00fcy\u00fck bir modelin \u00f6\u011frenilmi\u015f \u00f6zelliklerini kullan\u0131r\u0131z ve bu modeli belirli bir kullan\u0131c\u0131ya veya g\u00f6reve g\u00f6re ince ayarlar\u0131z (fine-tune). Bu, bir dil modelinin genel kelime da\u011farc\u0131\u011f\u0131n\u0131 \u00f6\u011frenip, ard\u0131ndan belirli bir kullan\u0131c\u0131n\u0131n konu\u015fma veya yazma tarz\u0131na g\u00f6re kelime se\u00e7imini ve c\u00fcmle yap\u0131s\u0131n\u0131 ayarlamas\u0131na benzer.<\/p>\n \u0130lk ad\u0131m, uygun bir temel model se\u00e7mektir. Bu model, genellikle bulutta veya geli\u015ftirme ortam\u0131n\u0131zda b\u00fcy\u00fck bir veri k\u00fcmesi \u00fczerinde e\u011fitilmi\u015f, Core ML uyumlu bir Modeli g\u00fcncellemek i\u00e7in, Core ML’e e\u011fitim verisini Bu kod blo\u011funda, Ancak, cihaz i\u00e7i e\u011fitim s\u00fcrecinde dikkat edilmesi gereken \u00f6nemli noktalar vard\u0131r. E\u011fitim verisinin kalitesi ve miktar\u0131, modelin ne kadar iyi \u00f6\u011frenece\u011fini do\u011frudan etkiler. Ayr\u0131ca, e\u011fitim s\u00fcreci batarya t\u00fcketimini art\u0131rabilir ve cihaz\u0131n performans\u0131n\u0131 etkileyebilir. Bu nedenle, e\u011fitim i\u015flemini genellikle cihaz \u015farj olurken veya uygulama arka planda \u00e7al\u0131\u015f\u0131rken, kullan\u0131c\u0131n\u0131n aktif olarak cihaz\u0131 kullanmad\u0131\u011f\u0131 zamanlarda ger\u00e7ekle\u015ftirmek iyi bir stratejidir. Ayr\u0131ca, e\u011fitim s\u00fcrecinin ne kadar s\u00fcrece\u011fini ve ne kadar bellek t\u00fcketece\u011fini tahmin etmek i\u00e7in testler yapmak \u00f6nemlidir. Bu ad\u0131mlar\u0131 dikkatlice uygulayarak, iOS uygulamalar\u0131n\u0131zda g\u00fc\u00e7l\u00fc ve ki\u015fiselle\u015ftirilmi\u015f cihaz i\u00e7i e\u011fitim yetenekleri olu\u015fturabilirsiniz.<\/p>\n Cihaz i\u00e7i e\u011fitimin ba\u015far\u0131s\u0131, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde toplanan verinin kalitesine ve bu verinin ne kadar dikkatli bir \u015fekilde haz\u0131rland\u0131\u011f\u0131na ba\u011fl\u0131d\u0131r. Ancak mobil uygulamalar ba\u011flam\u0131nda, veri toplama ve haz\u0131rlama s\u00fcre\u00e7leri, gizlilik ve g\u00fcvenlik endi\u015feleriyle i\u00e7 i\u00e7e ge\u00e7er. Kullan\u0131c\u0131n\u0131n cihaz\u0131nda ger\u00e7ekle\u015fen her i\u015flem, hassas ki\u015fisel verilerle ilgili olabilece\u011finden, \u015feffafl\u0131k ve kullan\u0131c\u0131n\u0131n r\u0131zas\u0131 olmazsa olmazd\u0131r. Diyelim ki bir m\u00fczik uygulamas\u0131, kullan\u0131c\u0131n\u0131n dinleme al\u0131\u015fkanl\u0131klar\u0131n\u0131 \u00f6\u011frenerek ki\u015fiselle\u015ftirilmi\u015f \u00e7alma listeleri olu\u015fturacak. Bu durumda, hangi \u015fark\u0131lar\u0131n ne zaman dinlendi\u011fi, hangi \u015fark\u0131lar\u0131n atland\u0131\u011f\u0131 gibi veriler toplan\u0131r. Bu verilerin cihazda kalmas\u0131, gizlilik a\u00e7\u0131s\u0131ndan b\u00fcy\u00fck bir avantaj sa\u011flarken, yine de kullan\u0131c\u0131n\u0131n bu veri toplama s\u00fcrecinden haberdar olmas\u0131 ve onay vermesi gerekir.