Hugging Face

Unternehmen und Open-Source-Plattform mit Tausenden vortrainierter KI-Modelle, Datensätzen und Demo-Anwendungen (Spaces). Mit der Python-Bibliothek transformers lässt sich ein fertiges Modell in wenigen Zeilen für Textklassifikation, Zusammenfassung, Übersetzung oder Bildbeschreibung einsetzen.

Angebot

Laut Quelle - Neuronale Netze programmieren mit Python (S. 259–264, 426–430):

• Model Hub (huggingface.co/models): Modelle nach Aufgabe und Sprache filtern. Oft heruntergeladene Modelle lassen auf brauchbare Qualität schliessen.
• Datensätze für das Training.
• Spaces: Anwendungen im Browser ausprobieren und veröffentlichen.
• Bibliotheken: transformers (Sprachmodelle), diffusers (Bilderzeugung, z.B. Stable Diffusion), datasets, evaluate, accelerate.

Pipeline

Die Funktion pipeline("aufgabe", model="…") bündelt Tokenizer und Modell. Beispiele im Buch:

• Sentiment-Analyse: Ohne Modellangabe nimmt die Pipeline ein englisches DistilBERT-Modell („I am very happy with this book“ → positiv, 0,9998). Für Deutsch passt nlptown/bert-base-multilingual-uncased-sentiment, das 1 bis 5 Sterne vergibt.
• Tokenizer: Jedes Modell hat seinen eigenen. „uncased“ heisst: Gross- und Kleinschreibung werden ignoriert.
• Zusammenfassung auf Deutsch mit Shahm/bart-german.
• Bildbeschreibung mit Salesforce/blip-image-captioning-large („two parrots standing next to each other“).

Mit der Bibliothek Gradio wird daraus in zwei Zeilen eine Webanwendung mit öffentlichem Link, die 72 Stunden gültig ist (S. 426–430).

Verwandt

• Transformer – die Architektur der meisten Modelle auf der Plattform
• TensorFlow – eines der Frameworks, mit denen die Modelle laufen
• PyTorch – das andere, heute häufigere Framework
• Datenhoheit – offene Modelle lokal betreiben