Mulai Hugging Face di Colab Tanpa Instalasi Lokal

Cara paling langsung mencoba Hugging Face tanpa memasang AI di komputer adalah menjalankan notebook Google Colab, memasang pustaka di runtime, lalu memuat model pralatih dengan pipeline. FAQ resmi Google Colab menjelaskan bahwa layanan ini tidak memerlukan penyiapan lokal dan menjalankan kode di mesin virtual; notebook dan runtime tersebut tetap berbeda dari penyimpanan lokal komputer.

Dalam satu notebook, alurnya adalah membuat akun, menyiapkan dependensi, memilih model publik yang sesuai, menjalankan inferensi, memeriksa hasil, lalu menghapus runtime. Contoh di bawah memakai model klasifikasi sentimen bahasa Inggris yang relatif sederhana, bukan model generatif besar atau sistem AI yang dipasang permanen.

Kenali bagian Hugging Face yang dipakai

Hugging Face Hub menampung repositori model, dataset, dan Spaces. Transformers adalah pustaka Python yang akan dipasang di Colab untuk memuat model pralatih dan menjalankan inferensi; Hub adalah tempat model ditemukan, bukan pustaka yang dieksekusi.

Datasets membantu mengambil dan mengolah kumpulan data, sedangkan Spaces menyediakan aplikasi demo yang dapat dibuka melalui peramban. Membuka Space berarti memakai aplikasi yang telah disiapkan pembuatnya; menjalankan pipeline berarti pembaca sendiri menentukan model, input, dan kode inferensi. Penjelasan tentang fungsi Models, Datasets, dan Spaces berguna jika perbedaan ini masih membingungkan.

Percobaan ini hanya memerlukan Hub sebagai asal model dan Transformers sebagai alat inferensi. Datasets belum dibutuhkan karena input ditulis langsung, sedangkan Spaces tidak dipakai karena tujuan latihan adalah memahami alur kode.

1. Buat akun dan notebook Colab

Buat akun Hugging Face, lalu masuk dan selesaikan verifikasi yang diminta.
Buka Google Colab dengan akun Google dan buat notebook baru.
Beri nama yang mudah dikenali, misalnya “percobaan-hugging-face”.
Gunakan runtime CPU untuk contoh klasifikasi teks ini. Tidak perlu memilih GPU sebelum tugas atau ukuran model memang menuntutnya.

Token akses menghubungkan notebook dengan akun Hugging Face. Untuk repositori privat atau gated, akses tetap bergantung pada izin akun; gunakan token baca atau token dengan cakupan sekecil yang diperlukan. Jangan menuliskan token langsung di sel, keluaran notebook, atau berkas yang akan dibagikan.

Jika autentikasi diperlukan, jalankan from huggingface_hub import notebook_login, kemudian notebook_login(), dan masukkan token pada kotak yang muncul. Untuk model publik dalam contoh ini, mulailah tanpa sel login; tambahkan autentikasi hanya jika layanan benar-benar memintanya.

2. Pasang dependensi di runtime

Buat sel pertama berisi !pip install -U torch transformers, lalu jalankan. Tanda seru membuat Colab menjalankan perintah sistem, sedangkan opsi -U meminta pip memasang versi terbaru yang tersedia bagi lingkungan tersebut.

Quickstart resmi Transformers saat ini menempatkan pemasangan PyTorch sebelum Transformers, memperlihatkan autentikasi notebook dengan token, dan menjelaskan Pipeline sebagai antarmuka praktis untuk inferensi model pralatih. Karena itu, memasang kedua paket secara eksplisit membuat notebook tidak bergantung pada anggapan bahwa backend pembelajaran mesin tertentu sudah tersedia.

Setelah instalasi selesai, jalankan import torch dan import transformers dalam sel baru. Jika Colab meminta runtime dimulai ulang setelah dependensi berubah, lakukan restart, lalu jalankan kembali sel dari atas.

Paket dipasang pada mesin virtual Colab, bukan pada sistem operasi komputer. Simpan sel instalasi di notebook karena pustaka yang ditambahkan ke runtime tidak ikut dibagikan bersama mesin virtual dan mungkin perlu dipasang lagi pada sesi baru.

3. Pilih model dan periksa Model Card

Gunakan model publik dengan tugas dan bahasa yang jelas. Contoh ini memakai distilbert/distilbert-base-uncased-finetuned-sst-2-english. halaman resmi model DistilBERT tersebut menandainya sebagai model klasifikasi teks berbahasa Inggris berlisensi Apache-2.0 dan menyediakan contoh pemuatan melalui pipeline Transformers.

Sebelum mengganti model, buka Model Card repositorinya. Cocokkan tugas dan bahasa dengan input, baca penggunaan yang dimaksud serta keterbatasannya, periksa lisensi, dan lihat apakah aksesnya gated. Model yang tampil di Hub juga belum tentu sesuai dengan memori runtime yang tersedia.

Lisensi model harus diperiksa secara terpisah dari lisensi pustaka Transformers. Jangan menganggap semua model di Hub memiliki izin penggunaan yang sama, terutama bila hasilnya akan dimasukkan ke produk atau pekerjaan komersial.

4. Jalankan pipeline inferensi

Buat sel baru berisi from transformers import pipeline. Pada baris berikutnya, masukkan classifier = pipeline("sentiment-analysis", model="distilbert/distilbert-base-uncased-finetuned-sst-2-english"), kemudian jalankan sel tersebut. Transformers akan mengambil berkas yang dibutuhkan dan menyimpannya dalam cache runtime.

Setelah model selesai dimuat, jalankan classifier("This tutorial is easy to follow."). Keluaran berisi label sentimen dan skor untuk kalimat itu. Skor tersebut adalah prediksi model, bukan ukuran kebenaran universal atau bukti bahwa model cocok untuk teks bahasa Indonesia.

Ubah kalimat bahasa Inggris pada sel terakhir untuk memastikan pipeline menerima input baru. Jika ingin mencoba bahasa Indonesia, pilih model yang Model Card-nya memang menyebut dukungan bahasa dan tugas yang diperlukan; mengganti teks saja tidak mengubah kemampuan model contoh.

Jika muncul galat akses, periksa status gated dan izin token. Jika runtime kehabisan memori, mulai ulang runtime atau pilih model yang lebih kecil; mengaktifkan GPU tidak menjamin kapasitas memori yang cukup. Bila impor gagal setelah instalasi, restart runtime dan jalankan sel secara berurutan dari awal.

5. Simpan notebook dan hapus runtime

Simpan notebook dengan urutan sel instalasi, impor, pembuatan pipeline, dan inferensi. Jangan menyimpan token sebagai teks biasa. Saat notebook dibuka pada sesi lain, jalankan kembali sel dari atas karena runtime sebelumnya beserta paket dan cache-nya mungkin sudah tidak tersedia.

Setelah percobaan selesai, pilih Runtime, kemudian Disconnect and delete runtime. Tindakan ini mengembalikan mesin virtual terkelola ke keadaan awal; menghapus runtime bukan berarti menghapus notebook yang tersimpan di Google Drive.

Alur tersebut sudah memisahkan empat konsep utama: Hub menyediakan repositori, Transformers menjalankan model melalui kode, Datasets mengelola data, dan Spaces menyajikan aplikasi demo. Untuk percobaan berikutnya, pertahankan struktur notebook yang sama dan ganti hanya model serta input setelah memeriksa Model Card.

Hugging Face untuk pemula: mulai di Colab tanpa memasang AI lokal