Apple Intelligence + Core ML: On-Device AI Pipeline 2026 Production Rehberi

# Apple Intelligence + Core ML: On-Device AI Pipeline 2026 Production Rehberi

WWDC25'te Apple, mobil AI manzarasını değiştiren bir hamleyle Apple Intelligence'i tanıttı: On-device LLM (Apple Foundation Models), Private Cloud Compute ve sistem seviyesinde AI entegrasyon. Ancak bu duyuru, geliştiriciler için tek başına yeterli değil — Core ML ile arasındaki kararı doğru vermek, üretim ekibi için ilk büyük teknik soru oldu.

Bu rehberde **Apple Intelligence vs Core ML** karar matrisi, Foundation Models entegrasyonu, on-device performance gerçekleri ve production deployment için 2026 best-practice'ler ele alınacak.

Pro Tip: Apple Foundation Models (genel adıyla AFM) henüz tüm iOS 18+ cihazlarda mevcut değil. A17 Pro / M-series ve sonrası gerekli. Daha eski cihazlar Core ML fallback bekliyor — bunu mimarine baştan yedir.

İçindekiler

1. Apple Intelligence: Ne Var, Ne Yok
2. Core ML vs Apple Intelligence — Karar Matrisi
3. Foundation Models API Entegrasyonu
4. Private Cloud Compute Architecture
5. On-Device LLM Performance Profiling
6. Privacy-First Design Patterns
7. Battery Consumption: Gerçek Sayılar
8. Fallback Strategy: Eski Cihazlar
9. Production Deployment Checklist
10. Apple Intelligence Roadmap 2026-2027

1. Apple Intelligence: Ne Var, Ne Yok

Apple Intelligence 4 temel katmandan oluşuyor:

• System AI Features: Writing Tools, Image Playground, Genmoji — kullanıcıya direkt sunulan
• App Intents Integration: Siri 2.0 + uygulama içi action'lar
• Foundation Models: Geliştiriciye açılan on-device LLM (3B parametre)
• Private Cloud Compute: Apple Silicon datacenter, gizlilik-korumalı server-side AI

Ne yapamaz:

• 3B parametre on-device model — multi-hop reasoning sınırlı
• Real-time streaming (server roundtrip yok, batch output)
• Specialized domain (medical, legal) — base model, fine-tuning gerekir
• Türkçe dahil non-English: WWDC25'te 7 dil, Türkçe Q4 2026 lokalize

Ne yapar:

• Text summarization, rewriting, classification
• Function calling (App Intents)
• Multimodal: image + text understanding
• Sentiment analysis, intent recognition
• Code completion (basic, dev tools için)

2. Core ML vs Apple Intelligence — Karar Matrisi

Karar üç ekseni dikkate alıyor: task type, device support, customization needs.

Pratik karar yöntemi: "Bu task generic LLM kapasitesi mi, yoksa custom domain mi?" Eğer generic → Apple Intelligence; custom → Core ML.

Pro Tip: Apple Intelligence SystemLanguageModel ve LanguageModelSession API'ları üzerinden expose ediliyor. Core ML MLModel ve modern MLComputeUnits.all ile. İkisi aynı app'te birlikte yaşıyor — async let ile parallel inference yapabilirsin.

3. Foundation Models API Entegrasyonu

Apple Intelligence'ı use etmenin kanonik yolu FoundationModels framework (iOS 18.0+):

1import FoundationModels
2 
3// Modeli al
4let model = SystemLanguageModel.default
5 
6// Session oluştur — multi-turn için stateful
7let session = LanguageModelSession()
8 
9// Basit prompt
10let response = try await session.respond(to: "Bu cümleyi özetle: \(longText)")
11print(response.content)

Streaming yanıt:

1let stream = session.streamResponse(to: prompt)
2for try await token in stream {
3    appendToUI(token)
4}

Tool use (function calling):

1struct WeatherQuery: Tool {
2    let name = "getWeather"
3    let description = "Get current weather for a city"
4 
5    @Generable
6    struct Arguments {
7        @Guide(description: "City name")
8        let city: String
9    }
10 
11    func call(arguments: Arguments) async throws -> String {
12        let weather = try await WeatherService.fetch(city: arguments.city)
13        return "\(weather.temp)°C, \(weather.condition)"
14    }
15}
16 
17let session = LanguageModelSession(tools: [WeatherQuery()])
18let response = try await session.respond(to: "İstanbul'da hava nasıl?")

