بررسی Hugging Face؛ پلتفرم متن‌باز برای مدل‌های هوش مصنوعی و یادگیری ماشین

زمان مطالعه: 13 دقیقه

هاگینگ فیس (Hugging Face) به‌عنوان «گیت‌هاب دنیای هوش مصنوعی» شناخته می‌شود؛ جایی که هزاران مدل، دیتاست و ابزار به‌صورت متن‌باز در اختیار جامعه جهانی قرار گرفته‌اند. این پلتفرم نه‌تنها کتابخانه‌ مشهور Transformers را ارائه داده، بلکه با ابزارهایی مثل Datasets، Tokenizers و Spaces امکان ساخت، آموزش، فاین‌تیون و استقرار مدل‌ها را برای کاربران در هر سطحی فراهم کرده است.

همه می‌توانند از Hugging Face برای سرعت‌بخشیدن به فرایند توسعه، کاهش هزینه‌ها و دسترسی به آخرین دستاوردهای پژوهشی استفاده کنند؛ از دانشجویی که اولین پروژه پردازش متن خود را شروع می‌کند گرفته تا شرکت‌های بزرگ فناوری که به‌دنبال استقرار مدل‌های زبانی در مقیاس سازمانی هستند.

در این مقاله از بلاگ آسا قصد داریم نگاهی جامع به هاگینگ فیس بیندازیم؛ تاریخچه، امکانات اصلی، کتابخانه‌ها، نحوه استفاده از API، کاربردهای تجاری، مزایا و چالش‌ها و حتی بهترین روش‌ها برای شروع کار با این اکوسیستم قدرتمند را بررسی خواهیم کرد.

Hugging Face چیست؟

Hugging Face یک پلتفرم و جامعه متن‌باز در حوزه یادگیری ماشین و علم داده است که به کاربران کمک می‌کند مدل‌های یادگیری ماشین را بسازند، آموزش دهند و در مقیاس واقعی مستقر کنند.

این پلتفرم زیرساخت لازم را برای اجرای زنده، آزمایش و استقرار مدل‌های هوش مصنوعی فراهم می‌کند. کاربران می‌توانند علاوه‌بر استفاده از ابزارها، در مخزن هاگینگ فیس به جستجو بپردازند و مدل‌ها یا دیتاست‌هایی که توسط دیگران بارگذاری شده را مشاهده و استفاده کنند. به همین دلیل، این پلتفرم اغلب با عنوان «گیت‌هاب دنیای یادگیری ماشین» شناخته می‌شود؛ چون امکان اشتراک‌گذاری و آزمایش آزادانه پروژه‌ها را در اختیار توسعه‌دهندگان قرار می‌دهد.

هاگینگ فیس بیشتر به خاطر کتابخانه پایتون Transformers شناخته می‌شود؛ ابزاری که روند دانلود و آموزش مدل‌های یادگیری ماشین را بسیار ساده می‌کند. این کتابخانه به توسعه‌دهندگان کمک می‌کند تا مدل‌های میزبانی‌شده در Hugging Face را به‌راحتی وارد جریان کاری خود کرده و پایپ‌لاین‌های یادگیری ماشین بسازند.

اهمیت این پلتفرم در ماهیت متن‌باز و ابزارهای استقرار آن نهفته است. Hugging Face این امکان را می‌دهد که کاربران مدل‌ها، منابع و تحقیقات خود را به اشتراک بگذارند، زمان آموزش را کاهش دهند، مصرف منابع را بهینه کنند و حتی اثرات زیست‌محیطی توسعه هوش مصنوعی را کمتر کنند.

شرکت Hugging Face Inc که پشت این پلتفرم قرار دارد، در سال ۲۰۱۶ توسط سه کارآفرین فرانسوی به نام‌های Clément Delangue، Julien Chaumond و Thomas Wolf در شهر نیویورک تاسیس شد. جالب است بدانید که فعالیت این شرکت در ابتدا با ساخت یک چت‌بات برای نوجوانان آغاز شد، اما پس از متن‌باز کردن مدل پشت این چت‌بات، تمرکز خود را کاملا به توسعه پلتفرم یادگیری ماشین تغییر داد.

