Hugging Face

Hugging Face est une plateforme sur laquelle les équipes d’apprentissage automatique et la communauté open source publient, découvrent et évaluent des modèles, des jeux de données et des applications interactives, et collaborent autour de ces ressources. Le Hub utilise des dépôts basés sur Git et y ajoute des outils propres à l’apprentissage automatique, comme l’évaluation de modèles et la consultation de jeux de données. Les développeurs peuvent parcourir un vaste catalogue public, partager leurs propres ressources, créer des Spaces et connecter leur code à des ressources hébergées. La bibliothèque Datasets charge et diffuse en continu des données audio, de vision par ordinateur et de traitement automatique du langage naturel, tandis qu’Accelerate adapte le code d’entraînement et d’inférence PyTorch aux configurations distribuées, notamment DeepSpeed, le parallélisme de données entièrement partitionné et la précision mixte. Inference Providers donne accès aux modèles pris en charge par plusieurs fournisseurs, avec des informations propres à chaque modèle telles que le prix, la taille du contexte, la latence, le débit, l’utilisation d’outils et la prise en charge des sorties structurées. Les compromis sont concrets : la collaboration privée et certaines fonctions de compte peuvent entraîner des frais par utilisateur, le stockage est facturé selon le volume, les coûts d’inférence varient selon le fournisseur et le modèle, et les équipes doivent examiner les licences et la documentation associées aux ressources communautaires avant toute utilisation en production.