მოდელის ბარათები წარმოადგენს დოკუმენტაციის მნიშვნელოვან ჩარჩოს მანქანური სწავლების მოდელების გასაგებად, გასაზიარებლად და გასაუმჯობესებლად. კარგად შესრულების შემთხვევაში, მოდელის ბარათი შეიძლება იყოს სასაზღვრო ობიექტი, ერთიანი არტეფაქტი, რომელიც ხელმისაწვდომია სხვადასხვა წარმომავლობისა და მიზნების მქონე ადამიანებისთვის მოდელების გასაგებად — მათ შორის დეველოპერების, სტუდენტების, პოლიტიკოსების, ეთიკოსების და მათ შორის, ვისზეც მანქანური სწავლების მოდელები ახდენს გავლენას. დღეს ჩვენ ვუშვებთ მოდელის ბარათის შექმნის ხელსაწყოსა და მოდელის ბარათის სახელმძღვანელოს, რომელიც დეტალურად აღწერს, თუ როგორ უნდა შეავსოთ მოდელის ბარათები, მომხმარებლის კვლევები და ML დოკუმენტაციის უახლესი მიღწევები. ეს ნაშრომი, რომელიც მრავალი სხვა ადამიანისა და ორგანიზაციის გამოცდილებაზეა დაფუძნებული, ყურადღებას ამახვილებს სხვადასხვა წარმომავლობისა და როლის მქონე ადამიანების ჩართულობაზე. ვიმედოვნებთ, რომ ის საფეხური იქნება ML დოკუმენტაციის გაუმჯობესების გზაზე. ჯამში, დღეს ვაცხადებთ შემდეგის გამოქვეყნებას: * **მოდელის ბარათის შემქმნელი ხელსაწყო:** რათა გაადვილდეს ბარათის შექმნა პროგრამირების საჭიროების გარეშე და დაეხმაროს გუნდებს სხვადასხვა განყოფილების მუშაობის გაზიარებაში. * **განახლებული მოდელის ბარათის შაბლონი:** გამოქვეყნებულია `huggingface_hub` ბიბლიოთეკაში, რომელიც აერთიანებს მოდელის ბარათებზე მუშაობას აკადემიურ წრეებსა და მთელ ინდუსტრიაში. * **ანოტირებული მოდელის ბარათის შაბლონი:** რომელიც დეტალურად აღწერს ბარათის შევსების წესებს. * **მომხმარებლის კვლევა:** მოდელის ბარათის გამოყენებაზე Hugging Face-ში. * **ლანდშაფტის ანალიზი და ლიტერატურის მიმოხილვა:** მოდელის დოკუმენტაციის უახლესი მიღწევების შესახებ. მას შემდეგ, რაც მოდელის ბარათები შემოთავაზებულ იქნა მიტჩელის და სხვების (2018) მიერ, შთაგონებული ბუნებრივი ენის დამუშავების მონაცემთა განცხადებების (Bender & Friedman, 2018) და მონაცემთა ნაკრებების ცხრილების (Gebru et al., 2018) ძირითადი დოკუმენტაციის ჩარჩოების მცდელობებით, მანქანური სწავლების დოკუმენტაციის ლანდშაფტი გაფართოვდა და განვითარდა. შემოთავაზებულია და შემუშავებულია დოკუმენტაციის ხელსაწყოებისა და შაბლონების სიმრავლე მონაცემებისთვის, მოდელებისთვის და ML სისტემებისთვის — რაც ასახავს ასობით მკვლევრის, დაზარალებული თემის წევრების, ადვოკატების და სხვა დაინტერესებული მხარეების წარმოუდგენელ შრომას. მნიშვნელოვანმა დისკუსიებმა ML დოკუმენტაციასა და პასუხისმგებლიანი AI-ის ცვლილების თეორიებს შორის ურთიერთობის შესახებ ასევე ჩამოაყალიბა ეს განვითარებები ML დოკუმენტაციის ეკოსისტემაში. დღემდე, ML-ის ფარგლებში დოკუმენტაციაზე მუშაობა სხვადასხვა აუდიტორიისთვის იყო გათვლილი. ჩვენ ამ იდეებიდან ბევრს ერთად ვაერთიანებთ დღეს წარმოდგენილ ნაშრომში. ჩვენი ნაშრომი წარმოადგენს ხედვას იმის შესახებ, თუ სად დგას მოდელის ბარათები ახლა და სად შეიძლება წავიდნენ მომავალში. ჩვენ ჩავატარეთ ML დოკუმენტაციის ხელსაწყოების მზარდი ლანდშაფტის ფართო ანალიზი და მომხმარებლის ინტერვიუები Hugging Face-ის ფარგლებში, რათა შეგვეავსო ჩვენი