تقنية وتكنولوجيا

مشروع البرمجة اللغوية العصبية (NLP) الشامل مع Hugging Face وFastAPI وDocker | بواسطة كاسبر جروس ألبين لودفيجسن


يشرح هذا البرنامج التعليمي كيفية إنشاء واجهة برمجة تطبيقات لتحليل المشاعر باستخدام Hugging Face وFastAPI وDocker

نحو علم البيانات
تصوير جوشوا هوهن على Unsplash

تفشل العديد من مشاريع الذكاء الاصطناعي، وفقًا لتقارير مختلفة (على سبيل المثال، Hardvard Business Review). أعتقد أن جزءًا من العائق الذي يحول دون نجاح مشروع الذكاء الاصطناعي هو الخطوة الفنية بدءًا من بناء نموذج وحتى إتاحته على نطاق واسع للآخرين في مؤسستك.

إذًا كيف تجعل نموذجك متاحًا للاستهلاك بسهولة؟ تتمثل إحدى الطرق في تغليفه في واجهة برمجة التطبيقات (API) ووضعه في حاوية بحيث يمكن عرض النموذج الخاص بك على أي خادم مثبت عليه Docker. وهذا بالضبط ما سنفعله في هذا البرنامج التعليمي.

سنأخذ نموذج تحليل المشاعر من Hugging Face (اختيار عشوائي فقط للحصول على نموذج يسهل عرضه كمثال)، ونكتب نقطة نهاية واجهة برمجة التطبيقات (API) التي تكشف النموذج باستخدام FastAPI، وبعد ذلك سنضع تطبيق تحليل المشاعر الخاص بنا في حاوية مع عامل ميناء. سأقدم أمثلة وتفسيرات التعليمات البرمجية على طول الطريق.

تم اختبار الكود التعليمي على نظام التشغيل Linux، ومن المفترض أن يعمل على نظام التشغيل Windows أيضًا.

سوف نستخدم فئة Pipeline من Hugging Face’s transformers مكتبة. راجع البرنامج التعليمي الخاص بـ Hugging Face للحصول على مقدمة حول خط الأنابيب إذا لم تكن على دراية به.

يجعل خط الأنابيب من السهل جدًا استخدام النماذج مثل نماذج المشاعر. تحقق من البرنامج التعليمي لتحليل المشاعر الخاص بـ Hugging Face للحصول على مقدمة شاملة لهذا المفهوم.

يمكنك إنشاء مثيل للأنبوب باستخدام عدة وسائط منشئة مختلفة. إحدى الطرق هي تمرير نوع من المهام:

from transformers import pipeline

pipe = pipeline(task="sentiment-analysis")

سيستخدم هذا النموذج الافتراضي لـ Hugging Face للمهمة المقدمة.

هناك طريقة أخرى وهي تمرير وسيطة النموذج التي تحدد النموذج الذي تريد استخدامه. لم تكن…

رابط المصدر

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

زر الذهاب إلى الأعلى