✷ 아카이브 · 연구소 11곳 · 디스패치 870건
연구소
매일 아침 십여 개의 공식 블로그를 돌아볼 필요가 없습니다. OpenAI, Anthropic, DeepMind 등의 일차 발표를 핵심만 뽑아서.
머신러닝으로 고객 서비스 강화
Hugging Face는 fine-tuned DeBERTa-v3-base 모델과 Transformers 및 Datasets 라이브러리를 사용하여 불만 고객 피드백을 자동으로 필터링하는 방법을 보여줍니다.
Hugging Face 교육 이니셔티브 2022 출시
Hugging Face는 2022년 4월에 다중 트랙 교육 프로그램을 발표했으며, 2023년 말까지 500만 명에게 머신러닝을 가르치는 것을 목표로 학습자, 강사 및 일반 대중을 위한 무료 자원을 제공한다.
Hugging Face Hub 탄소 배출 추적
Hugging Face는 AI의 환경 투명성을 높이기 위해 머신러닝 모델을 CO2 배출량 기준으로 추적, 보고 및 필터링할 수 있는 도구들을 도입했습니다.
Lewis Tunstall 인터뷰 – Hugging Face 머신 러닝 전문가
Hugging Face는 머신 러닝 엔지니어 Lewis Tunstall와의 상세 인터뷰를 발표했으며, 그는 Transformers 라이브러리 작업, 새로운 “NLP with Transformers” 책, 그리고 확장 중인 Hugging Face 코스에 대한 내용을 강조합니다.
Habana Labs와 Hugging Face의 트랜스포머 모델 훈련 파트너십
Habana Labs와 Hugging Face는 Habana의 SynapseAI 소프트웨어 스위트를 Hugging Face Optimum 라이브러리와 통합하여 Habana Gaudi 프로세서에서 트랜스포머 모델 훈련을 가속화했습니다.
Hugging Face Transformers 설계 철학
Hugging Face는 Transformers 라이브러리에서 "single model file" 정책을 사용하여, 가독성, 커뮤니티 기여, 그리고 정적 머신러닝 모델의 안정성을 우선시하기 위해 의도적으로 DRY(중복 방지) 원칙을 포기합니다.
Decision Transformer 통합 in Hugging Face Transformers
Hugging Face는 RL을 조건부 시퀀스 모델링 문제로 다루는 오프라인 강화 학습 방법인 Decision Transformer를 transformers 라이브러리와 Hugging Face Hub에 통합했습니다.
머신러닝 전문가: Margaret Mitchell과의 인터뷰
Dr. Margaret Mitchell은 윤리적 AI, 투명성을 위한 Model Cards의 개발, 그리고 머신러닝 개발에서의 다양성과 포용성의 필요성에 대해 논의합니다.
허깅 페이스 AI 연구 레지던시 프로그램 발표
허깅 페이스는 aspiring researchers가 머신러닝 기술을 개발하고 허깅 페이스 사이언스 팀과 함께 오픈소스 작업을 출판할 수 있도록 설계된 9개월 AI 연구 레지던시 프로그램을 출시했습니다.
커스텀 데이터셋을 활용한 시맨틱 세그멘테이션을 위한 SegFormer 파인튜닝
Hugging Face는 자율 주행 인도 탐색과 같은 커스텀 사용 사례를 위해 Transformers 라이브러리를 사용하여 SegFormer 모델을 파인튜닝하여 픽셀 수준의 이미지 분류를 수행하는 기술 가이드를 제공합니다.
Hugging Face 데이터셋을 사용한 이미지 검색
Hugging Face는 datasets 라이브러리, CLIP 임베딩, FAISS를 결합하여 효율적인 유사도 검색을 위한 이미지 검색 애플리케이션을 구축하는 방법을 보여줍니다.
Hugging Face Transformers와 AWS Inferentia를 사용하여 BERT 추론 가속화하기
Hugging Face는 AWS Inferentia와 Neuron SDK를 사용하여 BERT 추론을 가속화하고 Amazon SageMaker에서 5-6ms의 지연 시간을 달성하는 방법에 대한 가이드를 제공합니다.