در سال ۲۰۲۳، هاگینگ فیس اعلام کرد که با Amazon Web Services (AWS) همکاری می‌کند تا محصولات خود را در اختیار مشتریان AWS قرار دهد و امکان ساخت اپلیکیشن‌های اختصاصی را برای آن‌ها فراهم کند. علاوه‌بر این، شرکت‌های بزرگی مثل گوگل، آمازون و انویدیا نیز در این استارتاپ سرمایه‌گذاری کرده‌اند.

Hugging Face برای چه کارهایی استفاده می‌شود؟

همانطور که قبل‌تر هم اشاره کردیم، هاگینگ فیس هم یک پلتفرم هوش مصنوعی است و هم یک جامعه‌ پشتیبان که کاربرانش دائما در حال یادگیری، ساخت و اشتراک‌گذاری هستند. این جامعه، از هاگینگ فیس برای کارهای زیر استفاده می‌کند:

• پیاده‌سازی مدل‌های یادگیری ماشین: کاربران می‌توانند مدل‌های خود را در پلتفرم بارگذاری کنند. این مدل‌ها کاربردهای متنوعی دارند؛ از پردازش زبان طبیعی (NLP) گرفته تا بینایی ماشین، تولید تصویر و پردازش صوت.
• اشتراک‌گذاری و کشف مدل‌ها: پژوهشگران و توسعه‌دهندگان می‌توانند از طریق Spaces و کتابخانه Transformers مدل‌های خود را با دیگران به اشتراک بگذارند. سایر کاربران هم می‌توانند این مدل‌ها را دانلود کرده و در پروژه‌هایشان استفاده کنند.
• اشتراک‌گذاری و کشف دیتاست‌ها: پژوهشگران می‌توانند دیتاست‌های آموزشی را روی هاگینگ فیس قرار دهند یا از دیتاست‌های موجود در کتابخانه Datasets برای آموزش مدل‌های خود استفاده کنند.
• فاین‌تیون کردن مدل‌ها: کاربران می‌توانند با استفاده از API ها و ابزارهای هاگینگ فیس مدل‌های عمیق را روی داده‌های خاص خودشان دوباره آموزش دهند.
• میزبانی دموهای تعاملی: هاگینگ فیس این امکان را می‌دهد که یک مدل را در قالب یک دموی تحت مرورگر در اختیار دیگران قرار دهید. این ویژگی به توسعه‌دهندگان کمک می‌کند راحت‌تر مدل‌های خود را معرفی و آزمایش کنند.
• پژوهش و تحقیقات: Hugging Face در پروژه‌های تحقیقاتی بزرگ مثل کارگاه BigScience نقش فعال داشته است. همچنین در سایت بخشی وجود دارد که لیستی از مقالات پژوهشی معتبر گردآوری شده است.
• توسعه اپلیکیشن‌های تجاری: با استفاده از Enterprise Hub، شرکت‌ها می‌توانند در یک محیط خصوصی و ایمن با مدل‌ها، دیتاست‌ها و کتابخانه‌های متن‌باز هاگینگ فیس کار کنند.
• ارزیابی مدل‌های یادگیری ماشین: هاگینگ فیس کتابخانه‌هایی برای ارزیابی عملکرد مدل‌ها و دیتاست‌ها در اختیار توسعه‌دهندگان قرار می‌دهد تا بتوانند کیفیت خروجی مدل‌هایشان را بهتر بررسی کنند.