<\/p>\n Veri toplama stratejisi, uygulaman\u0131z\u0131n amac\u0131na ve e\u011fitilecek modelin t\u00fcr\u00fcne g\u00f6re \u015fekillenmelidir. \u00d6rne\u011fin, bir metin tahmini modeli i\u00e7in kullan\u0131c\u0131n\u0131n yazd\u0131\u011f\u0131 metinler, bir g\u00f6r\u00fcnt\u00fc tan\u0131ma modeli i\u00e7in ise kullan\u0131c\u0131n\u0131n \u00e7ekti\u011fi foto\u011fraflar veya belirli nesnelerle etkile\u015fimleri veri kayna\u011f\u0131 olabilir. Bu verilerin toplanmas\u0131 s\u0131ras\u0131nda, gereksiz bilgiden ka\u00e7\u0131nmak ve sadece modelin \u00f6\u011frenmesi i\u00e7in kritik olan verileri toplamak \u00f6nemlidir. Toplanan veriler, e\u011fitim i\u00e7in uygun bir formata d\u00f6n\u00fc\u015ft\u00fcr\u00fclmelidir. Core ML ile \u00e7al\u0131\u015f\u0131rken, veriler genellikle Gizlilik, cihaz i\u00e7i e\u011fitimde merkezi bir rol oynar. Apple, geli\u015ftiricilere kullan\u0131c\u0131 gizlili\u011fini korumak i\u00e7in g\u00fc\u00e7l\u00fc ara\u00e7lar ve y\u00f6nergeler sunar. Verilerin cihazdan ayr\u0131lmamas\u0131, zaten \u00f6nemli bir gizlilik avantaj\u0131d\u0131r. Ancak, toplanan verilerin anonimle\u015ftirilmesi (anonymization) veya diferansiyel gizlilik (differential privacy) gibi teknikler de kullan\u0131labilir. Diferansiyel gizlilik, bir veri k\u00fcmesine rastgele g\u00fcr\u00fclt\u00fc ekleyerek, tek bir bireyin verilerinin genel deseni etkilemeden gizlenmesini sa\u011flar. Bu, \u00f6zellikle modelin bulut tabanl\u0131 bir ana modelle birle\u015ftirilmesi veya model g\u00fcncellemelerinin birden fazla kullan\u0131c\u0131dan toplanan verilerle iyile\u015ftirilmesi gereken senaryolarda \u00f6nemlidir (\u00f6rne\u011fin, birle\u015fik \u00f6\u011frenme – federated learning). Kullan\u0131c\u0131lardan veri toplarken, uygulaman\u0131z\u0131n “Gizlilik Politikas\u0131”nda (Privacy Policy) a\u00e7\u0131k\u00e7a hangi verilerin topland\u0131\u011f\u0131n\u0131, nas\u0131l kullan\u0131ld\u0131\u011f\u0131n\u0131 ve cihazda nas\u0131l i\u015flendi\u011fini belirtmek zorunludur. Kullan\u0131c\u0131ya verilerini kontrol etme ve silme se\u00e7enekleri sunmak da g\u00fcven olu\u015fturman\u0131n anahtar\u0131d\u0131r.<\/p>\n Veri haz\u0131rlama a\u015famas\u0131nda, toplanan verilerin temizlenmesi ve \u00f6n i\u015flenmesi (preprocessing) kritik \u00f6neme sahiptir. Eksik verilerle ba\u015fa \u00e7\u0131kma, g\u00fcr\u00fclt\u00fcy\u00fc azaltma, veriyi normalle\u015ftirme veya \u00f6l\u00e7eklendirme gibi i\u015flemler, modelin daha iyi \u00f6\u011frenmesini sa\u011flar. \u00d6rne\u011fin, metin verileri i\u00e7in noktalama i\u015faretlerinin kald\u0131r\u0131lmas\u0131, k\u00fc\u00e7\u00fck harfe d\u00f6n\u00fc\u015ft\u00fcrme veya stop-word (durak kelime) temizli\u011fi gibi ad\u0131mlar uygulanabilir. G\u00f6r\u00fcnt\u00fc verileri i\u00e7in ise yeniden boyutland\u0131rma, k\u0131rpma veya d\u00f6nd\u00fcrme gibi augmentasyon (veri art\u0131rma) teknikleri, modelin farkl\u0131 varyasyonlara kar\u015f\u0131 daha sa\u011flam olmas\u0131n\u0131 sa\u011flayabilir. Bu s\u00fcre\u00e7lerin \u00e7o\u011fu, cihaz \u00fczerinde yap\u0131labilir, ancak b\u00fcy\u00fck \u00f6l\u00e7ekli \u00f6n i\u015fleme gerektiren durumlarda, verinin bir k\u0131sm\u0131n\u0131 anonimle\u015ftirilmi\u015f ve \u00f6zetlenmi\u015f bir \u015fekilde buluta g\u00f6nderip orada i\u015flemek ve ard\u0131ndan sonucu cihaza geri g\u00f6ndermek gibi hibrit yakla\u015f\u0131mlar da d\u00fc\u015f\u00fcn\u00fclebilir. Her ad\u0131mda gizlili\u011fi ve performans\u0131 dengelemek, ba\u015far\u0131l\u0131 bir cihaz i\u00e7i e\u011fitim stratejisinin temelini olu\u015fturur.