tag Hugging Face

Bu sayfada Hugging Face etiketi ile işaretlenmiş 4 yapay zeka kavramını bulabilirsiniz.

HuggingChat, Hugging Face tarafından geliştirilen ve 100'den fazla açık kaynaklı büyük dil modeline (LLM) tek arayüzden ücretsiz erişim sunan açık kaynak yapay zeka sohbet platformudur. Nisan 2023'te ChatGPT'ye şeffaf bir alternatif olarak yayınlandı; Eylül 2025'te ise **HuggingChat Omni** adıyla yeniden yapılandırıldı. Omni sürümünün ayırt edici özelliği, her soruyu analiz edip 115'ten fazla açık model arasından en uygununu otomatik seçen **politika tabanlı yönlendirme (policy-based routing)** sistemidir. Bu yönlendirmeyi, Katanemo'nun 1,5 milyar parametrelik Arch-Router modeli yapar: kod sorusu geldiğinde kodlamada güçlü bir modele, matematik sorusunda muhakeme modeline yönlendirir. Platformda Meta Llama, Alibaba Qwen, DeepSeek (V3 ve R1 serileri), OpenAI'nin açık ağırlıklı gpt-oss modelleri, Moonshot Kimi K2 ve Mistral dahil 15'ten fazla sağlayıcının modelleri barındırılır. Kullanıcı isterse Omni'nin otomatik seçimini kapatıp modeli elle belirleyebilir. HuggingChat'i tescilli rakiplerinden ayıran üç temel unsur vardır. Birincisi şeffaflık: platformun kaynak kodu GitHub'da `huggingface/chat-ui` deposunda herkese açıktır ve Docker ile kendi sunucunuzda barındırılabilir. İkincisi gizlilik: konuşmalar model eğitiminde kullanılmaz; hesapsız kullanımda geçmiş yalnızca tarayıcıda tutulur. Üçüncüsü maliyet: temel kullanım tamamen ücretsizdir, aylık 9 dolarlık Hugging Face Pro aboneliği yalnızca kota ve öncelikli erişim genişletir. Web araması, dosya yükleme, görüntü analizi ve topluluk tarafından oluşturulmuş binlerce özel asistan (Assistants) platformun diğer bileşenleridir. Araştırmacılar, açık modelleri ücretsiz denemek isteyen geliştiriciler ve verisinin eğitimde kullanılmasını istemeyen kurumlar için HuggingChat, 2026 itibarıyla açık kaynak ekosisteminin en erişilebilir sohbet arayüzü konumundadır. Erişim adresi huggingface.co/chat olup Türkiye dahil dünya genelinde coğrafi kısıtlama uygulanmaz.

forum

HuggingChat (HuggingChat)

arrow_forward web

Gradio (Gradio)

