​

Hugging Face je Github z komunity strojového učení se statisíce předškolených modelů a 10 000 datových souborů, které jsou v současné době k dispozici. Můžete volně přistupovat k modelům a datovým souborům, které sdílejí ostatní odborníci z oboru nebo hostovat a nasazovat své modely na Hugging Face.

Mezi příklady modelů dostupných v knihovně Hugging Face patří:

1. BERT (Bidirectional Encoder Representations from Transformers): BERT je transformátorový model vyvinutý společností Google pro různé úkoly NLP. Dosáhli nejmodernějších výsledků v oblasti porozumění jazykům a překladatelských úkolů.
2. GPT (obecný předškolní Transformátor): GPT je další model založený na transformátoru vyvinutý OpenAI. Používá se především pro úkoly spojené s vytvářením jazyků, jako je překlad a shrnutí textu.
3. RoBERTa (Robustly Optimized BERT): RoBERTa je rozšířením modelu BERT, který byl vyvinut s cílem zlepšit výkon BERT při různých úkolech NLP.
4. XLNet (eXtraordinary LanguageNet): XLNet je transformátorový model vyvinutý společností Google, který je navržen tak, aby zlepšil výkon transformátorových modelů o úlohách porozumění jazykům.
5. ALBERT (A Lite BERT): ALBERT je verze modelu BERT, který byl vyvinut tak, aby byl efektivnější a rychlejší pro výcvik při zachování dobré výkonnosti při plnění úkolů NLP.

​

Co můžete udělat s hugující obličejem v ILLA Builder

V Hugging Face je přes veřejné API, které můžete zdarma použít a vyzkoušet na https://huggingface.co/models. Kromě toho, pokud potřebujete řešení pro scénáře výroby, můžete použít Hugging Facebook Inference Endpoints, které lze použít a zpřístupnit na https://huggingface.co/docs/inference-endpoints/index.

ILLA Builder poskytuje desítky běžně používaných front-end komponentů, díky nimž můžete rychle vytvářet různá rozhraní na základě vašich specifických potřeb. ILLA zároveň nabízí spojení s Hugging Face, umožňuje vám rychle se připojit k API, odesílat žádosti a přijímat vrácená data. Připojením rozhraní API a front-end komponenty, můžete implementovat požadavek, aby uživatelé mohli vložit obsah přes přední konec a odeslat jej do API. API vrátí vygenerovaný obsah, který se zobrazí na frontové straně.

​

Konfigurovat zdroj API Hugging Face

​

Konfigurace akce

Jak používat hugging Face v ILLA Builder

​

Krok 1: Sestavit UI se komponenty na Editoru ILLA

Na základě očekávaného scénáře používání, který jste popsali, vytvořte front-end rozhraní. Například můžete použít vstupní údaje a komponenty obrázku, pokud váš produkt převezme text a výstupy obrázku. Pokud váš produkt převezme text generovaný textem a výstupy, můžete použít vstupní a textové komponenty.

Následující obrázek je ukázkou front-end stránky pro produkt, který odpovídá na otázky založené na kontextu.

​

Krok 2: Vytvořte zdroj obličeje a nastavte akci

Klikněte + Nový v seznamu akcí a vyberte API pro odstranění závady.

Vyplňte formulář pro připojení k vaší Hugging Face:

Jméno: jméno, které bude zobrazeno v ILLA

Token: Získejte si hugging Face nastavení profilu

Potvrďte informace o modelu v Hugging Face před nastavením akcí:

Vyberte model v Hugging Face Model Page

Použijme jako příklad deepset/roberta-base-squad2. Zadejte stránku podrobností > klikněte na Deploy > Click Inference API

Parametry za “inputs” jsou tím, co byste měli vyplnit ILLA.

V Editoru ILLA bychom měli vyplnit ID modelu a parametr. Vezměte výše uvedený model jako příklad “inputs"" je pár hodnot klíčů, takže jej můžeme vyplnit klíčovou hodnotou nebo JSON.

A také podporujeme textové vstupy a binární vstupy, které mohou splňovat všechna připojení API Hugging Face Inference.

​

Krok 3: Připojit akce ke komponentům

Chcete-li předat přední vstup uživatele do API, můžete použít {{ pro načtení dat zadaných do komponenty. Například vstup 2 je složkou pro zadání otázky a vstup 1 je složkou vstupního kontextu, můžeme vyplnit question a kontext klíčem a vyplnit {{ input.value }} v hodnotě:

{
"question": {{input2.value}},
"context": {{input1.value}}
}

Před zobrazením výstupních dat akce v přední složce bychom měli potvrdit, do kterého pole jsou umístěny výstupy různých modelů. Stále si jako příklad bereme hluboké/roberta-base-squad2 výsledky jsou následující:

Takže odpověď můžeme získat pomocí {{ textQuestion.data[0].answer }}(textQuestion je název akce).

​

Demo