<\/p>\n Cihaz i\u00e7i e\u011fitimle elde edilen en b\u00fcy\u00fck avantajlardan biri, modellerin zamanla ve kullan\u0131c\u0131 etkile\u015fimleriyle s\u00fcrekli olarak geli\u015febilmesidir. Ancak bu dinamik yap\u0131y\u0131 y\u00f6netmek, sa\u011flam bir model g\u00fcncelleme ve da\u011f\u0131t\u0131m stratejisi gerektirir. Modelin cihazda e\u011fitilmesi bir ba\u015flang\u0131\u00e7t\u0131r; as\u0131l zorluk, g\u00fcncellenmi\u015f modelleri verimli bir \u015fekilde y\u00f6netmek, performans\u0131 izlemek ve gerekti\u011finde geri almak veya yeni temel modellerle de\u011fi\u015ftirmektir. Diyelim ki bir e-ticaret uygulamas\u0131, kullan\u0131c\u0131n\u0131n t\u0131klama ge\u00e7mi\u015fine ve sat\u0131n alma al\u0131\u015fkanl\u0131klar\u0131na g\u00f6re \u00fcr\u00fcn \u00f6nerileri sunuyor. Kullan\u0131c\u0131 yeni \u00fcr\u00fcnleri ke\u015ffettik\u00e7e veya tercihleri de\u011fi\u015ftik\u00e7e, modelin de bu de\u011fi\u015fikliklere adapte olmas\u0131 gerekir. Bu, modelin belirli aral\u0131klarla veya belirli bir veri e\u015fi\u011fine ula\u015f\u0131ld\u0131\u011f\u0131nda yeniden e\u011fitilmesiyle sa\u011flanabilir.<\/p>\n Model g\u00fcncelleme s\u00fcrecini tetiklemek i\u00e7in \u00e7e\u015fitli stratejiler benimsenebilir:<\/p>\n G\u00fcncellenmi\u015f modelin kaydedilmesi ve y\u00fcklenmesi, uygulaman\u0131n bir sonraki ba\u015flat\u0131l\u0131\u015f\u0131nda veya an\u0131nda devreye al\u0131nmas\u0131nda kritik \u00f6neme sahiptir. Core ML, g\u00fcncellenmi\u015f modeli diskte saklaman\u0131za ve daha sonra y\u00fcklemenize olanak tan\u0131r. Ancak, modelin boyutunun zamanla b\u00fcy\u00fcmemesi i\u00e7in dikkatli olmak gerekir. S\u00fcrekli artan model boyutlar\u0131, cihaz depolama alan\u0131n\u0131 t\u00fcketebilir ve uygulaman\u0131n ba\u015flang\u0131\u00e7 s\u00fcresini uzatabilir.<\/p>\n Model da\u011f\u0131t\u0131m stratejileri ise, temel modelin ilk kez cihaza nas\u0131l ula\u015ft\u0131\u011f\u0131 ve gelecekteki temel model g\u00fcncellemelerinin nas\u0131l y\u00f6netilece\u011fi ile ilgilidir.<\/p>\n Modelin s\u00fcr\u00fcm kontrol\u00fcn\u00fc sa\u011flamak ve hangi modelin hangi kullan\u0131c\u0131 cihaz\u0131nda \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 izlemek i\u00e7in bir arka u\u00e7 (backend) sistemi kullanmak faydal\u0131 olabilir. Ayr\u0131ca, modelin cihaz \u00fczerinde ne kadar iyi performans g\u00f6sterdi\u011fini (\u00f6rne\u011fin, tahmin do\u011frulu\u011fu, batarya t\u00fcketimi) izlemek i\u00e7in telemetri verileri toplamak da \u00f6nemlidir. Ancak bu telemetri verileri toplan\u0131rken, yine gizlilik ilkelerine s\u0131k\u0131 s\u0131k\u0131ya ba\u011fl\u0131 kal\u0131nmal\u0131 ve anonimle\u015ftirilmi\u015f veriler kullan\u0131lmal\u0131d\u0131r. Bu stratejiler, uygulaman\u0131z\u0131n kullan\u0131c\u0131lar\u0131na s\u00fcrekli olarak ki\u015fiselle\u015ftirilmi\u015f ve g\u00fcncel bir deneyim sunmas\u0131n\u0131 sa\u011flar.<\/p>\n Cihaz i\u00e7i e\u011fitim, mobil uygulamalar i\u00e7in bir\u00e7ok avantaj sunsa da, beraberinde \u00f6nemli performans ve kaynak y\u00f6netimi zorluklar\u0131n\u0131 da getirir. Ak\u0131ll\u0131 telefonlar ve tabletler, masa\u00fcst\u00fc bilgisayarlar veya sunucular kadar i\u015flem g\u00fcc\u00fcne, belle\u011fe veya s\u00fcrekli enerji kayna\u011f\u0131na sahip de\u011fildir. Bu nedenle, bir modelin cihaz \u00fczerinde e\u011fitilmesi veya g\u00fcncellenmesi s\u0131ras\u0131nda batarya \u00f6mr\u00fc, i\u015flemci (CPU) kullan\u0131m\u0131, bellek (RAM) t\u00fcketimi ve depolama alan\u0131 gibi fakt\u00f6rler dikkatlice y\u00f6netilmelidir. Aksi takdirde, uygulama yava\u015flayabilir, cihaz a\u015f\u0131r\u0131 \u0131s\u0131nabilir veya batarya \u00f6mr\u00fc \u00f6nemli \u00f6l\u00e7\u00fcde azalabilir, bu da kullan\u0131c\u0131 deneyimini olumsuz etkiler. \u00d6rne\u011fin, bir ses tan\u0131ma uygulamas\u0131, kullan\u0131c\u0131n\u0131n ses tonundaki ince farkl\u0131l\u0131klar\u0131 \u00f6\u011frenmek i\u00e7in s\u00fcrekli olarak mikrofon verilerini i\u015fleyip modelini g\u00fcncellerse, bu durum cihaz\u0131n bataryas\u0131n\u0131 \u00e7ok h\u0131zl\u0131 t\u00fcketebilir.