​

Hugging Face είναι το Github της κοινότητας μηχανικής μάθησης, με εκατοντάδες χιλιάδες προ-εκπαιδευμένα μοντέλα και 10.000 σύνολα δεδομένων που είναι διαθέσιμα σήμερα. Μπορείτε να έχετε ελεύθερα πρόσβαση σε μοντέλα και σύνολα δεδομένων που μοιράζονται άλλοι ειδικοί του κλάδου ή φιλοξενούν και να αναπτύξετε τα μοντέλα σας σε Hugging Face.

Μερικά παραδείγματα μοντέλων που διατίθενται στη βιβλιοθήκη Hugging Face περιλαμβάνουν:

1. BERT (Bidirectional Encoder Representations from Transformers): Το BERT είναι ένα μοντέλο βασισμένο στον μετασχηματιστή που αναπτύχθηκε από την Google για διάφορες εργασίες NLP. Έχει επιτύχει υπερσύγχρονα αποτελέσματα στην κατανόηση γλωσσών και μεταφραστικών εργασιών.
2. GPT (Generative Pre-training Transformer): GPT είναι ένα άλλο μοντέλο βασισμένο στον μετασχηματιστή που αναπτύχθηκε από το OpenAI. Χρησιμοποιείται κυρίως για εργασίες δημιουργίας γλωσσών, όπως η μετάφραση και η σύνοψη κειμένου.
3. RoBERTa (Robustly Optimized BERT): RoBERTa είναι μια επέκταση του μοντέλου BERT που αναπτύχθηκε για τη βελτίωση της απόδοσης του BERT σε διάφορες εργασίες NLP.
4. XLNet (eXtraordinary LanguageNet): Το XLNet είναι ένα μοντέλο βασισμένο στον μετασχηματιστή που αναπτύχθηκε από την Google και έχει σχεδιαστεί για τη βελτίωση της απόδοσης των μοντέλων μετασχηματιστή σε εργασίες κατανόησης γλωσσών.
5. ALBERT (A Lite BERT): ALBERT είναι μια έκδοση του μοντέλου BERT που αναπτύχθηκε για να είναι πιο αποτελεσματική και ταχύτερη για να εκπαιδεύσει διατηρώντας παράλληλα καλή απόδοση σε εργασίες NLP.

​

Τι μπορείτε να κάνετε με το Hugging Face in ILLA Builder

Στο Hugging Face, πάνω από 130.000 μοντέλα μάθησης μηχανημάτων διατίθενται μέσω του δημόσιου API, το οποίο μπορείτε να χρησιμοποιήσετε και να δοκιμάσετε δωρεάν στο https://huggingface.co/models. Επιπλέον, αν χρειάζεστε μια λύση για σενάρια παραγωγής, μπορείτε να χρησιμοποιήσετε τα σημεία εισόδου Hugging Face, τα οποία μπορούν να αναπτυχθούν και να προσπελαστούν στο https://huggingface.co/docs/inference-endpoints/index.

Το ILLA Builder παρέχει δεκάδες κοινά χρησιμοποιούμενα εξαρτήματα front-end, επιτρέποντάς σας να κατασκευάσετε διαφορετικές διεπαφές πρόσοψης ανάλογα με τις συγκεκριμένες ανάγκες σας γρήγορα. Ταυτόχρονα, η ILLA προσφέρει μια σύνδεση στο Hugging Face, επιτρέποντάς σας να συνδεθείτε γρήγορα με το API, να στείλετε αιτήματα και να λάβετε επιστρεφόμενα δεδομένα. Συνδέοντας τα στοιχεία API και front-end, μπορείτε να εφαρμόσετε την απαίτηση ότι οι χρήστες μπορούν να εισέλθουν στο περιεχόμενο μέσα από το μπροστινό άκρο και να το υποβάλουν στο API. Το API επιστρέφει το παραγόμενο περιεχόμενο που θα εμφανίζεται στο μπροστινό μέρος.

