15. Kapan Tidak Digunakan

Model sangat besar (>1GB) untuk inference real-time: Pertimbangkan Foundation Models (on-device LLM dari Apple) atau API server-side untuk model yang terlalu besar untuk perangkat.
Training dari nol on-device: Core ML hanya untuk fine-tuning layer terakhir — untuk training penuh, perlu server.
Operasi yang sepenuhnya non-standard: Jika lebih dari 50% model adalah custom layers, pertimbangkan TensorFlow Lite atau ONNX Runtime yang punya ecosystem lebih luas untuk custom ops.
Task yang bisa diselesaikan oleh API built-in: Jika Vision framework sudah menyediakan (face detection, text recognition, barcode), gunakan API itu — sudah optimized dan tidak butuh model terpisah.
Prototype awal: Mulai dengan generated code dari Xcode — optimasi ke MLFeatureProvider custom hanya setelah ada bottleneck nyata yang terukur.
Model yang sering berubah (weekly): On-device inference mensyaratkan recompile dan distribusi — server inference lebih mudah di-update.