Hugging Face Transformers의 Constrained Beam Search를 이용한 텍스트 생성 가이드
Hugging Face는 언어적 일관성을 유지하면서 생성된 텍스트에 특정 단어나 구절을 강제할 수 있도록 Transformers 라이브러리에 constrained beam search를 도입했습니다.
BERT 101: Understanding the Bidirectional Encoder Representations from Transformers
BERT는 Google AI Language에서 개발된 양방향 트랜스포머 기반 모델로, 대규모 데이터셋에서의 비지도 사전 훈련을 활용하여 11개 이상의 일반적인 NLP 작업에서 최첨단 성능을 달성합니다.
비전 트랜스포머(ViT)를 허깅 페이스 트랜스포머로 이미지 분류에 미세 조정하기
허깅 페이스는 데이터셋과 트랜스포머 라이브러리를 사용하여 비전 트랜스포머(ViT) 모델을 이미지 분류에 미세 조정하는 가이드를 제공하며, beans 데이터셋을 통해 과정을 시연합니다.
Python을 이용한 감성 분석 시작하기
Hugging Face는 Hugging Face Hub의 사전 학습된 모델, 미세 조정을 위한 Trainer API, 그리고 노코드 도구인 AutoNLP를 활용하여 Python을 이용한 감성 분석 구현에 대한 종합적인 가이드를 제공합니다.
Transformers의 Wav2Vec2를 이용한 대용량 파일용 자동 음성 인식
Hugging Face는 Wav2Vec2의 Connectionist Temporal Classification (CTC) 아키텍처를 활용한 스트라이드(striding) 기술을 통해 임의의 길이의 오디오 파일 및 실시간 추론 시 고품질의 ASR을 가능할 수하게 합니다.
Hugging Face Hub Search API 업데이트
Hugging Face는 사용자가 IDE를 벗어나지 않고도 모델과 데이터셋을 쉽게 찾을 수 있도록 ModelSearchArguments 및 ModelFilter를 포함한 새로운 프로그래밍 방식의 검색 기능을 huggingface_hub 라이브러리에 도입했습니다.
Stable-Baselines3 Hugging Face Hub 통합
Hugging Face는 Stable-Baselines3를 통합하여 사용자가 PyTorch Deep Reinforcement Learning 모델을 Hugging Face Hub에서 직접 호스팅, 공유 및 로드할 수 있도록 했습니다.
허깅 페이스 인피니티 CPU 성능 사례 연구
허깅 페이스 인피니티는 Intel Ice Lake Xeon CPU에서 vanilla Transformers에 비해 최대 800% 더 높은 처리량과 밀리초 수준의 지연 시간을 달성하여 CPU 인프라에서 비용 효율적이고 실시간 Transformer 배포를 가능하게 합니다.
Hugging Face Transformers에서 n-gram을 사용한 Wav2Vec2 성능 향상
Hugging Face는 pyctcdecode 라이브러리를 Transformers 라이브러리에 통합하여, Wav2Vec2 모델이 n-gram 언어 모델을 통해 성능을 향상시키고 철자 오류와 단어 오류율(WER)을 크게 줄일 수 있도록 했습니다.
Hugging Face Transformers를 사용하여 Amazon SageMaker에서 GPT-J 6B 배포하기
Hugging Face는 torch.save를 사용하여 EleutherAI의 GPT-J 6B 모델을 Amazon SageMaker에 배포하고 모델 로드 시간을 3분 이상에서 8초 미만으로 단축하는 방법을 제공합니다.
AutoNLP와 Prodigy를 활용한 능동 학습(Active Learning)
Hugging Face는 AutoNLP 자동화 학습 프레임워크와 Prodigy 어노테이션 도구를 결합하여 개체명 인식(NER)을 위한 능동 학습 파이프라인을 구축하는 방법을 보여줍니다.
Hugging Face가 Gradio를 인수하다
Hugging Face는 만들기 쉬운 머신러닝 데모 및 GUI를 자사 생태계에 통합하여 비기술적 사용자들에게 ML 접근성을 확장하기 위해 Gradio를 인수했습니다.