​

Ρύθμιση πόρου Hugging Face API

​

Ρύθμιση Ενέργειας

Πώς να χρησιμοποιήσετε Hugging Πρόσωπο σε ILLA Builder

​

Βήμα 1: Κατασκευάστε το UI με εξαρτήματα σε ILLA Builder

Με βάση το αναμενόμενο σενάριο χρήσης που περιγράψατε, δημιουργήστε μια διεπαφή front-end. Για παράδειγμα, θα μπορούσατε να χρησιμοποιήσετε στοιχεία εισόδου και εικόνας αν το προϊόν σας παίρνει σε κείμενο και εξάγει μια εικόνα. Εάν το προϊόν σας παίρνει σε κείμενο και εξόδους που δημιουργούνται κείμενο, θα μπορούσατε να χρησιμοποιήσετε στοιχεία εισόδου και κειμένου.

Η παρακάτω εικόνα είναι ένα παράδειγμα μιας σελίδας front-end για ένα προϊόν που απαντά σε ερωτήσεις με βάση το περιεχόμενο.

​

Βήμα 2: Δημιουργήστε έναν μαγευτικό Πόρο Προσώπου και ρυθμίστε τις Ενέργειες

Κάντε κλικ στο κουμπί + Νέο στη λίστα ενεργειών και επιλέξτε Api πρόσδεσης Προσώπου Hugging.

Συμπληρώστε τη φόρμα για να συνδεθείτε στο Hugging Face:

Όνομα: Το όνομα που θα εμφανίζεται στην ILLA

Token: Αποκτήστε στο μαγευτικό σας πρόσωπο ρυθμίσεις προφίλ

Επιβεβαιώστε τις πληροφορίες μοντέλου στο Hugging Face πριν ρυθμίσετε τις ενέργειες:

Επιλέξτε ένα μοντέλο σε Hugging Face Model Page

Ας χρησιμοποιήσουμε για παράδειγμα το deepset/roberta-base-squad2. Εισάγετε τη σελίδα λεπτομερειών > κάντε κλικ στο κουμπί Ανάπτυξη > Κάντε κλικ στο API εισαγωγής

Οι παράμετροι μετά το "εισροές" είναι αυτό που πρέπει να συμπληρώσετε το ILLA.

Στο ILLA Builder, θα πρέπει να συμπληρώσετε το πρότυπο ID και την παράμετρο. Λαμβάνοντας ως παράδειγμα το παραπάνω μοντέλο, το “inputs” είναι ένα ζευγάρι αξίας κλειδιού, ώστε να μπορούμε να το συμπληρώσουμε με τιμή κλειδιού ή JSON.

Και υποστηρίζουμε επίσης την εισαγωγή κειμένου και δυαδική είσοδο που μπορεί να καλύψει όλες τις συνδέσεις Hugging Face Inference API.

​

Βήμα 3: Συνδέστε τις ενέργειες με τα εξαρτήματα

Για να περάσει το front-end εισόδου του χρήστη στο API, μπορείτε να χρησιμοποιήσετε {„για να ανακτήσετε δεδομένα που εισήχθησαν στο στοιχείο. Για παράδειγμα, η είσοδος2 είναι το συστατικό στοιχείο για την εισαγωγή της ερώτησης και εισόδου1 είναι το στοιχείο στο πλαίσιο εισόδου, μπορούμε να συμπληρώσουμε το question και το context στο κλειδί και να συμπληρώσουμε το {{ input.value }} σε αξία:

◆
"ερώτηση": {{input2.value}},
"περιβάλλον": {{input1.value}}
}

Πριν από την εμφάνιση των δεδομένων εξόδου της Δράσης στο στοιχείο front-end, θα πρέπει να επιβεβαιώσουμε σε ποιο πεδίο τοποθετείται η έξοδος των διαφορετικών μοντέλων. Ακόμα να παίρνετε ως παράδειγμα το deepset/roberta-base-squad2, τα αποτελέσματα είναι τα εξής:

Έτσι, μπορούμε να πάρουμε την απάντηση με το {{ textQuestion.data[0].answer }}(το textQuestion είναι το όνομα της ενέργειας).

​

Επίδειξη