Hugging Face ml-intern, eğitim sonrası eğitimin bir araştırma kuyruğu değil, bir temsilci döngüsü gibi görünmesini sağlar
Hugging Face'nin yenisi ml-intern Akıllı bir demo olarak sürümün okunması kolaydır. Daha kullanışlı olan yorum mimaridir. Proje, kağıt aramayı, veri kümesi keşfini, kod oluşturmayı, eğitim işlerini, değerlendirmeyi ve yeniden denemeyi Hugging Face ekosistemi genelinde oluşturulmuş incelenebilir tek bir aracı döngüsünde paketliyor. Bu, eğitim sonrası eğitimi dağınık insan koreografisinden ajan altyapısına daha yakın bir şeye dönüştürüyor.
ml-intern, canlı bir Alan yayınladı ve makaleleri okuyan, veri kümelerini düzelten, işleri yürüten ve ML modellerini gönderen bir aracı olarak Product Hunt'ta başlattı.Gerçek sinyal tek başına özerklik değildir. Denetlenebilir özerkliktir
GitHub deposu, ml-intern'i, Hugging Face belgelerini, makalelerini, veri kümelerini, işlerini, GitHub aramasını ve yerel veya korumalı alan araçlarını kullanarak ML ile ilgili kodları araştırabilen, yazabilen ve gönderebilen açık kaynaklı bir makine öğrenimi mühendisi olarak tanımlar. README ayrıca döngü yapısını doğrudan ortaya çıkarır: bir gönderim döngüsü, araç yönlendiricisi, içerik yöneticisi, onaylar ve tekrarlanan araç modelleri için bir kıyamet döngüsü algılayıcısı.
Bu, inşaatçıların önemsemesi gereken kısımdır. Kapalı "Yapay Zeka araştırmacısı" demoları bir hafta boyunca ilgi çekicidir. Açık iş akışı ilkelleri yıllarca kullanışlıdır. Hugging Face, ml-intern ile eğitim sonrası çalışmanın araştırma notları, not defterleri, veri kümeleri, komut dosyaları ve bulut işleri arasında bir geçiş zinciri yerine tekrarlanabilir bir aracı sistem olarak ifade edilebileceğini gösteriyor.
Dağıtım sinyali göründüğünden daha güçlü
Proje sadece bir depo değil. Hugging Face ayrıca bir halka açık Alan gönderdi ve lansman kopyasının kağıt okuma, veri kümesi onarımı, eğitim-iş yürütme ve büyük kıyaslama kazanımlarını vurguladığı Ürün Avı yoluyla sürümü yayınladı. 26 Nisan itibarıyla GitHub deposunda 6,7 bin yıldız ve 611 çatal görülüyor; bu, iş akışı ağırlıklı bir makine öğrenimi aracı için alışılmadık derecede güçlü bir erken sinyal.
Bu önemli çünkü aracı araçları incelenebilir yapıtlar ve kolay çatallar aracılığıyla yayılıyor. Ekipler repoyu kopyalayabildiğinde, model sağlayıcıyı değiştirebilir, döngüyü kendi veri kümelerine yönlendirebilir ve aşağıdaki gibi başsız komutları çalıştırabilir: ml-intern "fine-tune llama on my dataset"ürün artık vitrin olmaktan çıkıp altyapı gibi davranmaya başlıyor.
Bu neden model eğitim ekiplerinin ötesinde önemlidir?
TRH okuyucularının bundan bir şeyler öğrenmek için sınır modellerini eğitmelerine gerek yoktur. Önemli model, Hugging Face'nin karmaşık, çok aşamalı bir iş akışını açık araçlar, onaylar, yineleme sınırları ve sıkıştırma ile birinci sınıf bir aracı sistemine dönüştürmesidir. Bu, şu şekilde ortaya çıkan aynı yapısal harekettir: incelemecinin öncelikli kod aracıları, ajan koşum takımlarıve dağıtım odaklı aracı CLI'leri.
Ekibiniz arama, yargılama, uygulama ve değerlendirmeleri birleştiren tekrar eden bir sürece sahipse, siz de aynı şekilde düşünmelisiniz. Soru "bir temsilci her şeyi yapabilir mi?" değil. Soru şu: "Döngünün hangi kısımları açık, incelenebilir ve yeniden çalıştırılması ucuz hale getirilebilir?"
Bu sinyalle ne yapmalı
Bir dahili araştırma veya operasyon döngüsünü alın ve onu bir temsilci ürünü gibi haritalayın. Araçları tanımlayın. Onay sınırını tanımlayın. Yeniden denemenin buna değip değmeyeceğine karar veren değerlendirmeyi tanımlayın. Döngünün ne zaman durması gerektiğini tanımlayın ve işi bir insana verin. Daha sonra maliyeti ölçün. Hugging Face, kontrol düzleminin model kadar önemli olduğunu etkili bir şekilde gösteriyor.
Ml-intern gibi araçlardan yararlanan ekipler, yalnızca demoya hayran olanlar değil, döngüyü operasyonel hale getiren ekipler olacak.