14. Kapan Harus Digunakan

Custom input/output yang tidak fit generated code: Buat MLFeatureProvider custom untuk zero-copy atau lazy evaluation.
Batch processing ratusan/ribuan sampel: MLArrayBatchProvider jauh lebih efisien dari prediction loop biasa.
Model yang sangat besar (>100MB): Download on-demand dan compile — jangan bundle di app.
Personalisasi on-device: MLUpdateTask untuk fine-tune model dengan data pengguna tanpa server.
Model dengan operasi tidak standar: Custom layers daripada memodifikasi arsitektur model.
Sequence models (RNN, transformer): Stateful models (iOS 18) untuk efisiensi KV-cache.
Pipeline multi-model: Orchestrasi manual dengan async/await untuk prediksi paralel.
App dengan latency critical (real-time camera, AR): Profiling mendalam untuk mencapai target FPS.