ამ გაკვეთილში ჩვენ გაჩვენებთ, თუ როგორ შეუძლია ნებისმიერ ადამიანს შექმნას საკუთარი ღია კოდის ChatGPT ერთი ხაზი კოდის დაწერის გარეშე! ჩვენ გამოვიყენებთ LLaMA 2-ის საბაზისო მოდელს, დავხვეწავთ მას ჩატისთვის ღია კოდის ინსტრუქციების მონაცემთა ნაკრებით და შემდეგ განვათავსებთ მოდელს ჩატის აპლიკაციაში, რომლის გაზიარებაც შეგეძლებათ მეგობრებთან. ეს ყველაფერი მხოლოდ ღილაკებზე დაჭერით მიიღწევა. რატომ არის ეს მნიშვნელოვანი? მანქანური სწავლება, განსაკუთრებით დიდი ენობრივი მოდელები (LLMs), უპრეცედენტო პოპულარობით სარგებლობს და იქცა გადამწყვეტ ინსტრუმენტად ჩვენს პირად და ბიზნეს ცხოვრებაში. თუმცა, მანქანური სწავლების ინჟინერიის სპეციალიზებული ნიშის გარეთ მყოფთა უმრავლესობისთვის, ამ მოდელების წვრთნისა და განთავსების სირთულეები მიუწვდომელი ჩანს. თუ მანქანური სწავლების მოსალოდნელი მომავალი სავსე იქნება ყველგან გავრცელებული პერსონალიზებული მოდელებით, მაშინ წინ გველის გამოწვევა: როგორ მივცეთ არატექნიკური განათლების მქონე ადამიანებს საშუალება, დამოუკიდებლად გამოიყენონ ეს ტექნოლოგია? Hugging Face-ში, ჩვენ ფარულად ვმუშაობთ ამ ინკლუზიური მომავლისკენ გზის გაკვალვაზე. ჩვენი ინსტრუმენტების ნაკრები, მათ შორის ისეთი სერვისები, როგორიცაა Spaces, AutoTrain და Inference Endpoints, შექმნილია იმისათვის, რომ მანქანური სწავლების სამყარო ყველასთვის ხელმისაწვდომი გახდეს. იმის საჩვენებლად, თუ რამდენად ხელმისაწვდომია ეს დემოკრატიზებული მომავალი, ეს გაკვეთილი გაჩვენებთ, თუ როგორ გამოიყენოთ Spaces, AutoTrain და ChatUI ჩატის აპლიკაციის შესაქმნელად. სულ სამი მარტივი ნაბიჯით, ერთი ხაზი კოდის გარეშე. კონტექსტისთვის ვიტყვი, რომ მეც არ ვარ ML ინჟინერი, არამედ Hugging Face-ის GTM გუნდის წევრი. თუ მე შემიძლია ამის გაკეთება, თქვენც შეძლებთ! მოდით, დავიწყოთ! Hugging Face-ის Spaces არის სერვისი, რომელიც უზრუნველყოფს მარტივად გამოსაყენებელ გრაფიკულ ინტერფეისს ვებ ჰოსტინგზე განთავსებული მანქანური სწავლების დემოებისა და აპლიკაციების შესაქმნელად და განსათავსებლად. სერვისი საშუალებას გაძლევთ სწრაფად შექმნათ ML დემოები Gradio ან Streamlit ფრონტ-ენდების გამოყენებით, ატვირთოთ თქვენი საკუთარი აპლიკაციები Docker კონტეინერში, ან თუნდაც აირჩიოთ წინასწარ კონფიგურირებული ML აპლიკაციების ნაკრები მყისიერი განთავსებისთვის. ჩვენ განვათავსებთ Spaces-დან ორ წინასწარ კონფიგურირებულ Docker აპლიკაციის შაბლონს: AutoTrain და ChatUI. Spaces-ის შესახებ მეტის წაკითხვა შეგიძლიათ აქ. AutoTrain არის "კოდის გარეშე" (no-code) ინსტრუმენტი, რომელიც საშუალებას აძლევს არამანქანური სწავლების ინჟინრებს (ან თუნდაც არა-დეველოპერებს 😮) გაწვრთნან უახლესი ML მოდელები კოდირების საჭიროების გარეშე. მისი გამოყენება შესაძლებელია ბუნებრივი ენის დამუშავებისთვის (NLP), კომპიუტერული ხედვისთვის, მეტყველებისთვის, ცხრილის მონაცემებისთვის და ახლა უკვე LLM-ების დახვეწისთვისაც, რასაც დღეს გავაკეთებთ. AutoTrain-ის შესახებ მეტის წაკითხვა შეგიძლიათ აქ. ChatUI არის ზუსტად ის, რასაც მისი სახელი გულისხმობს - Hugging Face-ის მიერ შექმნილი ღია კოდის მომხმარებლის ინტერფეისი, რომელიც უზრუნველყოფს ღია კოდის LLM-ებთან ურთიერთქმედების საშუალებას. აღსანიშნავია, რომ ეს არის იგივე ინტერფეისი, რომელიც გამოიყენება HuggingChat-ის უკან, ჩვენი 100%-ით ღია კოდის ალტერნატივა ChatGPT-სთვის. ChatUI-ის შესახებ მეტის წაკითხვა შეგიძლიათ აქ. **1.1. გადადით huggingface.co/spaces-ზე და აირჩიეთ „Create new Space“ (ახალი Space-ის შექმნა).