Hugging Face bukan sekadar gudang model: tiga bagiannya sering tertukar

Hugging Face Hub adalah platform kolaborasi untuk menemukan, membagikan, mendokumentasikan, dan mendemonstrasikan aset pembelajaran mesin. Tiga bagian yang paling mudah tertukar ialah Models, Datasets, dan Spaces: ketiganya berada di Hub, tetapi menyimpan objek dan melayani kebutuhan yang berbeda.

Models berisi artefak model, Datasets menampung data, sedangkan Spaces menjalankan aplikasi demo. Pemisahan ini penting karena tampilan demo bukan model itu sendiri, halaman dataset tidak menjalankan inferensi, dan keberadaan sebuah artefak di Hub tidak otomatis menjamin kecocokan teknis, izin penggunaan, atau keamanannya.

Peta tiga bagian di Hugging Face Hub

Dokumentasi Hugging Face Hub menyebut Models, Datasets, dan Spaces sebagai kategori yang dapat ditemukan di dalam repositori berbasis Git; Hub juga menyediakan versioning, riwayat commit, diff, dan branch. Karena itu, Hub lebih tepat dipahami sebagai platform kolaborasi dan pengelolaan versi untuk aset AI, bukan katalog unduhan statis.

• Models dipakai ketika proyek membutuhkan bobot, konfigurasi, tokenizer, kode, atau berkas lain yang membentuk model.
• Datasets dipakai untuk mencari data pelatihan, fine-tuning, evaluasi, atau analisis.
• Spaces dipakai untuk meng-host aplikasi yang mendemonstrasikan model atau alur pembelajaran mesin melalui antarmuka yang dapat dicoba.

Satu proyek dapat menghubungkan ketiganya tanpa menyatukan fungsi mereka. Sebagai contoh bersyarat, model klasifikasi dapat dilatih menggunakan suatu dataset, kemudian dipanggil oleh aplikasi di Space. Model tetap merupakan artefak komputasi, dataset tetap sumber data, dan Space tetap lapisan aplikasi.

Models: artefak yang menjalankan kemampuan AI

Bagian Models digunakan untuk menemukan model menurut tugas, bahasa, pustaka, dan atribut lain. Isi repositorinya berbeda-beda: sebagian menyediakan bobot, konfigurasi, tokenizer, kode, dan dokumentasi lengkap, sedangkan sebagian lainnya mungkin hanya cocok dengan pustaka atau alur eksekusi tertentu.

Sebelum memilih model, cocokkan tugas, bahasa, format berkas, pustaka, serta kebutuhan komputasinya dengan proyek. Popularitas dan keluaran yang tampak meyakinkan pada sebuah demo belum membuktikan bahwa model tersebut cocok untuk produksi, perangkat lokal, atau masukan berbahasa Indonesia.

Panduan model card Hugging Face menjelaskan bahwa model card merupakan README dengan metadata dan seharusnya memuat tujuan penggunaan, keterbatasan, bias, informasi pelatihan, dataset yang digunakan, serta hasil evaluasi; metadatanya juga dapat menampilkan lisensi. Periksa informasi tersebut bersama daftar berkas sebelum mengunduh atau mengintegrasikan model.

Model card adalah dokumentasi yang disediakan pengelola repositori, bukan sertifikat bahwa model aman atau sesuai untuk semua tujuan. Jika lisensi, asal model, keterbatasan, atau petunjuk pemakaian tidak tersedia, jangan mengisi kekosongan itu dengan asumsi. Perhatikan pula apakah pemakaian mengharuskan Anda menjalankan kode dari repositori, bukan hanya memuat bobot dan konfigurasi.

Datasets: sumber data, bukan hasil atau mesin AI

Dataset berisi rekaman data, misalnya pasangan pertanyaan dan jawaban, dokumen teks, gambar berlabel, atau transkripsi audio. Data tersebut dapat dipakai untuk pelatihan, fine-tuning, evaluasi, dan eksplorasi. Membuka repositori dataset atau melihat pratinjau rekamannya tidak berarti sebuah model sedang dijalankan.

Dataset card memberi konteks untuk menilai data sebelum dipakai. Informasi yang relevan mencakup sumber dan proses pengumpulan, struktur kolom, pembagian data, bahasa, lisensi, potensi bias, keberadaan data sensitif, dan penggunaan yang dimaksudkan. Dua dataset bertopik sama dapat berbeda dalam cakupan populasi, mutu label, hak penggunaan, dan risiko privasi.