გაგება მოდელის ბარათების შესახებ არსებული განსხვავებული მოსაზრებების თაობაზე. ჩვენ ასევე შევქმენით ან განვაახლეთ ათობით მოდელის ბარათი ML მოდელებისთვის Hugging Face Hub-ზე, და ყველა ამ გამოცდილებით ინფორმირებულებმა, შევთავაზეთ ახალი შაბლონი მოდელის ბარათებისთვის. ჩვენი ფონური კვლევისა და მომხმარებლის კვლევების მეშვეობით, რომლებიც უფრო დეტალურად განიხილება სახელმძღვანელოში, ჩვენი მიზანი იყო დაგვემკვიდრებინა „მოდელის ბარათების“ ახალი სტანდარტი, როგორც მას ფართო საზოგადოება გაიგებს. ამ დასკვნებით ინფორმირებულებმა, ჩვენ შევქმენით ახალი მოდელის ბარათის შაბლონი, რომელმაც არა მხოლოდ სტანდარტიზება მოახდინა HF მოდელის ბარათების სტრუქტურისა და შინაარსისთვის, არამედ უზრუნველყო ნაგულისხმევი მოთხოვნის ტექსტიც. ეს ტექსტი მიზნად ისახავდა მოდელის ბარათის სექციების წერაში დახმარებას, განსაკუთრებული აქცენტით მიკერძოების, რისკებისა და შეზღუდვების განყოფილებაზე. მოდელის ბარათების შექმნისთვის შესვლის ბარიერების შესამცირებლად, ჩვენ შევიმუშავეთ მოდელის ბარათის წერის ხელსაწყო – გრაფიკული მომხმარებლის ინტერფეისის (GUI) მქონე ხელსაწყო, რათა სხვადასხვა უნარებისა და როლის მქონე ადამიანებსა და გუნდებს შეეძლოთ ადვილად თანამშრომლობა და მოდელის ბარათების შექმნა, კოდირების ან Markdown-ის გამოყენების საჭიროების გარეშე. წერის ხელსაწყო ხელს უწყობს მათ, ვისაც ჯერ არ შეუქმნია მოდელის ბარათები, უფრო მარტივად შექმნან ისინი. მათთვის, ვისაც უკვე აქვს შექმნილი მოდელის ბარათები, ეს მიდგომა მათ აძლევს საშუალებას, დაამატონ მოთხოვნილი ინფორმაცია — ეთიკური კომპონენტების ცენტრალიზებით მოდელის დოკუმენტაციაში. რამდენადაც ML უფრო მეტად ერწყმის სხვადასხვა დომენებს, კოლაბორაციული და ღია კოდის ML პროცესები, რომლებიც ფოკუსირებულია ხელმისაწვდომობაზე, ეთიკასა და ჩართულობაზე, წარმოადგენს მანქანური სწავლების სასიცოცხლო ციკლის კრიტიკულ ნაწილს და საფეხურს ML დოკუმენტაციაში. დღევანდელი გამოცემა ML დოკუმენტაციის მუშაობის უფრო ფართო ეკოსისტემაში ჯდება: მონაცემთა და მოდელის დოკუმენტაცია მრავალმა ტექნოლოგიურმა კომპანიამ აიტაცა, მათ შორის Hugging Face 🤗-მა. ჩვენ პრიორიტეტი მივანიჭეთ „რეპოზიტორიის ბარათებს“ როგორც მონაცემთა ნაკრების ბარათებისთვის, ასევე მოდელის ბარათებისთვის, ფოკუსირებით მულტიდისციპლინარულობაზე. ამ სამუშაო ხაზის გაგრძელებით, მოდელის ბარათის შექმნის UI ხელსაწყო ფოკუსირებულია ინკლუზიურობაზე, უზრუნველყოფს მითითებებს ფორმატირებისა და მოთხოვნებისთვის, რათა ხელი შეუწყოს ბარათების შექმნას სხვადასხვა წარმომავლობის მქონე ადამიანებისთვის. **მომავლისკენ:** ეს ნაშრომი წარმოადგენს მოდელის ბარათების ამჟამინდელი მდგომარეობის „სურათს“, რომელიც ეფუძნება ML დოკუმენტაციის არტეფაქტების მრავალგვარი ინსტანციაციის ლანდშაფტის ანალიზს. მოდელის წიგნი და ეს დასკვნები წარმოადგენს ერთ-ერთ პერსპექტივას მრავალთა შორის, როგორც მოდელის ბარათების მიმდინარე მდგომარეობის, ასევე უფრო ამბიციური ხედვების შესახებ. ჩვენ ვაგრძელებთ მეტის სწავლას იმის შესახებ, თუ როგორ იქმნება და გამოიყენება მოდელის ბარათები და რა გავლენას ახდენენ ისინი მოდელის გამოყენებაზე.