Apple ha dado un paso significativo en el avance del aprendizaje automático al lanzar MLX (de Machine Learning, ML). Un nuevo framework diseñado específicamente para Apple silicon con el que marca un hito importante en la investigación y desarrollo de ML, ofreciendo a los investigadores y desarrolladores una herramienta tan poderosa como eficiente.
Una importante evolución de qué podemos hacer en el campo del ML en Apple silicon
Según publica la misma Apple en GitHub, MLX se ha creado con la intención de ser amigable para el usuario, pero manteniendo la eficiencia en el entrenamiento y despliegue de modelos de ML. Su diseño sencillo tiene como objetivo principal facilitar a los investigadores la extensión y mejora del framework, permitiendo así explorar nuevas ideas de manera rápida y efectiva.
Una de las características destacadas de MLX es su API en Python, que sigue de cerca a NumPy, ofreciendo así una familiaridad inmediata a quienes ya están versados en esta biblioteca. Además, MLX cuenta con una API completa en C++, la cual, a su vez, sigue de cerca a la API de Python, facilitando el uso. Una decisión muy interesante, el de los lenguajes y los diseños de las herramientas que demuestra el compromiso de Apple por proporcionar herramientas accesibles y a la vez poderosas para la comunidad de desarrolladores.
Además, MLX se enorgullece de ofrecer paquetes de nivel superior como mlx.nn y mlx.optimizers, cuyas APIs quedan cerca de PyTorch. Esto simplifica la construcción de modelos más complejos, un aspecto crucial para el avance en la investigación de ML.
Entre las innovaciones del nuevo framework de Apple, destaca la transformación de funciones compuestas para diferenciación automática, la vectorización automática y la optimización del grafo de computación. Además, el framework opera bajo un esquema de cálculo perezoso (lazy computation), donde los arrays solo se materializan cuando es necesario, dotando al sistema de una mayor eficiencia.
Otra característica importante es la construcción dinámica de los grafos de computación, pues en MLX, cambiar las formas de los argumentos de las funciones no desencadena compilaciones que en otros entornos se tornan más lentas y pesadas. Con ello, Apple pretende que el proceso de depuración sea más simple e intuitivo.
Pensando en Apple silicon —recordemos cómo queda el A17 Pro de los iPhone 15 frente al resto de chips de Apple o el vídeo que nos muestra el laboratorio de Apple silicon como nunca antes—, MLX permite operaciones en múltiples dispositivos, pudiendo usar tanto la CPU como GPU y, entre tanto, el uso de la memoria unificada en todo ello es otro diferenciador clave de MLX en comparación con otros frameworks. Los arrays en MLX viven en una memoria compartida, lo que permite realizar operaciones en cualquier tipo de dispositivo soportado sin necesidad de mover datos.
Cerca como estamos de fin de año, con el lanzamiento de MLX, Apple fortalece su posición en el campo de ML mientras proporciona a los investigadores y desarrolladores una herramienta realmente robusta y versátil para explorar nuevas fronteras en el aprendizaje automático. Claramente un pequeño regalo de Navidad para muchos que seguirá permitiendo que el ML y Apple silicon vayan de la mano.
