Hugging Face 私有 Hub 介绍

Hugging Face 已推出 Private Hub（现已重新命名为 Enterprise Hub），为组织提供一个安全且合规的生态系统，用于构建、协作和部署机器学习（ML）模型。该平台旨在通过统一 ML 生命周期来解决行业常见瓶颈——如重复工作、非标准工作流以及将模型从研究转向生产的困难——从而在同一地点实现这些目标。

Private Hub 生态系统

Private Hub 允许公司在私有环境中使用完整的 Hugging Face 生态系统。这确保了敏感数据和模型保留在公司自己的服务器上，同时利用以下核心组件：

核心资产

  • Models：访问跨多个领域（NLP、计算机视觉、语音等）的最先进预训练模型，可通过迁移学习针对特定用例进行微调。
  • Datasets：为专有数据集提供托管，并配备高效的数据操作和查看工具。
  • Spaces：一个用于构建和托管交互式 ML 演示应用的框架，可向利益相关者展示工作并收集早期反馈。

集成工具

  • AutoTrain：一种无代码 AutoML 解决方案，可自动微调、评估和部署模型。
  • Evaluate：一个工具，可在任意数据集上使用多种指标评估模型，无需编写代码。
  • Inference API：一个系统，通过简单的 API 调用部署私有模型进行推理，免除手动 Docker 或 Kubernetes 管理的需求。
  • Collaboration Tools：基于 Git 的仓库，支持拉取请求和讨论，以促进代码审查和版本控制。

部署选项

为满足不同的安全和合规需求，Hugging Face 为 Private Hub 提供了三种部署模型：

  1. Managed Private Hub (SaaS)：托管在 Hugging Face 拥有的隔离虚拟私有服务器（VPC）中，消除基础设施管理负担。
  2. On-cloud Private Hub：部署在客户自己的云账户（AWS、Azure 或 GCP）中，提供对基础设施的完整管理权限。
  3. On-prem Private Hub：部署在客户自有的物理基础设施上，适用于合规要求最严格的情况。注意：截至 2023 年 6 月，随着向 Enterprise Hub 的转型，已停止提供本地部署。

加速 ML 路线图：实用工作流

Hugging Face 通过金融分析师报告分析的使用案例展示了 Private Hub 的价值，演示了从研究到生产的流畅转化：

1. 快速模型开发

团队无需从头训练模型，而是可以将预训练模型（例如 FinBERT）克隆到 Private Hub 中，并使用自定义的专有数据集进行微调。通过使用 AutoTrain，团队可以自动训练并比较多个候选模型（例如 25 种不同版本），根据指标和 Inference Widget 识别出表现最佳的模型。

2. 利益相关者验证

使用 Spaces，团队可以在几分钟内构建交互式演示应用（例如约 51 行代码），以向业务利益相关者验证最小可行产品（MVP），从而基于真实反馈实现更快的迭代。

3. 生产规模化

模型经合规团队通过模型卡批准后，可使用 Inference API 部署到生产环境。这使团队能够通过简单的 HTTP 请求（约 12 行代码）在大规模和实时情况下进行推理，绕过 MLOps 基础设施管理的复杂性。

向 Enterprise Hub 迁移

截至 2023 年 6 月，Private Hub 已更名为 Enterprise Hub。该托管解决方案将 SaaS 的便利性与企业安全相结合，提供高级用户管理、单点登录（SSO），并能够在包括云端和本地在内的多种计算选项上部署诸如 Inference Endpoints 等服务。

Sources