ویژگی‌های Hugging Face

بخش اصلی امکانات هاگینگ فیس در Hugging Face Hub قرار دارد؛ جایی که کاربران می‌توانند به مدل‌ها، دیتاست‌ها و ابزارهای مختلف دسترسی پیدا کنند. مهم‌ترین قابلیت‌های این بخش عبارت‌اند از:

۱- مدل‌ها (Models)

هاگینگ فیس میزبان یک کتابخانه عظیم از مدل‌هاست که کاربران می‌توانند آن‌ها را بر اساس نوع و کاربرد فیلتر کنند. در زمان نگارش این مطلب، بیش از ۳۰۰هزار مدل روی این پلتفرم وجود دارد. بسیاری از مدل‌های مطرح متن‌باز هم در همین مخزن میزبانی می‌شوند. برای نمونه برخی از مدل‌های محبوب در بخش Leaderboard عبارت‌اند از:

• stabilityai/stable-diffusion-xl-base-1.0 برای تولید تصویر
• WizardLM/WizardCoder-Python-34B-V1.0 برای کدنویسی خودکار
• Phind/Phind-CodeLlama-34B-v2 برای مدل‌های زبانی در حوزه برنامه‌نویسی

۲- دیتاست‌ها (Datasets)

یکی از سخت‌ترین مراحل در یادگیری ماشین، ساخت یک دیتاست باکیفیت است. هاگینگ فیس با فراهم‌کردن دسترسی به هزاران دیتاست بارگذاری‌شده توسط جامعه، این مشکل را حل کرده است. برخی از نمونه دیتاست‌های معروف عبارت‌اند از:

• the_pile_books3: شامل ۱۹۷هزار کتاب از مخزن Bibliotik به‌صورت متن خام
• wikipedia: داده‌های کامل و برچسب‌خورده از ویکی‌پدیا
• Anthropic/hh-rlhf: شامل داده‌های ترجیح انسانی برای سنجش مفید بودن یا مضر بودن خروجی مدل‌ها
• imdb: مجموعه‌ای بزرگ از نقد و بررسی‌های فیلم برای تحلیل احساسات

۳. اسپیس‌ها (Spaces)

مدل‌های یادگیری ماشین معمولا برای اجرا نیاز به دانش فنی دارند. اما هاگینگ فیس با بخش Spaces این مانع را برطرف کرده است. Spaces یک محیط کاربرپسند است که اجازه می‌دهد مدل‌ها به‌صورت یک دموی تحت وب در اختیار دیگران قرار بگیرند. هاگینگ فیس منابع محاسباتی لازم برای اجرای این دموها را هم تامین می‌کند و کاربران بدون نیاز به دانش فنی خاص می‌توانند از آن‌ها استفاده کنند.

برخی از نمونه‌های جذاب Spaces عبارت‌اند از:

• LoRA the Explorer: یک ابزار تولید تصویر که خروجی را بر اساس دستور متنی در سبک‌های مختلف ایجاد می‌کند.
• MusicGen: مدلی برای تولید موسیقی بر اساس توضیح متنی یا یک نمونه صوتی.
• Image to Story: مدلی که با گرفتن یک تصویر، متنی داستانی بر اساس آن تولید می‌کند.

بهترین Spaceها در Hugging Face

بخش Spaces در هاگینگ فیس هر روز در حال رشد است و پروژه‌های تازه‌ای به آن اضافه می‌شود. برخی از جذاب‌ترین نمونه‌هایی که می‌توانید امتحان کنید عبارت‌اند از:

• GFPGAN: یک الگوریتم عملی برای بازسازی چهره‌ها که می‌تواند کیفیت عکس‌های قدیمی را بالا ببرد یا وضوح تصاویر ساخته‌شده توسط هوش مصنوعی را بهتر کند.
• Chat with an Image: ابزاری که به شما امکان می‌دهد یک تصویر آپلود کنید و بعد از مدل، سوالاتی درباره همان تصویر بپرسید.
• Audio Separator: مدلی که می‌تواند صدای خواننده را از موسیقی پس‌زمینه جدا کند؛ ابزاری کاربردی برای موزیسین‌ها و تدوین‌گران.
• CLIP Interrogator: مدلی که به شما کمک می‌کند پرامپت متنی مناسب برای یک تصویر را پیدا کنید. این ابزار مخصوص کسانی است که در تولید تصاویر هوش مصنوعی با پرامپت‌نویسی کار می‌کنند.
• OpenAI Whisper: یکی از مدل‌های محبوب برای تشخیص گفتار، ترجمه و شناسایی زبان که روی هاگینگ فیس هم در دسترس است.