Metadata model dapat menautkan dataset yang digunakan dalam pelatihan. Tautan itu membantu penelusuran asal data, tetapi tidak membuktikan bahwa seluruh perilaku model berasal dari satu dataset. Model bisa melewati beberapa tahap prapelatihan, fine-tuning, penyaringan, atau evaluasi; hubungan lengkapnya perlu dibaca dari dokumentasi masing-masing repositori.

Spaces: aplikasi demo, bukan model yang berdiri sendiri

Space adalah repositori aplikasi untuk membuat proyek pembelajaran mesin dapat dicoba melalui antarmuka. Dokumentasi Hugging Face Spaces menyatakan bahwa aplikasi demo dapat di-host pada profil pengguna atau organisasi dengan dukungan Gradio, Docker, serta Space statis berbasis JavaScript dan HTML.

Sebuah Space dapat memanggil satu model, beberapa model, atau layanan eksternal. Kode aplikasinya juga bisa menambahkan prapemrosesan, prompt, aturan moderasi, nilai bawaan, dan pemformatan keluaran. Hasil pada layar karena itu merupakan keluaran dari keseluruhan aplikasi, bukan selalu respons mentah satu repositori model.

Nama Space yang menyerupai nama model tidak menjamin keduanya memiliki perilaku identik. Untuk mengetahui apa yang sebenarnya berjalan, periksa berkas aplikasi dan konfigurasinya, lalu identifikasi model atau endpoint yang dipanggil. Space berguna untuk memahami pengalaman interaksi dan bentuk keluaran, tetapi evaluasi model tetap harus dilakukan pada data serta lingkungan yang sesuai dengan penggunaan sasaran.

Mengapa repositori Git mengubah cara membaca Hub

Repositori Git memberi Models, Datasets, dan Spaces riwayat perubahan. Revisi dokumentasi, penggantian bobot, pembaruan data, atau perubahan kode aplikasi dapat tercatat pada commit berbeda. Nama pemilik dan repositori saja karena itu belum selalu cukup untuk mengidentifikasi artefak yang digunakan dalam eksperimen.

Jika hasil harus dapat direproduksi, catat revision atau commit bersama identitas repositori. Branch utama dapat berubah setelah integrasi dibuat, sedangkan commit tertentu menunjuk keadaan berkas yang lebih spesifik. Riwayat perubahan juga membantu membedakan pembaruan dokumentasi dari perubahan yang menyentuh data, bobot, konfigurasi, atau kode.

Kontrol versi tidak menentukan hak penggunaan. Repositori yang dapat dilihat atau diunduh tetap harus digunakan sesuai lisensi dan ketentuan yang berlaku. Demikian pula, visibilitas publik tidak menghilangkan kebutuhan untuk memeriksa data sensitif atau risiko menjalankan kode yang belum ditinjau.

Alur dari memilih model sampai memeriksa demo

Untuk proyek klasifikasi teks berbahasa Indonesia, pencarian sebaiknya dimulai dari kebutuhan teknis, bukan dari Space yang paling menarik. Urutan berikut menghubungkan ketiga bagian tanpa mencampuradukkan fungsinya:

1. Cari repositori di Models berdasarkan tugas dan bahasa, kemudian cocokkan format model dengan pustaka serta sumber daya komputasi yang tersedia.
2. Baca model card, lisensi, keterbatasan, evaluasi, base model, dan daftar berkas. Tentukan revision yang akan digunakan dan periksa apakah model memerlukan kode tambahan.
3. Telusuri dataset yang disebutkan dalam dokumentasi model atau pilih dataset lain untuk evaluasi. Tinjau asal data, skema, lisensi, bias, dan kesesuaiannya dengan pengguna sasaran.
4. Gunakan Space untuk melihat alur interaksi, lalu periksa model atau endpoint yang benar-benar dipanggil sebelum mengaitkan hasil demo dengan suatu model.
5. Evaluasi konfigurasi lengkap pada sampel yang relevan di lingkungan terisolasi sebelum menghubungkannya dengan data atau pengguna nyata.

Peta ringkasnya: Models menjawab artefak komputasi apa yang digunakan, Datasets menjawab data apa yang menjadi bahan atau penguji, dan Spaces menjawab bagaimana kemampuan tersebut diwujudkan dalam aplikasi demo. Memisahkan ketiganya membuat dokumentasi, lisensi, versi, dan hasil demo dapat dinilai pada tempat yang tepat.