<\/p>\n Performans optimizasyonu i\u00e7in birka\u00e7 strateji izlenebilir:<\/p>\n Depolama alan\u0131 y\u00f6netimi de \u00f6nemlidir. Cihaz i\u00e7i e\u011fitilmi\u015f modeller zamanla b\u00fcy\u00fcyebilir. Eski model s\u00fcr\u00fcmlerini temizlemek, model boyutunu izlemek ve gerekti\u011finde kullan\u0131c\u0131ya model verilerini silme se\u00e7ene\u011fi sunmak, depolama sorunlar\u0131n\u0131n \u00f6n\u00fcne ge\u00e7ebilir. \u00d6rne\u011fin, bir dil modeli kullan\u0131c\u0131n\u0131n yazma ge\u00e7mi\u015fini \u00f6\u011frenerek b\u00fcy\u00fcd\u00fc\u011f\u00fcnde, belirli bir boyutu a\u015ft\u0131\u011f\u0131nda eski ve daha az \u00f6nemli verileri silme stratejileri uygulanabilir. Bu t\u00fcr detayl\u0131 optimizasyon ve y\u00f6netim stratejileri, cihaz i\u00e7i e\u011fitimin mobil uygulamalarda s\u00fcrd\u00fcr\u00fclebilir ve etkili bir \u015fekilde kullan\u0131lmas\u0131n\u0131 sa\u011flar. Sonu\u00e7 olarak, performans ve kaynak y\u00f6netimi, cihaz i\u00e7i e\u011fitim stratejisinin ba\u015far\u0131s\u0131 i\u00e7in teknik geli\u015ftirme kadar kritik bir rol oynar.<\/p>\n Cihaz i\u00e7i e\u011fitimin pratik faydalar\u0131n\u0131 daha iyi anlamak i\u00e7in ki\u015fiselle\u015ftirilmi\u015f bir klavye uygulamas\u0131 senaryosunu inceleyelim. G\u00fcn\u00fcm\u00fcz ak\u0131ll\u0131 klavyeleri, kelime tahmini ve otomatik d\u00fczeltme gibi \u00f6zelliklerle yazma deneyimimizi \u00f6nemli \u00f6l\u00e7\u00fcde geli\u015ftiriyor. Ancak \u00e7o\u011fu klavye uygulamas\u0131, genel bir dil modeli kullanarak \u00e7al\u0131\u015f\u0131r ve her kullan\u0131c\u0131n\u0131n kendine \u00f6zg\u00fc yazma tarz\u0131na, kelime da\u011farc\u0131\u011f\u0131na ve konu\u015fma diline tam olarak adapte olamaz. \u0130\u015fte bu noktada, cihaz i\u00e7i e\u011fitim devreye girerek klavye uygulamas\u0131n\u0131 her kullan\u0131c\u0131 i\u00e7in benzersiz bir hale getirebilir.<\/p>\n Varsay\u0131lan klavye modelleri, genellikle milyonlarca genel metin verisi \u00fczerinde e\u011fitilir. Bu, “Merhaba, nas\u0131ls\u0131n\u0131z?” gibi yayg\u0131n ifadelerde iyi performans g\u00f6sterirken, kullan\u0131c\u0131n\u0131n mesleki jargonu, aile i\u00e7i \u015fakalar\u0131 veya belirli bir ilgi alan\u0131na ait terimleri tahmin etmekte zorlan\u0131r. \u00d6rne\u011fin, bir yaz\u0131l\u0131m m\u00fchendisi s\u00fcrekli “API”, “framework” veya “debug” gibi kelimeler kullan\u0131rken, genel bir klavye bu terimleri ba\u015flang\u0131\u00e7ta do\u011fru tahmin edemeyebilir veya yanl\u0131\u015f d\u00fczeltebilir. Bu durum, kullan\u0131c\u0131n\u0131n s\u00fcrekli manuel d\u00fczeltmeler yapmas\u0131na neden olur ve klavye deneyimini sinir bozucu hale getirir.<\/p>\n Klavye uygulamam\u0131z, kullan\u0131c\u0131n\u0131n cihaz\u0131nda yazd\u0131\u011f\u0131 metinleri yerel olarak analiz ederek bir dil modelini ki\u015fiselle\u015ftirebilir. Bu model, kullan\u0131c\u0131n\u0131n s\u0131k kulland\u0131\u011f\u0131 kelimeleri, kelime \u00e7iftlerini (\u00f6rne\u011fin “g\u00fcnayd\u0131n”dan sonra “can\u0131m”) ve hatta c\u00fcmle yap\u0131lar\u0131n\u0131 \u00f6\u011frenir. S\u00fcre\u00e7 \u015fu ad\u0131mlar\u0131 i\u00e7erebilir:<\/p>\n Bu cihaz i\u00e7i e\u011fitim stratejisi sayesinde, klavye uygulamas\u0131 her kullan\u0131c\u0131 i\u00e7in benzersiz bir