Tujuan Pembelajaran
Setelah mengikuti pertemuan ini, mahasiswa diharapkan mampu menerapkan konsep dan keterampilan berikut secara mandiri.
- Memahami bidang Natural Language Processing.
- Menggunakan pipeline Hugging Face untuk model siap pakai.
- Membuat antarmuka interaktif dengan Gradio.
- Menerapkan NLP untuk sentimen dan ringkasan teks.
NLP membuat komputer memahami dan menghasilkan bahasa manusia, mencakup analisis sentimen, penerjemahan, peringkasan, dan jawaban pertanyaan. Model bahasa modern dilatih pada miliaran kata sehingga dapat langsung dipakai untuk banyak tugas tanpa perlu melatih dari awal.Menjelaskan bahwa model bahasa modern dilatih pada miliaran kata sehingga bisa langsung dipakai untuk berbagai tugas, menghemat waktu pelatihan yang sangat besar.
Pipeline Hugging Face
Hugging Face menyediakan ribuan model terlatih yang diakses lewat fungsi pipeline. Cukup menulis nama tugas seperti sentiment-analysis atau summarization, dan library menangani pemuatan model beserta tokenizernya secara otomatis.Menekankan bahwa Hugging Face menyatukan model, tokenizer, dan alur latihan dalam satu ekosistem. Dengan sedikit kode, seorang pemula pun dapat mewujudkan aplikasi NLP yang dahulu butuh tim peneliti.
from transformers import pipeline
classifier = pipeline("sentiment-analysis")
hasil = classifier("Produk ini sangat bagus dan harganya terjangkau")
print(hasil)Contoh lain, pipeline summarization memuat model teks-ke-teks yang meringkas paragraf panjang menjadi ringkasan sesuai panjang yang diminta.
summarizer = pipeline("summarization", model="facebook/bart-large-cnn")
te = "AI adalah bidang ilmu komputer yang memungkinkan mesin belajar dari data..."
print(summarizer(te, max_length=30, min_length=10)[0]["summary_text"])Antarmuka dengan Gradio
Gradio mengubah fungsi Python menjadi aplikasi web dalam beberapa baris, ideal untuk mendemo model ke pengguna tanpa membangun server lengkap. Antarmuka berupa input dan output yang ditentukan, lalu launch membuka halamannya di browser.
import gradio as gr
def prediksi(teks):
return classifier(teks)[0]
demo = gr.Interface(
fn=prediksi,
inputs="text",
outputs="json",
title="Analisis Sentimen"
)
demo.launch()Langkah Praktik
Unduhan model pertama mungkin memakan waktu karena memuat parameter dari internet; lakukan sekali dan model akan tersimpan di cache.
- Instal library transformers dan gradio dengan pip.
- Buat pipeline analisis sentimen lalu uji tiga kalimat.
- Buat fungsi mengembalikan label sentimen untuk input teks.
- Bungkus fungsi ke antarmuka gradio dan jalankan di browser.
- Ganti tugas menjadi summarization dan uji dengan teks panjang.
Uji pipeline dengan kalimat bernada positif, negatif, dan netral agar Anda percaya diri dengan hasil yang konsisten.
Latihan
Manfaatkan latihan untuk menjelajahi model-model lain di Hugging Face dan hubungkan dengan tugas NLP yang berbeda.
- Sebutkan tiga tugas NLP beserta contoh penerapannya.
- Apa keuntungan model terlatih Hugging Face dibanding melatih dari nol?
- Buat antarmuka gradio untuk satu tugas klasifikasi teks lalu dokumentasikan.