Gradio, Python'da makine ogrenimi modellerini, veri islem hatlarini veya herhangi bir Python fonksiyonunu kullanici dostu interaktif web arayuzlerine donusturmeyi saglayan acik kaynak bir kutuphanedir. Birkaç satirla yazilan kod, tarayici uzerinden test edilebilir, paylasılabilir ve gorusel olarak zengin bir demo olusturur. 2019 yilinda Stanford doktora ogrencisi Abubakar Abid ve arkadaslari tarafindan kurulan Gradio, veri bilimcilerin ve ML muhendislerinin modellerini paydaslara, musterilere veya topluluga hizla gostermesi ihtiyacina yanit verir. Bir model demosu hazirlamak icin onceden web gelistirme bilgisi gerekirken Gradio bu esigi ortadan kaldirdi. 2021 yilinda Hugging Face tarafindan satin alindiktan sonra Hugging Face Spaces platformu ile ust duzey entegrasyon saglanmis; Spaces'da milyonlarca Gradio uygulamasi ucretsiz barindirila gelismeye baslamistir. Teknik olarak Gradio, bir Python fonksiyonunun girdi ve cikti turlerine bagli olarak uygun UI bilesenlerini otomatik secebilir. Goruntu siniflandirici ise goruntu yukleme birleseni ve sinif olasilik grafigi; ses duygu tanima ise mikrofon bileseni ve etiket cigtisi gibi. Ozellestirilmis duzenlemeler ve temalar da desteklenmektedir. Arka planda bir Flask sunucusu calistiran Gradio, WebSocket baglantilariyla gercek zamanli girdi-cikti akisini yonetir. Gradio arayuzleri yerel olarak calistirabilir veya herkese acik bir URL ile paylasilabilir. `gr.Interface.launch(share=True)` komutu, gecici bir Gradio-hosted link olusturur. Kalici barindirma icin Hugging Face Spaces, GitHub Actions ile CI/CD entegrasyonunu da destekleyen en populer secenektir. Gradio'nun Blocks API'si, tek Interface taniminin otesinde cok adimli, sartli ve dinamik arayuzler tasarlamaya olanak tanir. Girdi degistiginde yalnizca belirli bilesenler guncellenecek sekilde olay dinleyicileri tanimlanabilir. Bu ileri seviye API, prototipten production demosu arasindaki siniri bulaniklastirir. **Sik Sorulan Sorular** **Gradio ile Streamlit arasindaki fark nedir?** Gradio ML model demosu icin optimize edilmis; girdi/cikti bilesenlerini ML gorev turlerine gore otomatik secebilir. Streamlit daha genel amacli veri uygulamalari icin idealdir ve daha genis durum yonetimi imkani sunar. **Gradio uygulamalari production icin uygun mudur?** Hafif kullanim icin uygundur. Yuksek trafikli production senaryolari icin Gradio onunde bir yukleyici dengeleyici ve guvenlik katmani gerekir; alternatif olarak FastAPI gibi ozel servislere donusturmek tercih edilebilir. **Gradio ucretsiz midir?** Kutuphanenin kendisi ucretsiz ve acik kaynaktir. Hugging Face Spaces ucretsiz katman sunar; GPU gerektiren veya ozel uygulamalar icin ucretli katmanlar mevcuttur. **Gradio hangi ML cercevelerini destekler?** TensorFlow, PyTorch, scikit-learn, Hugging Face Transformers ve diger Python tabanli cerceveler desteklenir; Gradio herhangi bir Python fonksiyonunu sarabilir.

arrow_forward account_tree

Pipeline (Boru Hattı)

Makine öğrenimi bağlamında pipeline (boru hattı), ham veriden nihai tahmine ya da çıktıya uzanan işlem adımlarının zincirlendiği sistemdir. Her adım bir öncekinin çıktısını girdi olarak alır; veri ön işleme, özellik mühendisliği, model çıkarımı ve son işleme adımları tek bir tutarlı birim olarak kapsüllenir. Bu yapı hem tekrar kullanımı hem de dağıtım tutarlılığını artırır: geliştirme ortamında çalışan pipeline, üretimde de birebir aynı davranışı sergiler. Pipeline'ın en belirgin avantajı, karmaşık iş akışlarını yönetilebilir, test edilebilir ve bağımsız olarak güncellenebilir birimlere bölmesidir. Veri kayması (data drift) veya model bozulması durumunda sorunlu adım izole edilerek hızla müdahale edilebilir. Yeniden üretilebilirlik (reproducibility) açısından pipeline, veri ve model sürümlemesiyle birlikte MLOps'un temel taşını oluşturur. Hugging Face Transformers kütüphanesi, NLP ve bilgisayarlı görü görevleri için yüksek seviyeli pipeline arayüzleri sunar. `pipeline('sentiment-analysis')` gibi tek satırlık çağrılarla tokenizasyon, model çalıştırma ve sonuç son işleme otomatik olarak gerçekleşir. Transformers.js, aynı pipeline API'sini JavaScript'e taşıyarak tarayıcı ve Node.js ortamlarında çalıştırabilir hale getirir. MLOps platformlarında pipeline kavramı daha geniş bir anlam taşır: veri toplama, eğitim, değerlendirme, dağıtım ve izleme adımlarını kapsayan uçtan uca ML yaşam döngüsü iş akışını ifade eder. Kubeflow Pipelines, MLflow ve Apache Airflow bu tür pipeline'ları orkestre etmek için kullanılan platformlardır. CI/CD analojisiyle düşünüldüğünde ML pipeline, yazılım pipeline'ının veri ve model boyutundaki karşılığıdır. Büyük dil modeli (LLM) odaklı pipeline'lar klasik ML pipeline'larından ayrışır. Eğitim aşaması büyük ölçüde yerini RAG (Retrieval-Augmented Generation) entegrasyonuna, araç çağrısına (tool calling) ve prompt mühendisliğine bırakır. Tipik bir üretim RAG pipeline'ı şu adımları sırayla yürütür: belge parçalama → gömme oluşturma → vektör indeksleme → kullanıcı sorgusunu alma → benzerlik araması → bağlam oluşturma → LLM çıkarımı. LangChain ve LlamaIndex bu bileşenleri modüler biçimde sunar.