ki\u015fisel asistan haline gelir. Kullan\u0131c\u0131lar, kendi yazma tarzlar\u0131na m\u00fckemmel \u015fekilde uyan bir klavye deneyimi ya\u015farken, hassas verilerinin cihazlar\u0131ndan ayr\u0131lmad\u0131\u011f\u0131n\u0131 bilmenin rahatl\u0131\u011f\u0131n\u0131 ya\u015farlar. Bu yakla\u015f\u0131m, sadece klavye uygulamalar\u0131 i\u00e7in de\u011fil, \u00f6neri sistemleri, sa\u011fl\u0131k takip uygulamalar\u0131, foto\u011fraf d\u00fczenleyiciler ve di\u011fer bir\u00e7ok ki\u015fiselle\u015ftirilmi\u015f iOS uygulamas\u0131 i\u00e7in de uygulanabilir ve kullan\u0131c\u0131 memnuniyetini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/p>\n iOS uygulamalar\u0131nda cihaz i\u00e7i e\u011fitim stratejileri olu\u015fturmak, kullan\u0131c\u0131 deneyimini ki\u015fiselle\u015ftirmenin, gizlili\u011fi koruman\u0131n ve uygulama performans\u0131n\u0131 optimize etmenin gelece\u011fidir. Bu makalede ele ald\u0131\u011f\u0131m\u0131z gibi, Core ML ve Create ML gibi Apple’\u0131n g\u00fc\u00e7l\u00fc framework’leri sayesinde, geli\u015ftiriciler art\u0131k makine \u00f6\u011frenimi modellerini do\u011frudan kullan\u0131c\u0131n\u0131n cihaz\u0131nda e\u011fitme ve g\u00fcncelleme yetene\u011fine sahipler. Bu, sadece veri gizlili\u011fi endi\u015felerini ortadan kald\u0131rmakla kalm\u0131yor, ayn\u0131 zamanda daha h\u0131zl\u0131, daha ak\u0131c\u0131 ve internet ba\u011flant\u0131s\u0131ndan ba\u011f\u0131ms\u0131z \u00e7al\u0131\u015fan uygulamalar\u0131n \u00f6n\u00fcn\u00fc a\u00e7\u0131yor. Cihaz i\u00e7i e\u011fitim, uygulaman\u0131z\u0131n her bir kullan\u0131c\u0131n\u0131n benzersiz ihtiya\u00e7lar\u0131na ve tercihlerine g\u00f6re evrimle\u015fmesini sa\u011flayarak, onlara ger\u00e7ekten ki\u015fisel bir deneyim sunma potansiyeli ta\u015f\u0131r.<\/p>\n Ancak, bu g\u00fc\u00e7l\u00fc teknolojiyi kullan\u0131rken dikkatli olmak ve kaynak y\u00f6netimi, model optimizasyonu ve veri gizlili\u011fi gibi konulara \u00f6zen g\u00f6stermek kritik \u00f6neme sahiptir. E\u011fitim s\u00fcrecini do\u011fru zamanlamak, model boyutunu minimize etmek ve kullan\u0131c\u0131lardan \u015feffaf bir \u015fekilde onay almak, ba\u015far\u0131l\u0131 bir cihaz i\u00e7i e\u011fitim stratejisinin temel direkleridir. Ki\u015fiselle\u015ftirilmi\u015f klavye uygulamas\u0131 \u00f6rne\u011finde g\u00f6rd\u00fc\u011f\u00fcm\u00fcz gibi, bu yakla\u015f\u0131m, kullan\u0131c\u0131lar\u0131n g\u00fcnl\u00fck etkile\u015fimlerini daha verimli ve keyifli hale getirebilir. Gelecekte, daha fazla uygulama, kullan\u0131c\u0131lar\u0131n\u0131 daha iyi anlamak ve onlara \u00f6zel \u00e7\u00f6z\u00fcmler sunmak i\u00e7in cihaz i\u00e7i e\u011fitimden faydalanacakt\u0131r. Bu trende ayak uydurarak, siz de uygulaman\u0131z\u0131 rakiplerinizden farkl\u0131la\u015ft\u0131rabilir ve kullan\u0131c\u0131lar\u0131n\u0131z i\u00e7in unutulmaz bir deneyim yaratabilirsiniz. Unutmay\u0131n, gelece\u011fin uygulamalar\u0131 sadece ak\u0131ll\u0131 de\u011fil, ayn\u0131 zamanda ki\u015fisel ve gizlili\u011fe sayg\u0131l\u0131 olacakt\u0131r.<\/p>\n 1. Cihaz i\u00e7i e\u011fitim, bulut tabanl\u0131 e\u011fitime g\u00f6re her zaman daha m\u0131 iyidir?<\/strong><\/p>\n Hay\u0131r, her zaman de\u011fil. Cihaz i\u00e7i e\u011fitim, gizlilik, d\u00fc\u015f\u00fck gecikme s\u00fcresi ve \u00e7evrimd\u0131\u015f\u0131 \u00e7al\u0131\u015fma gibi avantajlar sunarken, bulut tabanl\u0131 e\u011fitim daha b\u00fcy\u00fck veri setleri \u00fczerinde daha karma\u015f\u0131k modelleri e\u011fitmek i\u00e7in daha fazla i\u015flem g\u00fcc\u00fc ve kaynak sunar. Genellikle en iyi yakla\u015f\u0131m, bulut tabanl\u0131 bir temel modelin cihaz i\u00e7i olarak ki\u015fiselle\u015ftirildi\u011fi hibrit bir modeldir.