Dans le secteur de l’intelligence artificielle, il existe les modèles dits “propriétaires” qui appartiennent à une entreprise. Par exemple, GPT-4 appartient à OpenAI, Claude 2.1 appartient à Anthropic et on ne peut pas consulter leur code. Mais il existe aussi les modèles Open Source que tout le monde peut consulter, utiliser et modifier comme Llama ou Mixtral.

Pour pouvoir accéder à ces modèles, il y a tout de même besoin d’une plateforme pour pouvoir les regrouper et les tester, et une plateforme est aujourd’hui devenue la référence pour consulter des modèles Open Source : il s’agit de Hugging Face, fondée en 2016 par trois français partis aux États-Unis qui ont l’ambition de fournir à l’industrie de l’IA des outils plus efficients et plus accessibles.

Aujourd’hui, Hugging Face est considéré comme le GitHub dédié au Machine Learning, et pour l’édition de cette semaine, nous allons voir en quoi consiste cette plateforme, et ce qu’on peut faire avec.

Fonctionnalités proposées par Hugging Face

Models

La section “Models” de Hugging Face permet aux utilisateurs de rechercher, télécharger et utiliser des centaines de milliers de modèles différents qui ont été entraînés sur diverses tâches de traitement du langage naturel (NLP). telles que la traduction automatique, l'analyse de sentiments, la génération de texte, la reconnaissance de la parole, et bien d'autres.

Les modèles peuvent être recherchés par nom, tâche, langue ou technologie. Ainsi, n’importe qui peut trouver un modèle adapté à ses besoins spécifiques sans avoir à entraîner un modèle à partir de zéro.

De plus, ces modèles peuvent être intégrés dans des applications grâce à l’API de Hugging Face ou téléchargés pour être utilisés localement et/ou hors ligne.

Datasets

Un modèle d’IA sans base de données (ou Dataset) est comme un cuisinier sans ingrédients : il est impératif pour un modèle d’IA d’avoir un dataset pour s’entraîner et donner les meilleurs résultats possibles.

La section “Datasets” de Hugging Face regroupe tous les jeux de données utilisables pour entraîner ses modèles.

Cette section contient une collection très large de datasets couvrant une multitude de tâches comme la classification de texte, la question-réponse, la traduction automatique,  l’audio ou encore la vision par ordinateur.

Hugging Face fournit également des outils pour charger, manipuler et préparer les datasets pour l'entraînement de modèles. Elle est intégrée avec la bibliothèque Transformers de Hugging Face qui permet d’utiliser des modèles pré-entraînés.

Spaces

La section “Spaces” est créée principalement pour faciliter le partage et la collaboration entre les utilisateurs.

Premièrement, elle permet de partager facilement des modèles entraînés avec d'autres utilisateurs. On peut uploader un modèle existant ou en entraîner un nouveau directement dans Spaces.

On peut créer des "spaces" de collaboration pour travailler à plusieurs sur un même projet de modélisation. Les membres peuvent uploader des versions de modèles, comparer les performances, etc.

De plus, Hugging Face héberge et gère l'infrastructure technique (CPU, GPU) pour entraîner et servir les modèles.

Plus qu'une plateforme

Hugging Face ne se contente pas d’être une plateforme qui regroupe les modèles d’IA et qui incite à la collaboration entre les utilisateurs. Voici d’autres fonctionnalités qu’elle propose :

• Un ensemble de services dédiés au développement de l’IA
• Des forums pour échanger avec les autres utilisateurs
• Des systèmes d’évaluation pour estimer la performance des modèles
• Des publications de rapports
• Une section dédiée à l’apprentissage

L’objectif d’Hugging Face est de construire un écosystème complet pour le développement de l’IA Open Source.

Pourquoi utiliser Hugging Face ?

En tant qu'utilisateur

En tant qu’utilisateur, on cherche à obtenir les meilleurs résultats possibles à moindre coût, et il peut arriver que certains modèles open source surpassent les modèles propriétaires sur des tâches précises. On peut aussi préférer un modèle à un autre car ses réponses nous conviennent mieux.

Avec Hugging face, on peut accéder facilement à toute une diversité de modèles déjà entraînés pour générer du texte, de l'image ou de l'audio sans forcément avoir besoin de compétences techniques.

Donc on peut expérimenter par soi-même les capacités des derniers modèles d'IA dans différents domaines pour savoir quel modèle utiliser selon nos besoins.

C’est aussi une façon ludique de comprendre les limites actuelles de l’IA et de comprendre les enjeux juridiques qui concernent cette technologie.

En tant que développeur

En tant que développeur, c’est le terrain rêvé pour réaliser des expérimentations avec ses propres modèles d’IA.

On peut y entraîner de nouveaux modèles ou en adapter des existants grâce aux outils d'entraînement fournis. On peut aussi partager ses propres modèles entraînés et les rendre accessibles à une large communauté. Enfin, on peut tester les modèles des autres pour les améliorer, ou s’en inspirer pour améliorer les siens.

Il est également possible de contribuer à des bibliothèques open source utilisées par de nombreux développeurs, et reproduire plus facilement les résultats de recherche en IA.

Pour finir, contribuer à Hugging Face en tant que développeur peut donner beaucoup de visibilité, et donc ouvrir beaucoup d’opportunités professionnelles.

En tant que consultant

En tant que consultant, Hugging Face constitue un de ses principaux outils de veille. En effet, il peut observer les différents benchmarks et rapports publiés pour évaluer les différents modèles d’IA. Non seulement cela permet aux consultants d’obtenir une vue d’ensemble, mais aussi de faire des projections sur l’avenir de cet écosystème.

Hugging Face est aussi un outil permettant de se concentrer sur l’application métier plutôt que sur l’infrastructure technique grâce aux API d’Hugging Face pour intégrer l’IA dans des produits existants. Cela permet d’accélérer le développement de prototypes.

En résumé, Hugging Face est un outil qui aide beaucoup à choisir quel est le modèle le plus adapté pour des clients/entreprises, et de livrer plus rapidement des preuves de concept d’application intégrant l’IA.

‍