arrow_forward javascript

Transformers.js (Transformers.js)

Transformers.js, Hugging Face'in Python ekosistemindeki transformers kütüphanesinin tarayıcı ve Node.js ortamlarına taşınmış resmi JavaScript portudur. Kütüphanenin temeli ONNX Runtime Web'e dayanır: Hugging Face Hub'da yayımlanan transformer modelleri ONNX formatına dönüştürülüp WebAssembly veya WebGPU üzerinde çalıştırılır; bu sayede bir arka uç servisi veya API çağrısı olmaksızın makine öğrenimi çıkarımı (inferans) gerçekleştirilebilir. Geleneksel mimaride bir web uygulaması makine öğrenimi tahmini için Python tabanlı bir sunucuya istek atmak zorundadır. Transformers.js bu paradigmayı tersine çevirir: model tarayıcıya bir kez indirilir, sonraki tahminler tamamen istemci tarafında yapılır. Ağ gecikmesi ortadan kalkar, kullanıcı verisi hiçbir zaman sunucuya ulaşmaz ve uygulama çevrimdışı da çalışabilir. Kütüphane pipeline() arayüzüyle Python versiyonuna yakın bir sözdizimi sunar: pipeline('sentiment-analysis'), pipeline('text-generation'), pipeline('automatic-speech-recognition') gibi çağrılar tarayıcıda da aynı şekilde çalışır. Desteklenen görev kategorileri şunlardır: doğal dil işleme (duygu analizi, metin sınıflandırma, adlandırılmış varlık tanıma, özetleme, çeviri, metin üretimi, soru yanıtlama), ses (Whisper ile konuşma tanıma, ses sınıflandırma) ve görüntü (nesne tespiti, görüntü sınıflandırma, OCR, derinlik tahmini, segmentasyon). CLIP tabanlı çok modlu modeller de desteklenir. WebGPU desteği, kütüphanenin 2023'ten itibaren geçirdiği önemli bir dönüşümü temsil eder. Chrome 113+ ile kullanılan WebGPU, CPU'ya kıyasla 5–10 kat hız kazanımı sağlar; kuantize Phi-3 Mini (3,8 milyar parametre) gibi görece büyük modeller bile tarayıcıda çalıştırılabilir hale gelmiştir. Pratik sınırlar şunlardır: tarayıcıda önerilen model boyutu üst sınırı yaklaşık 500 MB'dir; DistilBERT (67 MB) ve DistilWhisper (100 MB) optimize seçeneklerdir. ONNX dönüşümü gerektirdiği için Hub'daki her model doğrudan kullanılamaz; ancak popüler modellerin büyük çoğunluğu onnx alt klasörüyle zaten yayımlanmaktadır. Türkçe desteği de mevcuttur: XLM-R ve çok dilli Whisper modelleriyle Türkçe NLP ve konuşma tanıma tarayıcıda sorunsuz çalıştırılabilmektedir.

arrow_forward