<\/p>\n 2. Cihaz i\u00e7i e\u011fitim batarya \u00f6mr\u00fcn\u00fc ne kadar etkiler?<\/strong><\/p>\n Cihaz i\u00e7i e\u011fitim, yo\u011fun i\u015flem gerektiren bir s\u00fcre\u00e7tir ve batarya t\u00fcketimini art\u0131rabilir. Ancak, bu etki modelin karma\u015f\u0131kl\u0131\u011f\u0131na, e\u011fitim s\u00fcresine ve optimizasyon stratejilerine (\u00f6rne\u011fin, Neural Engine kullan\u0131m\u0131, e\u011fitim zamanlamas\u0131) ba\u011fl\u0131 olarak de\u011fi\u015fir. Do\u011fru optimizasyonlarla, etki kabul edilebilir seviyelere indirilebilir.<\/p>\n 3. Hangi t\u00fcr veriler cihaz i\u00e7i e\u011fitim i\u00e7in uygundur?<\/strong><\/p>\n Kullan\u0131c\u0131ya \u00f6zel, hassas ve gizli kalmas\u0131 gereken veriler (\u00f6rne\u011fin, ki\u015fisel yazma al\u0131\u015fkanl\u0131klar\u0131, sa\u011fl\u0131k verileri, foto\u011fraf tercihleri) cihaz i\u00e7i e\u011fitim i\u00e7in idealdir. Ayr\u0131ca, an\u0131nda geri bildirim gerektiren ve d\u00fc\u015f\u00fck gecikme s\u00fcresi \u00f6nemli olan senaryolar i\u00e7in de uygundur.<\/p>\n 4. Cihaz i\u00e7i e\u011fitilmi\u015f bir modeli nas\u0131l g\u00fcncelleyebilirim?<\/strong><\/p>\n Core ML 3 ve sonraki s\u00fcr\u00fcmleri, 5. Cihaz i\u00e7i e\u011fitimde veri gizlili\u011fini nas\u0131l sa\u011flayabilirim?<\/strong><\/p>\n Verilerin cihazdan ayr\u0131lmamas\u0131 en temel gizlilik ad\u0131m\u0131d\u0131r. Ek olarak, toplanan verileri \u015fifrelemek, anonimle\u015ftirme teknikleri kullanmak, diferansiyel gizlilik uygulamak ve kullan\u0131c\u0131lardan veri toplama ve i\u015fleme konusunda a\u00e7\u0131k\u00e7a onay almak \u00f6nemlidir. Uygulaman\u0131z\u0131n gizlilik politikas\u0131n\u0131 \u015feffaf bir \u015fekilde sunmal\u0131s\u0131n\u0131z.<\/p>\n #iOSGeli\u015ftirme #Makine\u00d6\u011frenimi #OnDeviceTraining #CoreML #YapayZeka<\/p>\n.mlmodel<\/code> uzant\u0131l\u0131) projenize s\u00fcr\u00fckleyip b\u0131rakman\u0131z yeterlidir. Daha sonra, modelinize girdi sa\u011flayarak \u00e7\u0131kt\u0131 alabilirsiniz. Ancak Core ML, ba\u015flang\u0131\u00e7ta sadece \u00e7\u0131kar\u0131m yapmak i\u00e7in tasarlanm\u0131\u015ft\u0131. Modelin cihaz \u00fczerinde e\u011fitilmesi veya g\u00fcncellenmesi i\u00e7in Apple, Create ML ve daha sonra Core ML’in g\u00fcncel s\u00fcr\u00fcmleriyle bu yetene\u011fi geli\u015ftirmi\u015ftir.<\/p>\n.mlmodel<\/code> dosyas\u0131 olarak d\u0131\u015fa aktarabilmesidir. En \u00f6nemlisi, Create ML art\u0131k cihaz i\u00e7i yeniden e\u011fitim (on-device re-training) yeteneklerini de destekliyor. Bu, uygulaman\u0131z\u0131n kullan\u0131c\u0131n\u0131n cihaz\u0131nda toplad\u0131\u011f\u0131 yeni verilerle mevcut bir modeli g\u00fcncelleyebilece\u011fi anlam\u0131na gelir. \u00d6rne\u011fin, bir fitness takip uygulamas\u0131, kullan\u0131c\u0131n\u0131n yeni egzersiz hareketlerini veya y\u00fcr\u00fcme tarz\u0131n\u0131 \u00f6\u011frenerek daha do\u011fru aktivite tespiti yapabilir. Bu sayede, model zamanla her bir kullan\u0131c\u0131 i\u00e7in daha ki\u015fiselle\u015fmi\u015f ve do\u011fru hale gelir. Bu temel kavramlar\u0131 anlamak, iOS ekosisteminde ki\u015fiselle\u015ftirilmi\u015f ve gizlili\u011fe odakl\u0131 uygulamalar geli\u015ftirmek i\u00e7in at\u0131lacak ilk ve en \u00f6nemli ad\u0131mlard\u0131r. \u015eimdi, bu kavramlar\u0131 uygulamaya nas\u0131l d\u00f6kece\u011fimize ge\u00e7elim.<\/p>\niOS Uygulamalar\u0131nda Cihaz \u0130\u00e7i Model E\u011fitimi Nas\u0131l Yap\u0131l\u0131r? Ad\u0131m Ad\u0131m Yakla\u015f\u0131m<\/h3>\n