Model otomatik olarak tool'u çağırır, sonucu yorumlar ve doğal dilde yanıt verir.

4. Private Cloud Compute Architecture

PCC, on-device kapasitesinin yetmediği taleplerde Apple datacenter'ında çalışan büyük modellere yönlendirme yapan privacy-first sistem.

Mimari özellikler:

• Request'ler end-to-end encrypted
• Datacenter Apple Silicon, telemetri sıfır
• Sadece request body görülür, kullanıcı kimliği görünmez
• Image build hash verifiable on Transparency Log
• Apple security researcher'lar binary inspect edebiliyor

Code-level davranış: Geliştirici PCC vs on-device farkını bilmez. SystemLanguageModel otomatik olarak doğru execution path'i seçer. Sadece UseCase enum'u ile hint verebilirsin:

1let model = SystemLanguageModel(useCase: .general) // varsayılan
2// veya
3let model = SystemLanguageModel(useCase: .contentTagging) // küçük, on-device

.general PCC routing yapabilir; .contentTagging zorla on-device.

5. On-Device LLM Performance Profiling

3B parametre model A17 Pro üzerinde:

A18 Pro üzerinde aynı operasyonlar %35-40 daha hızlı. M3/M4 iPad/Mac üzerinde %60-70.

Profiling pratikleri:

1import os.signpost
2 
3let signposter = OSSignposter(subsystem: "AI", category: "Inference")
4let state = signposter.beginInterval("Foundation Model Inference")
5 
6let response = try await session.respond(to: prompt)
7 
8signposter.endInterval("Foundation Model Inference", state)

Xcode 16 Instruments → AI Inference template ile Foundation Models'in execution path'i, NE/CPU/GPU yük dağılımı, memory footprint görselleştirilebilir.

Critical bulgu: first inference her zaman ~800ms slower (model warm-up). Production'da:

1// App launch'ta warm-up
2Task.detached(priority: .background) {
3    _ = try? await SystemLanguageModel.default.respond(to: "test")
4}

İlk gerçek user prompt 280ms cevap verir; warm-up olmadan 1.2s.

6. Privacy-First Design Patterns

Apple Intelligence'in DNA'sı gizlilik. Geliştirici olarak privacy postürünü güçlendirmek için:

1. Veri minimization:

1// ❌ Yanlış: kullanıcı verisini full context'te gönder
2let response = try await session.respond(
3    to: "User: \(userProfile.fullData). Question: \(question)"
4)
5 
6// ✅ Doğru: sadece gerekli bilgi
7let response = try await session.respond(
8    to: "User language: \(userProfile.language). Question: \(question)"
9)

2. Conversation history scope:

Session-based default, ama kullanıcı session-out olunca history wipe et:

1@MainActor
2final class ChatViewModel: ObservableObject {
3    private var session: LanguageModelSession?
4 
5    func startSession() {
6        session = LanguageModelSession()
7    }
8 
9    func endSession() {
10        session = nil  // memory + history release
11    }
12}

3. Output sanitization:

Model output'unu UI'a göstermeden önce PII check yap (kişi isim, telefon, vb.):

1import NaturalLanguage
2 
3func sanitize(_ text: String) -> String {
4    let tagger = NLTagger(tagSchemes: [.nameType])
5    tagger.string = text
6    var output = text
7    tagger.enumerateTags(...) { tag, range in
8        if tag == .personalName {
9            output.replaceSubrange(range, with: "[redacted]")
10        }
11        return true
12    }
13    return output
14}

4. App Privacy Manifest:

Yeni PrivacyInfo.xcprivacy dosyasına on-device-AI usage disclosure eklemek iOS 18+ App Store zorunluluğu:

1<key>NSPrivacyAccessedAPITypes</key>
2<array>
3    <dict>
4        <key>NSPrivacyAccessedAPIType</key>
5        <string>NSPrivacyAccessedAPICategoryFoundationModels</string>
6        <key>NSPrivacyAccessedAPITypeReasons</key>
7        <array><string>1A2B.C0D9</string></array>
8    </dict>
9</array>

7. Battery Consumption: Gerçek Sayılar

On-device LLM Apple Neural Engine'in yoğun kullanıcısı. Battery profiling:

Pattern: ANE Apple'ın en enerji-verimli compute unit'i (CPU'dan 6x verimli). Yine de yoğun usage'da etkisi var.