چطور استفاده از Hugging Face را شروع کنیم؟

ثبت‌نام در هاگینگ فیس رایگان است و هر کسی می‌تواند به‌عنوان یک مشارکت‌کننده در جامعه (Community Contributor) عضو شود. پس از ایجاد حساب کاربری، یک مخزن Git-based در اختیار شما قرار می‌گیرد که می‌توانید مدل‌ها، دیتاست‌ها و اسپیس‌های خود را در آن نگهداری کنید.

بعد از ساخت حساب، امکانات زیر برای شما فعال می‌شود:

• مشاهده Activity Feed و بررسی آخرین فعالیت‌های جامعه
• دسترسی کامل به Hugging Face Hub
• ایجاد سازمان‌ها یا مخازن خصوصی برای تیم یا شرکت خود
• مدیریت پروفایل و تغییر تنظیمات کاربری
• شروع یک پروژه جدید اعم از Model، Dataset یا Space
• کشف آخرین ترندها و پروژه‌های محبوب در جامعه هاگینگ فیس
• مشاهده سازمان‌هایی که عضو آن‌ها هستید و دسترسی به بخش‌های اختصاصی آن‌ها
• استفاده از منابع آموزشی و مستندات یادگیری ماشین

البته هاگینگ فیس علاوه‌بر حساب رایگان، دو نوع حساب دیگر هم ارائه می‌دهد:

• حساب Pro (حرفه‌ای): که امکانات بیشتری برای کاربران فردی فراهم می‌کند.
• حساب Enterprise (سازمانی): که در سطح بالاتری عرضه می‌شود و امکاناتی مثل امنیت سازمانی، کنترل دسترسی پیشرفته و پشتیبانی اختصاصی را در اختیار شرکت‌ها قرار می‌دهد.

راهنمای استفاده از Hugging Face API (بدون نیاز به کدنویسی)

اگر با پایتون آشنایی ندارید اما همچنان می‌خواهید مدل‌های متن‌باز هاگینگ فیس را در اپلیکیشن‌ها یا ابزارهای خود استفاده کنید، جای نگرانی نیست. کافی است بلد باشید با APIها کار کنید. در این حالت می‌توانید از یک اپلیکیشن ساز بدون کدنویسی (No-Code App Builder) یا یک ابزار داخلی برای اجرای مدل‌های هاگینگ فیس استفاده کنید.

در این راهنما، قدم‌به‌قدم به شما نشان داده می‌شود که چطور از گرفتن Access Token تا انجام اولین درخواست (API Call) پیش بروید. ابزار اصلی که در این آموزش استفاده می‌کنیم، Postman است؛ یک پلتفرم محبوب برای توسعه و تست APIها.

دریافت Access Token (کلید API) در Hugging Face

بعد از اینکه یک حساب رایگان در هاگینگ فیس ساختید و وارد داشبورد شدید، می‌توانید به‌راحتی کلید API خود را دریافت کنید. برای این کار:

۱- روی تصویر پروفایل خود در بالای سمت راست صفحه کلیک کنید. از منوی بازشده، گزینه Access Tokens را انتخاب کنید.

۲- روی دکمه Create new token کلیک کنید.

۳- در صفحه بعدی، فهرستی از سطوح دسترسی (Permissions) توکن نمایش داده می‌شود. این بخش تعیین می‌کند کسی که از این توکن استفاده می‌کند، چه میزان دسترسی خواهد داشت.

برای این آموزش، روی تب Write کلیک کنید تا توکن شما به تمام دسترسی‌ها مجهز شود.

♦️ نکته مهم: به‌طور کلی دادن دسترسی کامل (Full Permissions) هم پرریسک است و هم غیرضروری. وقتی قصد دارید اپلیکیشن خود را به‌طور واقعی منتشر کنید، حتما سطح دسترسی‌ها را کاهش دهید و فقط به میزان مورد نیاز برای اجرای قابلیت‌های اصلی اجازه دهید.

۴- یک نام برای توکن انتخاب کنید؛ مثلا testhuggingface (یا هر اسم جذاب دیگری که دوست دارید) و سپس روی دکمه Create token کلیک کنید.

