Hugging Face Transformers 문서 재설계

Hugging Face는 제품 개발자를 더 잘 지원하고 확장성을 향상시키기 위해 Transformers 문서를 재설계하고 있습니다

Hugging Face는 단절되고 점진적으로 성장한 구조에서 통합된 코드‑우선 경험으로 전환하기 위해 Transformers 문서를 포괄적으로 재설계하고 있습니다. 이번 재설계는 머신러닝 연구자와 엔지니어뿐 아니라 AI 제품을 구축하는 개발자를 위한 보다 넓은 대상을 지원하는 것을 목표로 합니다.

제품 개발자 대상에 초점 이동

Transformers 문서는 원래 머신러닝 엔지니어와 연구자를 위해 설계되었습니다. 그러나 AI가 성숙해감에 따라 AI를 제품에 통합하려는 개발자 수가 증가하고 있습니다. Hugging Face는 이러한 사용자들이 문서와 상호작용하는 방식에서 두 가지 주요 차이를 확인했습니다:

• 코드 우선 접근법: 개발자는 일반적으로 특정 솔루션을 검색하고 코드 예제로 시작합니다.
• 맥락적 필요: AI에 익숙하지 않은 개발자는 복잡한 라이브러리에 압도될 수 있습니다; 따라서 코드 예제는 초보자용 머신러닝 개념 설명과 긴밀히 결합되어 완전한 온보딩 경험을 제공해야 합니다.

이를 해결하기 위해 재설계는 솔루션 중심 콘텐츠와 점진적인 학습 경로를 우선시하여 개발자가 기본을 마스터한 후 지식을 단계적으로 향상시킬 수 있도록 합니다.

경직된 프레임워크에서 유기적 성장으로 전환

이전에는 문서가 Diátaxis 프레임워크를 따랐습니다—사용자 요구(학습, 해결, 이해, 참고)를 기반으로 한 시스템입니다. 가이드로 의도되었지만 구현 과정에서 내용이 네 가지 지정된 카테고리로 강제되어 경직된 계획이 되었고, 이는 문서가 자연스럽게 확장되는 것을 방해했습니다.

이러한 경직성은 종종 하나의 주제가 사용자에게 논리적이기보다 구조상 요구되어 여러 섹션으로 나뉘는 결과를 낳았습니다. 재설계는 이 경직성을 유연성으로 대체하여 문서가 내용의 자연스러운 구조에 따라 유기적으로 진화하고 성장하도록 합니다.

세 가지 진화 시대에 걸친 콘텐츠 통합

현재 Transformers 문서의 상태는 AI 개발의 세 가지 뚜렷한 시대에 걸친 점진적인 추가를 "나이테"처럼 반영하고 있습니다:

1. "텍스트만이 아니다" 시대: 컴퓨터 비전, 오디오, 멀티모달 작업 등 다양한 모달리티로 확장되었습니다.
2. 대형 언어 모델(LLM) 시대: 수십억 파라미터를 가진 모델이 등장하면서 프롬프트, 채팅, 파라미터 효율적인 파인튜닝(PEFT) 및 분산 학습과 같은 효율적인 학습 방법 개념이 도입되었습니다.
3. 최적화 시대: 양자화, FlashAttention, 저랭크 적응(LoRA), 키‑값 캐시 최적화 등을 통해 제한된 GPU 자원을 가진 사용자에게 LLM을 민주화하는 데 초점을 맞추었습니다.

이러한 추가가 점진적으로 이루어졌기 때문에 문서는 불균형하고 산만해졌습니다. 재설계는 새로운 콘텐츠가 기존 위에 겹쳐지는 "수정" 모델에서 모든 콘텐츠가 통합된 문서 경험의 고유한 일부로 공존하는 "통합" 모델로 전환하는 것을 목표로 합니다.

SUMMARY: Hugging Face는 제품 개발자를 위해 맞춤화된 코드 우선, 통합된 경험으로 전환하기 위해 경직되고 점진적인 구조에서 Transformers 문서를 재설계하고 있습니다.

TITLE: Hugging Face Transformers 문서 재설계