.mlmodel<\/code> dosyas\u0131d\u0131r. \u00d6rne\u011fin, bir g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma uygulamas\u0131 geli\u015ftiriyorsan\u0131z, \u00f6nceden e\u011fitilmi\u015f bir ResNet veya MobileNet modeliyle ba\u015flayabilirsiniz. Bu temel model, genel nesne tan\u0131ma yetene\u011fine sahip olacakt\u0131r. Daha sonra, bu modeli kullan\u0131c\u0131n\u0131n cihaz\u0131nda, kullan\u0131c\u0131n\u0131n kendi foto\u011fraflar\u0131 veya tercihleriyle yeniden e\u011fitece\u011fiz. Core ML 3 ve sonraki s\u00fcr\u00fcmleri, MLModelUpdatable<\/code> protokol\u00fc sayesinde modelin cihaz \u00fczerinde g\u00fcncellenmesine olanak tan\u0131r. Bu protokol\u00fc destekleyen bir modeliniz oldu\u011funda, e\u011fitim i\u00e7in gerekli veriyi haz\u0131rlayabilir ve model g\u00fcncelleme i\u015flemini ba\u015flatabilirsiniz.<\/p>\nMLBatchProvider<\/code> protokol\u00fc arac\u0131l\u0131\u011f\u0131yla sa\u011flaman\u0131z gerekir. Bu, modelin bekledi\u011fi formatta girdi ve \u00e7\u0131kt\u0131 \u00e7iftlerini i\u00e7eren bir veri koleksiyonudur. \u00d6rne\u011fin, bir metin s\u0131n\u0131fland\u0131rma modelini g\u00fcncelliyorsan\u0131z, kullan\u0131c\u0131n\u0131n yazd\u0131\u011f\u0131 metinler (girdi) ve bu metinlerin do\u011fru kategorileri (\u00e7\u0131kt\u0131) \u015feklinde veri sa\u011flaman\u0131z gerekebilir. A\u015fa\u011f\u0131daki \u00f6rnek, Core ML ile nas\u0131l bir model g\u00fcncelleme g\u00f6revi olu\u015fturulaca\u011f\u0131n\u0131 ve ba\u015flat\u0131laca\u011f\u0131n\u0131 g\u00f6stermektedir:<\/p>\n\nimport CoreML\n\nfunc updateModelOnDevice(modelURL: URL, trainingData: MLBatchProvider) {\n do {\n \/\/ Modelin y\u00fcklenebilir ve g\u00fcncellenebilir oldu\u011fundan emin olun\n let model = try MLModel.load(contentsOf: modelURL)\n guard let updatableModel = model as? MLUpdatableModel else {\n print(\"Model g\u00fcncellenebilir de\u011fil.\")\n return\n }\n\n \/\/ Model g\u00fcncelleme konfig\u00fcrasyonu\n let configuration = MLModelConfiguration()\n configuration.computeUnits = .all \/\/ T\u00fcm mevcut i\u015flem birimlerini kullan\n\n \/\/ Model g\u00fcncelleme g\u00f6revi olu\u015fturma\n let updateTask = try updatableModel.predictionUpdateTask(\n forBatch: trainingData,\n configuration: configuration,\n completionHandler: { context in\n \/\/ G\u00fcncelleme tamamland\u0131\u011f\u0131nda veya hata olu\u015ftu\u011funda \u00e7al\u0131\u015f\u0131r\n switch context.event {\n case .finished:\n print(\"Model ba\u015far\u0131yla g\u00fcncellendi.\")\n \/\/ G\u00fcncellenmi\u015f modeli kaydetme\n do {\n try context.model.write(to: modelURL)\n print(\"G\u00fcncellenmi\u015f model kaydedildi.\")\n } catch {\n print(\"G\u00fcncellenmi\u015f model kaydedilirken hata: \\(error.localizedDescription)\")\n }\n case .failed(let error):\n print(\"Model g\u00fcncellemesi ba\u015far\u0131s\u0131z: \\(error.localizedDescription)\")\n default:\n break\n }\n }\n )\n \/\/ G\u00fcncelleme g\u00f6revini ba\u015flatma\n updateTask.resume()\n\n } catch {\n print(\"Model y\u00fcklenirken veya g\u00fcncellenirken hata: \\(error.localizedDescription)\")\n }\n}\n <\/code><\/pre>\n<\/p><\/div>\nmodelURL<\/code> parametresi g\u00fcncellenecek .mlmodel<\/code> dosyas\u0131n\u0131n yolunu, trainingData<\/code> ise MLBatchProvider<\/code> protokol\u00fcn\u00fc uygulayan e\u011fitim