با این کار، یک Access Token جدید یا همان کلید API برای شما ساخته می‌شود. این کلید نقش شناسه‌ شما در هاگینگ فیس را دارد، دسترسی شما به مدل‌ها را مدیریت می‌کند و در صورت استفاده از سرویس‌های اعتباری، میزان مصرف را از حساب شما کسر می‌کند.

♦️ نکته مهم: حتما این کلید را در جای امنی نگهداری کنید. اگر لو برود، دیگران می‌توانند به حساب شما دسترسی داشته باشند.

۵- حالا Access Token خود را کپی کنید و در یک مکان امن ذخیره کنید.

به یاد داشته باشید: پس از بستن این پنجره، دیگر این کلید نمایش داده نخواهد شد.

البته جای نگرانی نیست؛ چون هر زمان که لازم باشد می‌توانید توکن فعلی را غیرفعال (Invalidate) کنید و یک توکن جدید بسازید.

 

♦️ نکته مهم: هیچ‌وقت کلید API خود را مستقیما داخل کد یا فایل‌هایی که ممکن است به‌صورت عمومی در اینترنت قرار بگیرند، کپی نکنید.

برای امنیت بیشتر:

• در گوگل درباره بهترین روش‌های امنیتی API جست‌وجو کنید.
• کلیدها را در Environment Variables (متغیرهای محیطی) ذخیره کنید تا مطمئن شوید افراد دیگر نمی‌توانند از آن‌ها سوءاستفاده کنند.

انتخاب یک مدل

حالا وقت آن رسیده که یک مدل جذاب پیدا کنیم.

۱- روی لینک Models در بالای صفحه کلیک کنید.

۲- در حال حاضر مدل DeepSeek بسیار پرطرفدار است. بنابراین روی مدل deepseek-ai/DeepSeek-R1 کلیک کنید تا صفحه جزئیات آن باز شود.

اگر این مدل در فهرست قابل مشاهده نبود، نام آن را در بخش Filter by name که در بالای لیست قرار دارد، وارد کنید.

۳- در این صفحه اطلاعات زیادی وجود دارد؛ بنابراین گام‌به‌گام پیش می‌رویم. در بخش سمت چپ می‌توانید توضیحات پروژه را مطالعه کنید. در سمت راست، آمار و شاخص‌های مربوط به پروژه نمایش داده می‌شود و حتی امکان آزمایش مدل در همین صفحه نیز وجود دارد؛ برای این منظور از بخش Inference Providers استفاده کنید.

اکنون قصد داریم این مدل را برای استفاده در یک پلتفرم خارجی استقرار دهیم. برای این کار، بر روی منوی کشویی Deploy کلیک کنید.

۴- سپس بر روی گزینه Inference Providers کلیک کنید تا به مرحله بعد بروید.

۵- پس از آن، یک پنجره‌ی پاپ‌آپ باز می‌شود که شامل کدی برای استقرار مدل است. ما در این راهنما از گزینه Together AI برای استقرار استفاده می‌کنیم؛ بنابراین آن را از قسمت بالای پنجره انتخاب کنید.

طبق مستندات رسمی، این روش یک استقرار امن محسوب می‌شود و داده‌های شما به هیچ عنوان به چین ارسال یا در آن‌جا به اشتراک گذاشته نخواهد شد.

 

♦️ نکته مهم:فهرست ارائه‌دهندگان (Providers) ممکن است در طول زمان تغییر کند. اگر گزینه Together AI در میان چند گزینه اول نمایش داده نشد، بر روی دکمه +3 (یا مشابه آن) کنار نام ارائه‌دهندگان کلیک کنید تا سایر گزینه‌ها نیز نمایش داده شوند.

دریافت جزئیات فراخوانی (Call Details)

اکنون باید اطلاعات لازم برای تنظیم فراخوانی API را جمع‌آوری کنیم.

۱- برای این کار، بر روی دکمه cURL کلیک کنید.

۲- با این کار، دستوراتی برای اجرای فراخوانی از طریق ترمینال سرور نمایش داده می‌شود.

