Gradio:在真实场景中轻松共享与测试 ML 模型
机器学习
2019-06-07 v1 人机交互
机器学习
摘要
可访问性是机器学习(ML)的一大挑战。典型的 ML 模型由专家构建,且需要专门的硬件/软件以及 ML 经验来进行验证。这使得非技术合作者与终端用户(如医师)难以轻松提供模型开发的反馈并建立对 ML 的信任。可访问性挑战也使协作更加困难,并限制了 ML 研究者接触真实场景中出现的现实数据与情景。为提升可访问性并促进协作,我们开发了一个开源 Python 包 Gradio,它允许研究者为其 ML 模型快速生成可视化界面。Gradio 使访问任意 ML 模型变得如同分享一个 URL 般简单。我们对 Gradio 的开发基于与若干参与跨学科协作的机器学习研究者的访谈。他们的反馈指出 Gradio 应支持多种界面与框架、允许轻松分享界面、允许领域专家进行输入操作与交互式推理,以及允许将界面嵌入 iPython 笔记本。我们开发了这些功能,并通过案例研究来理解 Gradio 在研究者与心脏科医生之间机器学习协作环境中的有用性与易用性。
引用
@article{arxiv.1906.02569,
title = {Gradio: Hassle-Free Sharing and Testing of ML Models in the Wild},
author = {Abubakar Abid and Ali Abdalla and Ali Abid and Dawood Khan and Abdulrahman Alfozan and James Zou},
journal= {arXiv preprint arXiv:1906.02569},
year = {2019}
}
备注
Presented at 2019 ICML Workshop on Human in the Loop Learning (HILL 2019), Long Beach, USA