CoreML — это фреймворк Apple для запуска моделей машинного обучения на устройствах компании: iPhone, iPad, Mac, Apple Watch и Apple TV. Он появился как способ встроить нейросетевые функции в приложения без постоянной зависимости от серверной инфраструктуры. Для пользователей это обычно выражается в более быстрой обработке фото, текста, звука и сенсорных данных прямо на устройстве. Главная особенность CoreML — ориентация на локальное выполнение ИИ-моделей. Приложение может распознавать объекты на изображении, анализировать речь, классифицировать текст или обрабатывать видео без отправки исходных данных в облако. Это важно для приватности, задержек и стабильности работы: функция остаётся доступной даже при слабом интернете, а чувствительная информация реже покидает устройство. CoreML поддерживает разные типы моделей, включая нейронные сети, деревья решений, линейные модели и трансформерные архитектуры. Разработчики часто используют его вместе с Vision, Natural Language, Speech и другими системными фреймворками Apple. Такая связка позволяет не только запускать модель, но и встроить её в готовый сценарий: например, обнаружение лиц на фото, распознавание текста в кадре или анализ пользовательского ввода. Важную роль играет аппаратная оптимизация. CoreML распределяет вычисления между CPU, GPU и Neural Engine, если устройство его поддерживает. Разработчику не нужно вручную управлять каждым вычислительным блоком: система сама выбирает подходящий вариант выполнения. Благодаря этому одна и та же модель может работать на разных поколениях устройств, хотя скорость и энергопотребление будут зависеть от конкретного чипа. Для экосистемы ИИ CoreML заметен ещё и как формат интеграции. Модели можно конвертировать из популярных инструментов, включая PyTorch и TensorFlow, через Core ML Tools. Это делает фреймворк полезным не только для мобильных команд, но и для специалистов по машинному обучению, которым нужно доставить готовую модель в продукт Apple без полной переработки пайплайна. При этом CoreML не является универсальной заменой облачному ИИ. Крупные генеративные модели, сложные мультимодальные системы и задачи с тяжёлой дообучаемой логикой часто требуют серверных ресурсов. Локальный запуск ограничен памятью, размером модели, энергопотреблением и требованиями к задержке. Поэтому на практике CoreML чаще используют для компактных, хорошо оптимизированных моделей, которые должны быстро реагировать и работать рядом с пользовательскими данными.