عبارت curl در ابتدای دستور، فرمانی در ترمینال است که پروتکل را آغاز می‌کند. این فرمان، آدرس اینترنتی (URL) مربوط به محل میزبانی مدل DeepSeek را فراخوانی می‌کند. علامت بک‌اسلش در انتهای هر خط هیچ اثر فنی خاصی ندارد؛ صرفا برای خوانایی بهتر دستور استفاده شده است.

فراخوانی‌های API شامل بخش‌هایی به نام Header هستند که با استفاده از پارامتر -H مشخص می‌شوند. این هدرها به سرور اطلاع می‌دهند که چگونه باید درخواست را پردازش کند.

اولین هدر Authorization است؛ جایی که باید کلید API خود را قرار دهید تا هویت شما نزد سرور تایید شود. بدون این بخش، هاگینگ فیس قادر نخواهد بود تشخیص دهد چه کسی درخواست را ارسال کرده و بنابراین تنظیمات شما اعمال نخواهد شد.

در دستور نمایش داده‌شده، رشته‌ای از کاراکترهای x مشخص می‌کند که باید کلید API خود را در آن قسمت جای‌گذاری کنید.

دومین هدر Content-Type با مقدار application/json است. این بخش به سرور اعلام می‌کند که داده‌ای که در بخش بدنه درخواست (Request Body) قرار دارد، از نوع JSON خواهد بود.

گام بعدی مربوط به پرچم data– است. این بخش همان داده‌ای است که به‌طور مستقیم به سرور ارسال می‌شود.

حال اجازه دهید این بخش را خط به خط بررسی کنیم. جفت کلید/مقدار model مشخص می‌کند که از میان کتابخانه گسترده هاگینگ فیس، قصد استفاده از کدام مدل را داریم.

سپس به یک آرایه از پیام‌ها (messages) می‌رسیم که شامل دو کلید اصلی است:

• role: تعیین می‌کند چه کسی پیام را ارسال کرده است. مقدار این کلید می‌تواند user (کاربر)، assistant (دستیار) یا bot باشد.
• content: متن درخواستی (Prompt) است که کاربر ارسال می‌کند. تغییر این مقدار معادل است با نوشتن یک پرامپت جدید در کادر ورودی ChatGPT.

پارامتر «max tokens» حداکثر تعداد توکن‌هایی را مشخص می‌کند که در پاسخ مدل تولید خواهد شد. از این پارامتر برای محدود کردن طول خروجی استفاده می‌شود.

این مقدار فقط عددی را می‌پذیرد و نیازی نیست که داخل کوتیشن (” “) قرار گیرد.

در نهایت به کلید stream می‌رسیم. این پارامتر تعیین می‌کند که مدل خروجی را به‌صورت توکن به توکن (streaming) ارسال کند یا کل پاسخ را یک‌باره تولید کرده و بعد ارسال کند.

مقدار این کلید از نوع Boolean است و تنها می‌تواند دو مقدار true یا false داشته باشد. در این آموزش آن را روی false قرار می‌دهیم، زیرا پیکربندی حالت استریم پیچیده‌تر است.

راه‌اندازی فراخوانی در Postman

در این آموزش از Postman به‌عنوان نمونه استفاده می‌کنیم. با این حال، اگر بخواهید این قابلیت را مستقیما در اپلیکیشن‌های خود پیاده‌سازی کنید، می‌توانید به مستندات مربوط به تنظیم اتصال API در ابزارهای مورد علاقه‌تان مراجعه کنید.

۱- پس از ایجاد حساب کاربری و ورود به Postman، در بالای صفحه روی گزینه New Request کلیک کنید.

۲- آدرس URL موجود در ابتدای دستور cURL را به خاطر دارید؟

https://huggingface.co/api/inference-proxy/together/v1/chat/completions

این آدرس را کپی کرده و در فیلد ورودی اصلی در سمت راست صفحه Postman جای‌گذاری کنید.

۳- نوع فراخوانی (Call Type) در صفحه پروژه هاگینگ فیس مشخص نشده است اما می‌توان با اطمینان آن را POST در نظر گرفت. این روش در پروتکل HTTP برای زمانی استفاده می‌شود که داده‌ای را به سرور ارسال می‌کنیم.

