hugging face(작성중)

[2201042 장성진]

1. hugging face

Hugging Face는 전 세계 AI 연구자와 개발자가 사용하는 오픈소스 AI 생태계 플랫폼으로 GitHub와 같이 AI 모델, 데이터셋, 데모를 코드처럼  한 곳에서 공유, 관리가 가능하도록 한다.

Hugging Face 생태계의 핵심 도구

    transformers : 사전학습 모델 호출 함수

    datasets : 공개 데이터셋 로딩 함수

    gradio : 웹 데모 제작 함수

    Hub : 저장, 모델 버전관리, 공개 플랫폼

Hub의 3대 구성 요소

    Model : 사전학습 또는 미세조정한 AI 모델을 올려놓는 곳으로 간단한 명령어 코드를 이용해 다운로드 또는 API 호출로
         모델을 그대로 받아서 내 컴퓨터에서 쓸 수 있다

    Dataset : 공개 데이터의 표준 저장소로, 모델을 학습시키거나 성능을 테스트할 때 쓰는 데이터 묶음을 올려놓은 곳으로
         마찬가지로 간단한 명령어 코드로 바로 받아서 쓸 수 있다. 또한, 학습, 검증, 테스트 셋 분리, 버전 관리,
         스트리밍 로딩이 가능하고, 데이터 전처리 과정 없이 바로 사용 가능하다.

    Space : 다른 사람이 공유한 AI 모델을 직접 설치, 다운로드 없이 웹페이지에서 클릭만으로 체험해볼 수 있게 만든 데모 페이지로,
         AI 모델을 Gradio / Streamlit 기반의 웹 앱 형태로 시각화하여 비개발자도 즉시 체험 가능하다 

Gradio vs Streamlit

    Gradio : 함수의 입력·출력을 컴포넌트에 자동 매핑하여 AI 모델 데모에 특화되어 Image, Audio, Chatbot 등 ML 전용 컴포넌트를
         기본 제공하며, Hugging Face Spaces와의 통합이 가장 매끄럽다.

    Streamlit : 위젯을 코드로 직접 배치하는 방식으로 데이터 앱·대시보드에 특화. 사이드바, 탭, 멀티페이지 구성이 자유로워
         복잡한 데이터 탐색·시각화 도구를 만들기 좋다.

Model Hub에서 모델 검색

    모델 선택은 Task(작업의 종류)와 Language(언어) 두 축을 함께 고려해야 한다. 보편적으로 모델명은 아키텍처 -> 크기 -> 옵션
    순으로 작성하여 업로드하는 것에 반해, 저자마다 다른 경우가 있어 이름만 보고 완벽하게 유추하기 어려운 경우도 많아
    이름은 힌트일 뿐, 실제 동작은 모델 카드나 위젯으로 직접 확인해야 한다.

Model Card = 모델의 이력서

    Model Card의 주요 항목)

         Model Description : 모델의 구조(architecture), 사전학습 방식, 의도된 용도(intended use)를 명시한 항목이다.

         Training Data : 어떤 corpus(텍스트 데이터셋)로 사전학습 됐는지 나오는 항목. 도메인이 실제 적용하려는 도메인과 다르면
              성능이 급격히 떨어질 수 있고, corpus 자체에 내재된 bias(편향)는 그대로 모델에 학습돼서 출력에 반영된다.

         Usage : 해당 ai 모델의 코드 예제 제공 여부

         Limitations : 모델의 한계점이나 알려진 편향(bias)을 적어놓은 부분으로, 취약점이나 주의사항 등이 담긴다.

         License : 상업적 사용 가능 여부

    앞의 세 개(Description, Training Data, Usage)는 이 모델을 어떻게 잘 쓸 것인가에 대한 정보이고 뒤의
    두 개 (Limitations, License)는 이 모델을 써도 안전한가에 대한 정보이다.

2. hugging face 라이브러리를 사용하여 LeRobot ARM 101 로봇의 학습 및 추론이 가능한가?

3. hugging face에 다중 로봇 협력 task에 관련된 정보가 있는가?

4. hugging face에 사용할 수 있는 manipulator관련 모델이 뭐가 있는가?

4.1 이 중에서 어떤 모델의 분류가 어떻게 되나?(transformer, VLM, VLA)

5. 모델을 어떻게 fine-tuning 할 수 있는가?

5.1 각 모델에서 fine-tuning 할 때 필요한 게 뭐가 있는지(데이터셋의 형식, LoRA or QLoRA etc)