نحو:
بہت سی خدمات موجود ہیں جو Hugging Face فراہم کرتا ہے لیکن اس کی وسیع پیمانے پر استعمال ہونے والی خدمات میں سے ایک 'API' ہے۔ API پہلے سے تربیت یافتہ AI اور بڑے لینگویج ماڈلز کو مختلف ایپلی کیشنز کے ساتھ تعامل کی اجازت دیتا ہے۔ Hugging Face مختلف ماڈلز کے لیے APIs فراہم کرتا ہے جیسا کہ درج ذیل میں درج ہے۔
- ٹیکسٹ جنریشن ماڈلز
- ترجمہ ماڈلز
- جذبات کے تجزیہ کے لیے ماڈل
- ورچوئل ایجنٹس کی ترقی کے لیے ماڈلز (ذہین چیٹ بوٹس)
- درجہ بندی اور رجعت کے ماڈل
آئیے اب Hugging Face سے اپنا پرسنلائزڈ انفرنس API حاصل کرنے کا طریقہ دریافت کریں۔ ایسا کرنے کے لیے، ہمیں سب سے پہلے اپنے آپ کو Hugging Face کی آفیشل ویب سائٹ پر رجسٹر کرکے شروع کرنا ہوگا۔ اپنی اسناد کے ساتھ اس ویب سائٹ پر سائن اپ کرکے ہیگنگ فیس کی اس کمیونٹی میں شامل ہوں۔
ایک بار جب ہمیں Hugging Face پر اکاؤنٹ مل جاتا ہے، اب ہمیں inference API کی درخواست کرنی ہوگی۔ API کی درخواست کرنے کے لیے، اکاؤنٹ کی ترتیبات پر جائیں اور 'ایکسیس ٹوکن' کو منتخب کریں۔ ایک نئی ونڈو کھل جائے گی۔ 'نیا ٹوکن' اختیار منتخب کریں اور پھر پہلے ٹوکن کا نام اور 'لکھیں' کے طور پر اس کا کردار فراہم کرکے ٹوکن تیار کریں۔ ایک نیا ٹوکن تیار ہوتا ہے۔ اب، ہمیں اس ٹوکن کو محفوظ کرنا ہوگا۔ اس وقت تک، ہمارے پاس گلے لگانے والے چہرے سے اپنا ٹوکن ہے۔ اگلی مثال میں، ہم دیکھیں گے کہ ہم کس طرح اس ٹوکن کا استعمال کرتے ہوئے ایک inference API حاصل کر سکتے ہیں۔
مثال 1: Hugging Face Inference API کے ساتھ پروٹو ٹائپ کیسے کریں۔
اب تک، ہم نے اس طریقہ پر تبادلہ خیال کیا ہے کہ کس طرح گلے لگانا چہرہ شروع کیا جائے اور ہم نے ہگنگ فیس سے ایک ٹوکن شروع کیا۔ یہ مثال دکھاتی ہے کہ ہم کس طرح اس نئے تیار کردہ ٹوکن کو کسی مخصوص ماڈل (مشین لرننگ) کے لیے ایک انفرنس API حاصل کرنے اور اس کے ذریعے پیشین گوئیاں کرنے کے لیے استعمال کر سکتے ہیں۔ Hugging Face کے ہوم پیج سے کوئی بھی ایسا ماڈل منتخب کریں جس کے ساتھ آپ کام کرنا چاہتے ہیں جو آپ کے مسئلے سے متعلق ہو۔ ہم کہتے ہیں کہ ہم متن کی درجہ بندی یا جذباتی تجزیہ ماڈل کے ساتھ کام کرنا چاہتے ہیں جیسا کہ ان ماڈلز کی فہرست کے درج ذیل ٹکڑوں میں دکھایا گیا ہے:
ہم اس ماڈل سے جذباتی تجزیہ ماڈل کا انتخاب کرتے ہیں۔
ماڈل کو منتخب کرنے کے بعد، اس کا ماڈل کارڈ ظاہر ہو جائے گا. اس ماڈل کارڈ میں ماڈل کی تربیت کی تفصیلات اور ماڈل کی خصوصیات کے بارے میں معلومات شامل ہیں۔ ہمارا ماڈل roBERta-base ہے جو جذبات کے تجزیہ کے لیے 58M ٹویٹس پر تربیت یافتہ ہے۔ اس ماڈل میں تین اہم کلاس لیبل ہیں اور یہ ہر ان پٹ کو اس کے متعلقہ کلاس لیبلز میں درجہ بندی کرتا ہے۔
ماڈل کے انتخاب کے بعد، اگر ہم تعیناتی بٹن کو منتخب کرتے ہیں جو ونڈو کے اوپری دائیں کونے میں موجود ہے، تو یہ ایک ڈراپ ڈاؤن مینو کھولتا ہے۔ اس مینو سے، ہمیں 'Inference API' آپشن کو منتخب کرنے کی ضرورت ہے۔
انفرنس API پھر اس مخصوص ماڈل کو اس تخمینے کے ساتھ استعمال کرنے کے طریقے کی پوری وضاحت فراہم کرتا ہے اور ہمیں فوری طور پر AI ماڈل کے لیے پروٹوٹائپ بنانے دیتا ہے۔ انفرنس API ونڈو وہ کوڈ دکھاتی ہے جو Python کی اسکرپٹ میں لکھا گیا ہے۔
