course/pr_1213/es/chapter9/1.md

Introducción a Gradio[[introduction-to-gradio]]

En este capítulo aprenderemos a crear demos interactivas para tus modelos de machine learning.

¿Por qué crear una demo o una GUI (interfaz gráfica de usuario) para tu modelo de machine learning en primer lugar? Las demos permiten:

• que los desarrolladores de machine learning presenten fácilmente su trabajo a una audiencia amplia, incluidos equipos no técnicos o clientes
• que los investigadores reproduzcan más fácilmente modelos y comportamientos de machine learning
• que los probadores de calidad o los usuarios finales identifiquen y depuren con más facilidad los puntos de fallo de los modelos
• que usuarios diversos descubran sesgos algorítmicos en los modelos

Usaremos la librería Gradio para crear demos para nuestros modelos. Gradio te permite crear, personalizar y compartir demos web para cualquier modelo de machine learning, completamente en Python.

Aquí tienes algunos ejemplos de demos de machine learning creadas con Gradio:

• Un modelo de reconocimiento de bocetos que toma un boceto como entrada y devuelve etiquetas de lo que cree que se está dibujando:

• Un modelo extractivo de question answering (respuesta a preguntas) que toma como entrada un párrafo de contexto y una pregunta, y devuelve una respuesta y una puntuación de probabilidad (hablamos de este tipo de modelo en el Capítulo 7):

• Un modelo de eliminación de fondo que toma una imagen como entrada y devuelve la imagen sin fondo:

Este capítulo está dividido en secciones que incluyen tanto conceptos como aplicaciones. Después de aprender el concepto en cada sección, lo aplicarás para crear un tipo concreto de demo, desde clasificación de imágenes hasta reconocimiento de voz. Cuando termines este capítulo, podrás crear estas demos, y muchas más, con solo unas pocas líneas de código Python.

👀 Echa un vistazo a Hugging Face Spaces para ver muchos ejemplos recientes de demos de machine learning creadas por la comunidad.