verinizi temsil eder. MLModelConfiguration<\/code> ile modelin hangi i\u015flem birimlerini (CPU, GPU, Neural Engine) kullanaca\u011f\u0131n\u0131 belirleyebilirsiniz. predictionUpdateTask<\/code> metodu, asenkron bir \u015fekilde model g\u00fcncelleme i\u015flemini ba\u015flat\u0131r ve bir completionHandler<\/code> (tamamlama i\u015fleyicisi) arac\u0131l\u0131\u011f\u0131yla sonuc hakk\u0131nda bilgi verir. G\u00fcncelleme ba\u015far\u0131l\u0131 oldu\u011funda, context.model<\/code> arac\u0131l\u0131\u011f\u0131yla g\u00fcncellenmi\u015f modele eri\u015febilir ve bu modeli ayn\u0131 URL’ye veya yeni bir URL’ye kaydedebilirsiniz. Bu, modelin bir sonraki ba\u015flat\u0131l\u0131\u015f\u0131nda g\u00fcncel haliyle y\u00fcklenmesini sa\u011flar.<\/p>\nVeri Toplama, Haz\u0131rlama ve Gizlilik: Cihaz \u0130\u00e7i E\u011fitimin Temel Ta\u015flar\u0131<\/h3>\n
MLFeatureProvider<\/code> veya MLBatchProvider<\/code> protokollerini uygulayan yap\u0131lar arac\u0131l\u0131\u011f\u0131yla sa\u011flan\u0131r. Bu, verilerin modelin bekledi\u011fi girdi format\u0131na (\u00f6rne\u011fin, say\u0131sal diziler, s\u00f6zl\u00fckler veya g\u00f6r\u00fcnt\u00fcler) d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi anlam\u0131na gelir.<\/p>\nModel G\u00fcncelleme ve Da\u011f\u0131t\u0131m Stratejileri: Dinamik ve Adaptif Uygulamalar \u0130\u00e7in<\/h3>\n
\n
\n
Performans Optimizasyonu ve Kaynak Y\u00f6netimi: Cihaz \u0130\u00e7i E\u011fitimin Zorluklar\u0131<\/h3>\n
\n
MLModelConfiguration<\/code> i\u00e7indeki computeUnits<\/code> \u00f6zelli\u011fi ile bu ayar\u0131 yapabilirsiniz: configuration.computeUnits = .neuralEngine<\/code>.<\/li>\nVaka Analizi: Ki\u015fiselle\u015ftirilmi\u015f Klavye Uygulamas\u0131 ve Cihaz \u0130\u00e7i E\u011fitim<\/h3>\n
Problem: Genel Tahminler ve Kullan\u0131c\u0131 Memnuniyetsizli\u011fi<\/h4>\n
\u00c7\u00f6z\u00fcm: Cihaz \u0130\u00e7i E\u011fitimle Ki\u015fiselle\u015ftirme<\/h4>\n
\n
\n\/\/ Basit bir MLBatchProvider \u00f6rne\u011fi (ger\u00e7ekte daha karma\u015f\u0131k olabilir)\nclass KeyboardTrainingBatchProvider: MLBatchProvider {\n var samples: [(input: String, output: String)] = []\n\n var count: Int {\n return samples.count\n }\n\n func features(at index: Int) -> MLFeatureProvider {\n let sample = samples[index]\n \/\/ Modelin bekledi\u011fi girdi ve \u00e7\u0131kt\u0131 format\u0131na d\u00f6n\u00fc\u015ft\u00fcrme\n \/\/ \u00d6rne\u011fin, metni say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcren bir i\u015flem burada olabilir\n return MyCustomFeatureProvider(input: sample.input, output: sample.output)\n }\n}\n\n\/\/ E\u011fitim verisi ekleme ve model g\u00fcncelleme \u00e7a\u011fr\u0131s\u0131\n\/\/ let myTrainingData = KeyboardTrainingBatchProvider()\n\/\/ myTrainingData.samples.append((input: \"Merhaba\", output: \"Merhaba\"))\n\/\/ updateModelOnDevice(modelURL: keyboardModelURL, trainingData: myTrainingData)\n <\/code><\/pre>\n<\/p><\/div>\n<\/li>\nSonu\u00e7 ve Avantajlar<\/h4>\n
Sonu\u00e7: Ki\u015fiselle\u015ftirilmi\u015f Gelece\u011fe Cihaz \u0130\u00e7i E\u011fitimle Ad\u0131m At\u0131n<\/h3>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
MLUpdatableModel<\/code> protokol\u00fcn\u00fc destekleyen modellerin cihaz \u00fczerinde g\u00fcncellenmesine izin verir. G\u00fcncelleme i\u015flemi i\u00e7in predictionUpdateTask<\/code> metodunu kullanarak yeni e\u011fitim verilerini modele sa\u011flars\u0131n\u0131z. G\u00fcncellenmi\u015f model daha sonra kaydedilebilir ve yeniden y\u00fcklenebilir.<\/p>\n