ہم اس کوڈ کو کاپی کرتے ہیں اور اس کوڈ کو Python IDE میں سے کسی ایک میں چلاتے ہیں۔ ہم اس کے لیے گوگل کولاب استعمال کرتے ہیں۔ Python شیل میں اس کوڈ کو چلانے کے بعد، یہ ایک آؤٹ پٹ واپس کرتا ہے جو اسکور اور لیبل کی پیشن گوئی کے ساتھ آتا ہے۔ یہ لیبل اور سکور ہمارے ان پٹ کے مطابق دیا گیا ہے کیونکہ ہم نے 'متن جذباتی تجزیہ' ماڈل کا انتخاب کیا ہے۔ پھر، ہم ماڈل کو جو ان پٹ دیتے ہیں وہ ایک مثبت جملہ ہے اور ماڈل کو تین لیبل کلاسوں پر پہلے سے تربیت دی گئی تھی: لیبل 0 کا مطلب منفی، لیبل 1 کا مطلب غیر جانبدار ہے، اور لیبل 2 کو مثبت پر سیٹ کیا گیا ہے۔ چونکہ ہمارا ان پٹ ایک مثبت جملہ ہے، اس لیے ماڈل سے اسکور کی پیشن گوئی دیگر دو لیبلز سے زیادہ ہے جس کا مطلب ہے کہ ماڈل نے جملے کی پیشین گوئی بطور 'مثبت ایک' کی ہے۔
درآمد درخواستیںAPI_URL = 'https://api-inference.huggingface.co/models/cardiffnlp/twitter-roberta-base-sentiment'
ہیڈرز = { 'اجازت' : 'بیرر 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' }
def استفسار ( پے لوڈ ) :
جواب = درخواستیں پوسٹ ( API_URL , ہیڈرز = ہیڈرز , json = پے لوڈ )
واپسی جواب. json ( )
آؤٹ پٹ = استفسار ( {
'ان پٹ' : 'جب آپ میرے ساتھ ہوتے ہیں تو مجھے اچھا لگتا ہے' ,
} )
آؤٹ پٹ:
مثال 2: تخمینہ کے ذریعے خلاصہ ماڈل
ہم انہی اقدامات پر عمل کرتے ہیں جو کہ پچھلی مثال میں دکھایا گیا ہے اور سمریائزیشن ماڈل بس کو Hugging Face سے اس کے inference API کا استعمال کرتے ہوئے پروٹو ٹائپ کرتے ہیں۔ خلاصہ ماڈل ایک پہلے سے تربیت یافتہ ماڈل ہے جو اس پورے متن کا خلاصہ کرتا ہے جو ہم اسے اس کے ان پٹ کے طور پر دیتے ہیں۔ Hugging Face اکاؤنٹ پر جائیں، اوپر والے مینو بار سے ماڈل پر کلک کریں، اور پھر اس ماڈل کا انتخاب کریں جو خلاصہ سے متعلق ہو، اسے منتخب کریں، اور اس کے ماڈل کارڈ کو غور سے پڑھیں۔
ہم نے جس ماڈل کا انتخاب کیا ہے وہ پہلے سے تربیت یافتہ BART ماڈل ہے اور اسے ڈیٹاسیٹ CNN ڈیل میل کے ساتھ اچھی طرح ہم آہنگ کیا گیا ہے۔ BART ایک ایسا ماڈل ہے جو سب سے زیادہ BERT ماڈل سے ملتا جلتا ہے جس میں ایک انکوڈر اور ڈیکوڈر ہوتا ہے۔ یہ ماڈل اس وقت موثر ہوتا ہے جب اسے فہم، خلاصہ، ترجمہ، اور ٹیکسٹ جنریشن کے کاموں کے لیے ٹھیک بنایا جاتا ہے۔
پھر، اوپر دائیں کونے سے 'تعیناتی' بٹن کو منتخب کریں اور ڈراپ ڈاؤن مینو سے inference API کو منتخب کریں۔ انفرنس API ایک اور ونڈو کھولتا ہے جس میں کوڈ اور اس ماڈل کو اس تخمینے کے ساتھ استعمال کرنے کی ہدایات ہوتی ہیں۔
اس کوڈ کو کاپی کریں اور اسے ازگر کے شیل میں چلائیں۔
ماڈل آؤٹ پٹ کو لوٹاتا ہے جو ان پٹ کا خلاصہ ہے جو ہم نے اسے دیا تھا۔
نتیجہ
ہم نے Hugging Face Inference API پر کام کیا اور سیکھا کہ ہم پہلے سے تربیت یافتہ لینگویج ماڈلز کے ساتھ کام کرنے کے لیے اس ایپلیکیشن کے قابل پروگرام انٹرفیس کو کس طرح استعمال کر سکتے ہیں۔ ہم نے مضمون میں جو دو مثالیں پیش کیں وہ بنیادی طور پر NLP ماڈلز پر مبنی تھیں۔ اگر ہم اپنی ایپلی کیشنز میں AI ماڈلز کا تیز تر انضمام فراہم کر کے ایک تیز پروٹو ٹائپ تیار کرنا چاہتے ہیں تو Hugging Face API حیرت انگیز کام کر سکتا ہے۔ مختصراً، Hugging Face میں کمک سیکھنے سے لے کر کمپیوٹر ویژن تک آپ کے تمام مسائل کا حل موجود ہے۔