** **1.2. მიანიჭეთ თქვენს Space-ს სახელი და აირჩიეთ სასურველი გამოყენების ლიცენზია, თუ თქვენ აპირებთ თქვენი მოდელის ან Space-ის საჯაროდ განთავსებას.** **1.3. AutoTrain აპლიკაციის Docker Template-დან თქვენს განთავსებულ Space-ში განთავსებისთვის აირჩიეთ Docker > AutoTrain.** **1.4. აირჩიეთ თქვენი „Space hardware“ (Space-ის აპარატურა) აპლიკაციის გასაშვებად.** (შენიშვნა: AutoTrain აპლიკაციისთვის საკმარისი იქნება უფასო CPU ძირითადი ვარიანტი; მოდელის შემდგომი წვრთნა შესრულდება ცალკეული გამოთვლითი რესურსის გამოყენებით, რომლის არჩევა შეგვიძლია მოგვიანებით). **1.5. დაამატეთ თქვენი „HF_TOKEN“ „Space secrets“-ში, რათა ამ Space-ს მიეცეს წვდომა თქვენს Hub ანგარიშზე.** ამის გარეშე Space ვერ შეძლებს ახალი მოდელის გაწვრთნას ან შენახვას თქვენს ანგარიშზე. (შენიშვნა: თქვენი HF_TOKEN შეგიძლიათ იპოვოთ თქვენს Hugging Face პროფილში Settings > Access Tokens-ში; დარწმუნდით, რომ ტოკენი არჩეულია როგორც „Write“ (ჩაწერა)). **1.6. აირჩიეთ, გსურთ თუ არა მისი გახადოთ „Private“ (პირადი) ან „Public“ (საჯარო);** AutoTrain Space-ისთვის რეკომენდებულია მისი პირადი სტატუსის შენარჩუნება, მაგრამ თქვენ ყოველთვის შეგიძლიათ მოგვიანებით საჯაროდ გააზიაროთ თქვენი მოდელი ან ჩატის აპლიკაცია. **1.7. დააჭირეთ „Create Space“ (Space-ის შექმნა) და ვუალა!** ახალი Space-ის შექმნას რამდენიმე წუთი დასჭირდება, რის შემდეგაც შეგიძლიათ გახსნათ Space და დაიწყოთ AutoTrain-ის გამოყენება. **2.1. მას შემდეგ, რაც თქვენი AutoTrain Space ამოქმედდება, თქვენ იხილავთ ქვემოთ მოცემულ გრაფიკულ ინტერფეისს.** AutoTrain შეიძლება გამოყენებულ იქნას რამდენიმე სხვადასხვა სახის წვრთნისთვის, მათ შორის LLM-ის დახვეწისთვის, ტექსტის კლასიფიკაციისთვის, ცხრილის მონაცემებისთვის და დიფუზიური მოდელებისთვის. რადგანაც დღეს LLM-ის წვრთნაზე ვართ ორიენტირებული, აირჩიეთ „LLM“ ჩანართი. **2.2. აირჩიეთ LLM, რომლის გაწვრთნაც გსურთ „Model Choice“ (მოდელის არჩევა) ველიდან.** შეგიძლიათ აირჩიოთ მოდელი სიიდან ან ჩაწეროთ მოდელის სახელი Hugging Face-ის მოდელის ბარათიდან. ამ მაგალითში ჩვენ გამოვიყენეთ Meta-ს Llama 2 7b ფუნდამენტური მოდელი; მეტი ინფორმაცია იხილეთ მოდელის ბარათში აქ. (შენიშვნა: Llama 2 არის შეზღუდული მოდელი, რომელიც მოითხოვს Meta-დან წვდომის მოთხოვნას გამოყენებამდე, მაგრამ არსებობს მრავალი სხვა შეუზღუდავი მოდელი, რომელთა არჩევაც შეგიძლიათ, მაგალითად Falcon). **2.3. „Backend“-ში აირჩიეთ CPU ან GPU, რომლის გამოყენებაც გსურთ წვრთნისთვის.** 7b მოდელისთვის „A10G Large“ საკმარისი იქნება. თუ აირჩევთ უფრო დიდი მოდელის გაწვრთნას, უნდა დარწმუნდეთ, რომ მოდელი სრულად ჯდება თქვენი არჩეული GPU-ის მეხსიერებაში. (შენიშვნა: თუ გსურთ უფრო დიდი მოდელის გაწვრთნა და გჭირდებათ წვდომა A100 GPU-ზე, გთხოვთ, მოგვწეროთ ელფოსტაზე [email protected]). **2.4. რა თქმა უნდა, მოდელის დასახვეწად დაგჭირდებათ „Training Data“ (სავარჯიშო მონაცემები) ატვირთვა.** ამის გაკეთებისას, დარწმუნდით, რომ მონაცემთა ნაკრები სწორად არის ფორმატირებული...