Perceiver IO: 어떤 모달리티에도 적용 가능한 확장 가능한 완전 어텐션 모델
Perceiver IO는 잠재 공간을 사용하여 계산량을 입력 크기와 분리시키는 Transformer 기반 아키텍처로, 텍스트, 이미지, 오디오, 비디오, 포인트 클라우드 등을 2차 스케일링 문제 없이 처리할 수 있습니다.
CodeParrot 처음부터 학습시키기
Hugging Face는 2,000만 개의 Python 파일로 구성된 정제된 데이터셋을 사용하여 Python 코드 자동 완성 기능을 제공하기 위해 처음부터 학습된 GPT-2 기반 모델인 CodeParrot를 소개합니다.
허깅 페이스 스노우볼 파이트 ML-Agents 환경
허깅 페이스는 Unity ML-Agents로 구축되고 허깅 페이스 스페이스에 호스팅된 첫 번째 커스텀 딥 강화 학습 환경인 Snowball Fight 1vs1을 출시했습니다.
Graphcore IPU 통합을 위한 Hugging Face Optimum
Hugging Face는 Transformer 모델의 가속을 위해 Graphcore Intelligence Processing Units(IPU)와 Optimum 라이브러리를 통합했으며, 먼저 최적화된 BERT 구현부터 시작합니다.
Hugging Face Data Measurements Tool
Hugging Face는 개발자가 더욱 책임감 있는 AI 개발을 위해 ML 데이터셋을 분석, 큐레이션 및 비교할 수 있도록 설계된 오픈 소스 Python 라이브러리이자 노코드(no-code) 인터페이스인 Data Measurements Tool을 출시했습니다.
Intel 기술을 활용한 PyTorch 분산 미세 조정 가속화
Hugging Face는 Intel extension for PyTorch와 oneCCL을 사용하여 Intel Xeon Scalable CPU 서버 클러스터에 미세 조정 작업을 분산함으로써 PyTorch 훈련을 가속화하는 방법을 보여줍니다.
저자원 자동 음성 인식(ASR)을 위한 XLS-R 미세 조정
Hugging Face는 Transformers 라이브러리를 사용하여 저자원 자동 음성 인식(ASR)을 위한 교차 언어 음성 표현 모델인 XLS-R을 미세 조정하는 방법에 대한 기술 가이드를 제공합니다.
최신 CPU에서 BERT와 유사한 모델의 추론 확장 - 파트 2
Hugging Face는 Intel Ice Lake Xeon CPU에서 BERT와 유사한 모델을 위한 소프트웨어 수준의 최적화를 탐구하며, 메모리 할당자, 병렬화 라이브러리, 그리고 Bayesian optimization이 어떻게 추론 지연 시간을 크게 줄일 수 있는지 보여줍니다.
Hugging Face 코스 파트 2 및 커뮤니티 이벤트 출시
Hugging Face는 2021년 11월 15일에 기술 발표와 실습 프로젝트가 포함된 커뮤니티 이벤트를 동반하여 Hugging Face 코스 파트 2를 출시했다고 발표했습니다.
대규모 언어 모델: 새로운 무어의 법칙인가?
Hugging Face는 지수적으로 증가하는 모델 크기 추세, 예를 들어 530B 파라미터 Megatron-Turing NLG를 비판하고, 증류 및 파인튜닝과 같은 실용적이고 효율적인 대안을 옹호합니다.
10억 개의 학습 쌍을 사용한 Hugging Face 문장 임베딩 모델
Hugging Face는 JAX/Flax 및 TPU 인프라를 사용하여 최대 10억 개의 문장 쌍을 학습함으로써 최첨단 범용 문장 임베딩 모델을 개발했습니다.
Hugging Face: 머신러닝 as 코드의 시대
허깅 페이스는 MLOps를 채택하고 범용 트랜스포머 아키텍처를 활용하며, 샌드박스 실험보다 프로덕션 배포를 우선시함으로써 머신러닝을 소프트웨어 엔지니어링 분야로 취급하도록 주장한다.
원격 탐사 및 위성 이미지를 위한 CLIP 미세 조정
연구원들은 RSICD 데이터셋과 기타 위성 이미지를 사용하여 OpenAI의 CLIP 모델을 미세 조정함으로써 원격 탐사 응용 분야를 위한 텍스트-이미지 검색 성능을 significantly improve 시켰습니다.
