Prezi 案例研究：通过 Hugging Face 专家支持加速机器学习路线图

Prezi 利用 Hugging Face 加速多模态 AI 开发

Prezi 已经整合了 Hugging Face 专家支持计划和 Inference Endpoints，以加速其机器学习路线图，特别是针对 Prezi AI 产品。通过转向更小、更高效的开源模型并利用专家指导，Prezi 正在优化创建结合文本和图像的动态演示文稿。

使用开源模型优化 Prezi AI

Prezi AI 允许用户根据提示和描述生成草稿演示文稿。虽然系统最初依赖封闭模型和各种资产提供商服务，但 Hugging Face 的专家指导的整合带来了若干技术优化：

• 实现重新排序器： 为了改进用于寻找适合演示文稿的图像和文本的搜索系统，Prezi 添加了一个开源的重新排序模型。这种方法比使用大型语言模型（LLM）完成相同任务更快、更便宜且更有效。
• 多模态集成： Prezi 使用视觉模型、文本模型和视觉语言模型（VLM）相结合，以处理视觉交流本质上的多模态特性。
• 模型选择： 专家支持计划帮助 Prezi 的工程团队（并非专门的机器学习工程师）在大量新模型发布中筛选出真正有用而非仅仅炒作的模型。

通过 Inference Endpoints 的部署与基础设施

Prezi 使用 Hugging Face Inference Endpoints 来管理其机器学习模型的部署。提到的关键技术优势包括：

• 零配置部署： Endpoint Model Catalog 提供了一个经过策划的模型列表，这些模型可直接与 Inference Endpoints 配合使用，无需手动配置。
• 成本管理： 能够在端点几分钟无活动后将其设置为“休眠”，从而防止不必要的开支。
• 硬件支持： 平台支持单卡和四卡 A100 实例，这对于更大的模型是必需的。
• 版本控制： Prezi 可以通过单击一次部署最新模型版本，或使用 Git 哈希回滚到先前版本，这一工作流被描述为比 AWS 上的类似流程更方便。

专家支持计划的影响

对于没有专职机器学习工程师的团队，专家支持计划提供了通向生产就绪 AI 的桥梁。Prezi 利用这一合作获取最佳实践和特定任务的最先进模型，包括：

• 嵌入与重新排序： 优化资产检索方式。
• 目标检测： 改进视觉资产管理。
• 微调： 学习如何微调新的视觉语言模型并策划所需数据。

如 Prezi 的后端工程师 Máté Börcsök 所述：

"我们的专家指导我们专注于正确的工作，分享嵌入、重新排序和目标检测的最佳实践和最先进模型，并向我们展示如何微调新的视觉语言模型以及如何收集和策划数据。"