كيف تختلف عملية النشر عند استخدام دلو S3 الخاص مقابل مركز الوجه المعانقة

النشر باستخدام مركز الوجه المعانقة

ينطوي نشر النماذج مباشرة من مركز الوجه المعانقة على الوصول إلى النماذج عبر الإنترنت. هنا كيف يعمل عادة:

1. اختيار النموذج: يمكنك تحديد النموذج المطلوب من مركز Hugging Face ، الذي يستضيف مجموعة واسعة من النماذج التي تم تدريبها مسبقًا.
2. تكوين النشر: يمكنك تكوين بيئة النشر الخاصة بك ، مثل اختيار نوع المثيل المناسب وإعداد البنية التحتية اللازمة (على سبيل المثال ، Azure Machine Learning أو Amazon Sagemaker).
3. تنزيل النموذج: أثناء النشر ، يتم تنزيل النموذج من مركز Hugging Face إلى بيئة النشر الخاصة بك. قد تقدم هذه الخطوة زمن انتقال وتتطلب اتصال بالإنترنت.
4. اعتبارات الأمان: نظرًا لأن النماذج يتم الوصول إليها عبر الإنترنت ، فقد تكون هناك مخاوف أمنية تتعلق بخصوصية البيانات والامتثال لها.

النشر باستخدام دلو S3 خاص

يوفر نشر نماذج من دلو S3 الخاص الأمان والتحكم المعزز في عملية النشر:

1. إعداد النموذج: يمكنك أولاً تنزيل الأوزان النموذجية من مركز Hugging Face وتحميلها على دلو S3 الخاص. تسمح هذه الخطوة بمسح الضعف وتضمن تخزين النموذج بشكل آمن ضمن حساب AWS الخاص بك.
2. تكوين النشر: تقوم بتكوين بيئة النشر الخاصة بك على غرار استخدام مركز الوجه المعانقة ، لكنك تحدد مسار دلو S3 كمصدر النموذج.
3. استرجاع النموذج: أثناء النشر ، يتم استرداد النموذج من دلو S3 الخاص بك ، مما يقلل من الكمون حيث يتم تخزين النموذج بالقرب من بيئة النشر الخاصة بك (على سبيل المثال ، Amazon Sagemaker).
4. الأمن والامتثال: يعزز هذا النهج الأمان عن طريق الحفاظ على أوزان النموذج ضمن حساب AWS الخاص بك ، مما يتيح التحكم بشكل أفضل في الوصول والامتثال للسياسات التنظيمية.

باختصار ، يوفر استخدام دلو S3 الخاص مزيدًا من التحكم في تخزين النماذج ونشرها ، ويعزز الأمن ، ويقلل من زمن الوصول مقارنة بالنشر مباشرة من مركز الوجه المعانقة. ومع ذلك ، فإنه يتطلب خطوات إضافية لتحميل النماذج إلى دلو S3 قبل النشر [3].

الاستشهادات:
[1] https://support.atlassian.com/bitbucket-cloud/docs/deploy-to-aws-with-s3/
[2] https://learn.microsoft.com/en-us/azure/machine-learning/how-to-deploy-models-from-huggingface؟view=azureml-api-2
[3] https://aws.amazon.com/blogs/machine-learning/optimize-hosting-deepseek-r1-distilled-models-with-hugging-face-tgi-on-amazon-sagemaker-ai//
[4] https://docs.travis-ci.com/user/deployment/s3/
[5] https://www.run.ai/blog/how-to-deploy-hugging-face-models-with-run-ai
[6] https://huggingface.co/blog/introducing-private-hub
[7]
[8] https://huggingface.co/blog/alvarobartt/deploy-from--fertex-ai
[9] https://stackoverflow.com/questions/79138919/deploying-llm-from-s3-on-amazon-sagemaker