Best practices:

• 100+ inference back-to-back yapmıyorsan batching yerine adaptive throttle
• Background UIBackgroundFetch içinde AI çalıştırma — iOS otomatik throttle eder
• Low-power-mode ProcessInfo.processInfo.isLowPowerModeEnabled check ve AI feature'ı disable et

1guard !ProcessInfo.processInfo.isLowPowerModeEnabled else {
2    return useSimpleHeuristic()  // AI bypass
3}
4let response = try await session.respond(to: prompt)

8. Fallback Strategy: Eski Cihazlar

Apple Intelligence A17 Pro öncesi cihazlarda mevcut değil. Bu A14 → A16 arasında 3 jenerasyon eski cihaz demek — global iPhone user base'in ~%65'i.

Fallback hierarchy:

1import FoundationModels
2 
3final class AIService {
4    func generateSummary(of text: String) async throws -> String {
5        // 1. Try Apple Intelligence
6        if SystemLanguageModel.isAvailable {
7            return try await foundationModelSummary(text)
8        }
9 
10        // 2. Fallback: Core ML compact model
11        if let coreMLModel = try? CompactSummarizer() {
12            return try coreMLModel.summarize(text)
13        }
14 
15        // 3. Fallback: NaturalLanguage built-in
16        return naturalLanguageSummary(text)
17 
18        // 4. Last resort: server-side API
19        // return try await ServerAPI.summarize(text)
20    }
21}

Core ML compact model** trade-off: Phi-3 mini (3.8B params, INT4) veya Gemma 2B convert via coremltools. Disk: ~500MB-1.2GB. Inference: 2-4x slower than Foundation Models.

9. Production Deployment Checklist

• **PrivacyInfo.xcprivacy** Foundation Models disclosure ekli
• **App launch warm-up** async detached task
• **`SystemLanguageModel.isAvailable`** check before usage
• **Low-power-mode** AI feature disable
• **PII sanitization** layer output'tan önce
• **Crash handling** model yükleme fail'larında graceful fallback
• **Telemetry** opt-in (signpost + analytics)
• **Fallback Core ML model** A14-A16 cihazlar için bundled
• **App Store metadata** AI features açıklama
• **Performance baseline** crash log + Instruments AI Inference data
• **Localization**: Türkçe Q4 2026'ya kadar EN-only fallback
• **Battery test**: 24 saat continuous use simülasyonu

10. Apple Intelligence Roadmap 2026-2027

WWDC25 announcement'larından çıkarımlar:

• Q4 2026: Multimodal output (image generation directly in Foundation Models)
• Q1 2027: Türkçe + 12 dil localization
• Q2 2027: Custom model fine-tuning on-device (Core ML 9 ile)
• Q3 2027: Federated learning support (cross-device privacy-preserving training)
• Q4 2027: Function calling for shortcuts ve App Store apps (extended)

Geliştirici öncelikleri:

1. Şimdi Apple Intelligence MVP entegrasyonu (Foundation Models basic)
2. Q3 2026 PCC routing fine-tune
3. Q4 2026 Multimodal output integrasyonu (Image Playground bundle)
4. 2027 Custom fine-tuning'e geçiş

Sonuç

Apple Intelligence + Core ML birlikte yaşamaya yapılmış — biri "generic intelligence", öbürü "specialized prediction". Karar matrisi açık: LLM-grade text/multimodal → AI; custom domain prediction → Core ML.

Privacy-first DNA'sı Apple'ın rekabet üstünlüğü; geliştirici tarafında output sanitization + data minimization + session-out wipe disiplin gerekir.

Performance: A17 Pro+'ta 280ms first-token, %2-3 battery/1000 inference. Eski cihazlar için Core ML fallback şart, %65 user base.

Production-ready için 9 maddelik checklist ve 3-katmanlı fallback ile mimari kurulur. App Store reject riski kapatılır.

İlgili kaynaklar:

• Apple Foundation Models Framework
• Private Cloud Compute Security Guide
• Core ML Tools Documentation
• WWDC25 — Apple Intelligence Deep Dive (Session 10058)