۴- به‌جای وارد کردن هدر Authorization به‌صورت دستی، در Postman یک تب اختصاصی برای این کار وجود دارد. بر روی تب Authorization کلیک کنید.

۵- از منوی کشویی موجود، گزینه Bearer Token را انتخاب کنید. این نوع احراز هویت دقیقا همان روشی است که توسط هاگینگ فیس تعیین شده است.

♦️ نکته مهم: هر API ممکن است نوع خاصی از احراز هویت را داشته باشد. جزئیات بیشتر در این خصوص را می‌توانید در مستندات رسمی مطالعه کنید.

۶- اکنون Access Token (کلید API) که پیش‌تر در هاگینگ فیس ایجاد کرده‌اید را کپی کرده و در فیلد ورودی مربوطه قرار دهید.

۷- اکنون نوبت آن است که بدنه درخواست (Request Body) را وارد کنیم؛ همان داده‌هایی که پیش‌تر در بخش data– بررسی کردیم. برای این کار، بر روی تب Body کلیک کنید.

۸- گزینه raw را انتخاب کنید و تنها محتوای داخل بخش data– را در این قسمت جای‌گذاری کنید.

♦️ نکته مهم: هنگام کپی کردن محتوا مستقیما از دستورات cURL، بخش –data و همچنین کوتیشن‌های تکی ( ‘ ) در ابتدا و انتهای بدنه درخواست را جای‌گذاری نکنید. همان‌طور که در نمونه بالا مشاهده می‌کنید، این موارد حذف شده‌اند.

۹- اکنون همه‌چیز آماده است تا API هاگینگ فیس را در Postman فراخوانی کنید. برای این کار، در سمت راست صفحه روی دکمه Send کلیک کنید.

اگر تمام مراحل را به‌درستی دنبال کرده باشید، در پاسخ سرور وضعیت HTTP 200 OK را مشاهده خواهید کرد و پیام شما همراه با پاسخ مدل نمایش داده می‌شود.

هر زمان که بخواهید پرامپت (Prompt) دیگری ارسال کنید، کافی است مقدار کلید «content» را ویرایش کرده و سپس دوباره روی دکمه Send کلیک کنید.

نتیجه‌گیری

هاگینگ فیس در سال‌های اخیر توانسته جایگاهی منحصربه‌فرد در دنیای هوش مصنوعی و یادگیری ماشین پیدا کند. این پلتفرم با فراهم‌کردن مدل‌ها، دیتاست‌ها و ابزارهای متن‌باز، مسیر توسعه پروژه‌های هوش مصنوعی را برای پژوهشگران، توسعه‌دهندگان و حتی علاقه‌مندان مبتدی ساده‌تر کرده است.

کتابخانه‌هایی مانند Transformers، Datasets و Tokenizers و ابزارهایی مثل Spaces و Inference API باعث شده‌اند که افراد بتوانند بدون نیاز به زیرساخت‌های سنگین و پیچیدگی‌های فنی، مدل‌های پیشرفته را اجرا، فاین‌تیون و در مقیاس واقعی مستقر کنند.
نکته کلیدی در موفقیت هاگینگ فیس، ماهیت جامعه‌محور و متن‌باز آن است؛ جایی که هزاران توسعه‌دهنده در سراسر جهان دانش و تجربیات خود را به اشتراک می‌گذارند. همین رویکرد، علاوه بر کاهش هزینه‌ها و زمان توسعه، به پیشرفت سریع‌تر پژوهش‌ها و نوآوری‌ها در حوزه هوش مصنوعی کمک می‌کند.

به‌طور خلاصه، اگر به دنبال پلتفرمی هستید که هم برای شروع یادگیری مناسب باشد و هم برای اجرای پروژه‌های سازمانی در مقیاس بزرگ، هاگینگ فیس یکی از بهترین انتخاب‌هاست؛ پلی میان تحقیقات پیشرفته و کاربردهای واقعی هوش مصنوعی.

 

منابع

zapier.com | techtarget.com