Introducere în Gradio

În acest capitol vom învăța cum să construim demo-uri interactive pentru modelele noastre de machine learning.

De ce să construim un demo sau o interfață grafică pentru modelul nostru de machine learning în primul rând? Demo-urile permit:

• Dezvoltatorilor de machine learning să își prezinte cu ușurință lucrarea unei audiențe largi, inclusiv echipelor non-tehnice sau clienților
• Cercetătorilor să reproducă mai ușor modelele și comportamentul machine learning
• Testerilor de calitate sau utilizatorilor finali să identifice și să depaneze mai ușor punctele de eșec ale modelelor
• Utilizatorilor diverși să descopere prejudecățile algoritmice din modele

Vom folosi biblioteca Gradio pentru a construi demo-uri pentru modelele noastre. Gradio vă permite să construiți, să personalizați și să partajați demo-uri web pentru orice model de machine learning, în întregime în Python.

Iată câteva exemple de demo-uri de machine learning construite cu Gradio:

• Un model de recunoaștere a schițelor care primește o schiță și afișează etichete cu ceea ce crede că este desenat:

• Un model extractiv de răspunsuri la întrebări care primește un paragraf de context și o întrebare și afișează un răspuns și un scor de probabilitate (am discutat despre acest tip de model în Capitolul 7):

• Un model de eliminare a fundalului care primește o imagine și afișează imaginea cu fundalul eliminat:

Acest capitol este împărțit în secțiuni care includ atât concepte cât și aplicații. După ce învățați conceptul din fiecare secțiune, îl veți aplica pentru a construi un anumit tip de demo, de la clasificarea imaginilor la recunoașterea vocii. Până când terminați acest capitol, veți putea construi aceste demo-uri (și multe altele!) în doar câteva linii de cod Python.