Buradasın
Gradio ile Model Diplo Etme ve Varlık İsimlerini Tanıyan Uygulama Geliştirme Eğitimi
youtube.com/watch?v=gixq815mDYIYapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitmen tarafından sunulan veri bilimi alanında model diplo etme ve uygulama geliştirme eğitimidir. Eğitmen, kendi eğittiği ve Hugging Face Hub'a yüklediği çok dilli bir modeli kullanarak adım adım gösterimler yapmaktadır.
- Video, modeli canlıya alma sürecini detaylı olarak ele almaktadır. İlk olarak modelin indirilmesi, Google Colab veya Jupyter Notebook'ta Transformers kütüphanesinin yüklenmesi, modelin pipeline ile yüklenmesi ve son olarak Gradio arayüzü kullanılarak modelin canlı hale getirilmesi gösterilmektedir. Ayrıca, varlık isimlerini tanıyan bir uygulamanın nasıl geliştirileceği, Pypline ile model indirme, Gradio ile uygulama geliştirme ve Hugging Face Hub'a uygulama yükleme süreci de anlatılmaktadır.
- Eğitim, token sınıflandırma (NER) görevinin nasıl gerçekleştirildiğini kod örnekleriyle açıklamakta ve İngilizce, Almanca ve Türkçe gibi farklı dillerde modelin nasıl çalıştığını göstermektedir. Eğitmen, demo uygulamasını çalıştırarak isim ve yer tespiti yapabilen bir sistem göstermekte ve bu uygulamayı Hugging Face Hub'a yükleyerek dünya çapında paylaşılabilir hale getirmektedir.
- 00:00Modeli Canlıya Alma Süreci
- Model eğitildikten sonra bir sonraki aşama, modeli herkesin kullanabileceği şekilde üretim ortamına aktarmaktır.
- Modeli üretim ortamına aktarmak için modelin kodlarını diplo etmek, ekstra dosyaları eklemek ve front-end bilgisi gerektirir.
- Son zamanlarda geliştirilen araçlar sadece birkaç kodla modeli diplo etmeyi ve hatta ücretsiz hosting sunmayı sağlar.
- 01:10Gradio ile Model Diplo Etme
- Bu videoda Gradio kullanılarak modelin diplo edilmesi anlatılacaktır.
- Eğitilen ve Hugging Face Hub'a yüklenen çok dilli model, metindeki kişi, yer ve organizasyon token'larını etiketler.
- Bu model NER (İsimlendirilmiş Varlık Analizi) görevini yerine getirir ve sosyal medya, finans ve sağlık gibi birçok alanda kullanılmaktadır.
- 02:56Modelin Yüklenmesi
- Google Collab kullanılarak modelin yüklenmesi işlemi gösterilecektir.
- Transformer kütüphanesi, BERT ve GPT gibi büyük dil modelleri ile çalışmak için kullanılır.
- PyTorch ve Pipeline kullanılarak Hugging Face'den indirilen çok dilli model yüklenir.
- 04:45Modelin Çalıştırılması
- İngilizce ve Türkçe metinlerle modelin çalıştırılması gösterilmiştir.
- Model, "I'm team and I work Google" cümlesinde "team"i person olarak, "Google'u" organization olarak etiketlemiştir.
- Türkçe cümlede "Ali"yi person olarak, "Trendyol'u" organization olarak etiketlemiştir.
- 06:25Subword Tekniği ve Aggregation Strateji
- Modelin "Trendyol" kelimesini "trend" ve "yol" olarak iki parçaya ayırdığı, bu da subword tekniğinden kaynaklanmaktadır.
- Aggregation strateji parametresi kullanılarak kelimeler birleştirilebilir.
- Model sadece Almanca verileriyle eğitildiğine rağmen İngilizce ve Türkçe metinlerde de başarılı sonuçlar vermektedir.
- 10:31Gradio ile Kullanıcı Arayüzü Oluşturma
- Gradio kütüphanesi kullanılarak kullanıcı arayüzü oluşturulacaktır.
- Interface metodu ile uygulama inşa edilir ve textbox metodu ile metin girişi kutusu oluşturulur.
- Highlight text metodu kullanılarak varlık isimleri renklendirilir ve örnek cümleler için examples parametresi kullanılır.
- 13:18Modelin Çalıştırılması ve Test Edilmesi
- Demo yazıldıktan sonra launch metodunu çağırarak ve share parametresine true yazarak model çalıştırıldı.
- Notebook üzerinden çalışan demoyu test edildiğinde, metinlerdeki "team" ve "california" gibi kelimeler etiketlendi.
- Almanca ve Türkçe cümlelerde de "google", "berlin", "ali", "ankara", "ahmet" ve "istanbul" gibi kelimeler başarıyla sınıflandırıldı.
- 14:06Modelin Gradio Üzerinden Paylaşılması
- Modeli Gradio'nun sağladığı link üzerinden de çalıştırabilirsiniz, ancak bu link 72 saat süreyle çalışır.
- Bu uygulamayı tüm dünyayla paylaşmak için Hugging Face Hub'ı kullanılabilir.
- Modeli paylaşmak için önce kodları .py dosyası olarak indirip, gereken kütüphaneleri yorum satırı olarak almak gerekir.
- 15:19Hugging Face Hub'a Modelin Yüklenmesi
- Hugging Face Hub'a giriş yapıp "New Space" kısmından bir isim (örneğin "ner demo") yazarak ve Gradio seçeneğini belirleyerek yeni bir alan oluşturulur.
- Hugging Face Hub, ücretsiz 16 GB'lık bir alan sağlar ve uygulama public veya private olarak ayarlanabilir.
- Dosyaları yüklemek için "Files" sayfasına gidip, requirements.txt dosyası oluşturup gerekli kütüphanelerin versiyonlarını girmek ve commit etmek gerekir.
- 16:23Uygulamanın Canlıya Alınması
- İndirilen dosyanın ismini değiştirip, "Add File" seçeneğiyle yüklemek ve commit etmek gerekir.
- Yüklenen dosyalarda hata varsa, hata mesajı görüntülenir ve düzeltilmesi sağlanabilir.
- Uygulama "building" aşamasından geçtikten sonra canlıya alınmış olur ve farklı dillerdeki örnek cümlelerle test edilebilir.
- 17:48Dersin Özeti
- Bu videoda varlık isimlerini tanıyan bir uygulamanın nasıl yapıldığı gösterildi.
- Uygulama yapımı için önce Pypline ile kullanılacak model indirildi.
- Bu model kullanılarak Gradio ile uygulama oluşturuldu ve son olarak Hugging Face Hub'a yüklenerek canlıya alındı.