Hugging Face Spaces와 Gradio 통합
Hugging Face는 Gradio를 Spaces에 통합하여, 사용자가 Inference API 또는 커스텀 모델 체크포인트를 사용하여 머신러닝 모델 데모를 쉽게 호스팅하고 선보일 수 있도록 합니다.
Streamlit을 사용하여 Hugging Face Spaces에 모델 및 데이터셋 호스팅하기
Hugging Face Spaces는 Streamlit과 통합되어 사용자가 머신러닝 모델 및 데이터 시각화를 위한 대화형 데모를 빠르게 구축하고 호스팅할 수 있도록 합니다.
Hugging Face Summer 2021 Update
Hugging Face는 ML 데모 호스팅을 위한 Spaces Beta, TensorBoard 통합, 그리고 하드웨어 가속을 위한 Optimum 라이브러리 출시를 포함하여 일련의 Hub enhancements를 발표했습니다.
Hugging Face Optimum 출시
Hugging Face는 다양한 하드웨어 플랫폼에서 프로덕션 성능을 위해 Transformer 모델을 최적화하도록 설계된 오픈 소스 툴킷인 Optimum을 도입했습니다.
Hugging Face와 Graphcore의 IPU-최적화된 Transformer 파트너십
Hugging Face와 Graphcore는 하드웨어 파트너 프로그램과 Optimum 라이브러리를 통해 Intelligence Processing Units(IPU)를 Hugging Face 생태계에 통합하여 Transformer 모델 배포를 가속화했습니다.
Hugging Face DeDLOC: 인터넷을 통한 언어 모델의 협업 학습
Hugging Face는 다양한 네트워크 및 하드웨어 제약 조건에 적응하여 자원봉사자들이 인터넷을 통해 협업하여 대규모 언어 모델을 사전 학습할 수 있게 하는 분산 학습 방법인 DeDLOC를 소개합니다.
spaCy Hugging Face Hub 통합
Hugging Face는 spaCy를 Hugging Face Hub에 통합하여 사용자가 통합 플랫폼을 통해 spaCy 파이프라인을 공유, 발견 및 배포할 수 있도록 했습니다.
Amazon SageMaker로 Hugging Face 모델을 쉽게 배포하기
Hugging Face와 Amazon SageMaker는 새로운 Inference Deep Learning Containers(DLCs)와 Inference Toolkit을 도입하여 Transformer 모델을 프로덕션 수준의 엔드포인트에 배포하는 과정을 간소화했습니다.
Hugging Face Hub에서의 Sentence Transformers 통합
Hugging Face는 Sentence Transformers를 Hub에 통합하여 100개 이상의 언어에 대해 90개 이상의 사전 학습된 모델과 특징 추출 및 문장 유사도를 위한 새로운 대화형 위젯을 제공합니다.
Few-Shot Learning with GPT-Neo and Hugging Face Accelerated Inference API
Hugging Face는 오픈소스 GPT‑Neo 모델과 Accelerated Inference API를 활용한 few‑shot learning 적용 사례를 탐구하여, 방대한 라벨링 데이터 없이도 작업 일반화를 가능하게 합니다.
Gradio 2.0를 사용한 Hugging Face 모델 활용 및 혼합
Gradio 2.0을 사용하면 머신러닝 개발자가 단 한 줄의 코드로 Hugging Face 모델을 GUI로 로드하고 배포할 수 있으며, 병렬 및 직렬 모델 구성을 모두 지원합니다.
CPU에서 BERT 추론 확장하기 (Part 1)
Hugging Face는 현대적인 CPU에서 BERT 추론을 위한 하드웨어 수준의 최적화를 탐구하며, NUMA 인지 친화성을 통해 특정 물리적 코어에 바인딩된 여러 독립적인 모델 인스턴스를 사용함으로써 처리량을 선형적으로 확장할 수 있음을 보여줍니다.
Hugging Face Accelerate 라이브러리 출시
Hugging Face는 사용자가 보일러플레이트 코드를 다시 작성하지 않고도 멀티 GPU 및 TPU를 포함한 모든 디바이스 구성에서 원본 학습 스크립트를 실행할 수 있게 해주는 PyTorch 라이브러리인 Accelerate를 출시했습니다.