Cara Guna Hugging Face untuk Model AI Percuma

n

Pendedahan: Artikel ini mengandungi pautan affiliate. Jika anda mendaftar melalui pautan kami, kami mungkin menerima komisyen kecil — tanpa sebarang kos tambahan kepada anda. Ini membantu kami terus menghasilkan panduan percuma dalam Bahasa Melayu.

n

nnnnnnn

Apa Itu Hugging Face?

nnHugging Face adalah platform AI terbuka yang paling popular di dunia pada masa kini. Ia berfungsi macam "GitHub untuk model AI" — tempat di mana pembangun, penyelidik, dan syarikat berkongsi model AI, dataset, dan aplikasi secara percuma. Diasaskan pada tahun 2016 di New York, Hugging Face kini menjadi hab utama komuniti AI global dengan lebih daripada 500,000 model AI yang boleh diakses secara percuma.nnBagi pembangun Malaysia yang ingin menggunakan AI tanpa perlu membayar kadar premium OpenAI atau Google, Hugging Face adalah jawapan terbaik. Anda boleh menjalankan model AI bertaraf dunia terus dari browser, atau mengintegrasikannya ke dalam projek Python anda dengan beberapa baris kod sahaja.nnPlatform ini menyediakan tiga komponen utama yang perlu anda fahami:nn

n
• Model Hub — Perpustakaan model AI terbesar di dunia

n

• Spaces — Demo AI interaktif yang boleh dijalankan percuma

n

• Datasets — Dataset latihan untuk melatih model anda sendiri

n

nn

Model Hub: Perpustakaan AI Terbesar Dunia

nnModel Hub adalah bahagian teras Hugging Face. Di sini terdapat lebih 500,000 model AI merangkumi pelbagai tugas — dari pemprosesan teks, penjanaan imej, pengenalan suara, hingga terjemahan bahasa. Semua model ini boleh dimuat turun dan digunakan secara percuma.nnCara mencari model yang sesuai di Model Hub:nn

n
1. Pergi ke huggingface.co/models

n

2. Gunakan penapis "Task" untuk pilih jenis tugas (contoh: Text Generation, Image Classification, Translation)

n

3. Pilih "Language" untuk tapis model yang menyokong Bahasa Malaysia

n

4. Susun mengikut "Most Downloads" atau "Most Likes" untuk model terbaik

n

nnBeberapa model popular yang sering digunakan oleh pembangun Malaysia:nn

n
• mistralai/Mistral-7B-Instruct-v0.2 — Model bahasa besar percuma, setanding GPT-3.5

n

• facebook/bart-large-cnn — Meringkaskan artikel atau dokumen panjang

n

• Helsinki-NLP/opus-mt-en-ms — Terjemahan Inggeris ke Bahasa Malaysia

n

• openai/whisper-large-v3 — Transkripsi audio ke teks dengan ketepatan tinggi

n

• stabilityai/stable-diffusion-xl-base-1.0 — Jana imej dari teks

n

nnSetiap model di Hugging Face dilengkapi dengan kad model (model card) — dokumentasi lengkap tentang cara model itu dilatih, had-hadnya, dan cara terbaik untuk menggunakannya.nn

Hugging Face Spaces: Demo AI Percuma Tanpa Kod

nnSpaces adalah ciri yang paling mudah untuk pengguna baru. Ia merupakan koleksi lebih 300,000 aplikasi AI interaktif yang boleh anda cuba terus dari browser — tanpa perlu pasang apa-apa perisian atau tulis satu baris kod pun.nnMacam mana nak guna Spaces:nn

n
1. Pergi ke huggingface.co/spaces

n

2. Cari aplikasi mengikut kategori (Image, Audio, Text, Video)

n

3. Klik mana-mana Space dan terus guna — percuma!

n

nnContoh Spaces yang berguna untuk pengguna Malaysia:nn

n

n

n

n

n

n

nnSpaces dibina menggunakan Gradio atau Streamlit, dua framework Python popular untuk membina antara muka web. Pembangun Malaysia yang aktif di komuniti Hugging Face turut menyumbang Spaces mereka sendiri untuk dikongsikan kepada semua orang.nn

Transformers Library: Kuasa AI dalam Kod Python

nnHugging Face Transformers adalah perpustakaan Python yang membolehkan anda menggunakan ribuan model AI hanya dengan beberapa baris kod. Ini adalah alat paling berkuasa yang Hugging Face tawarkan kepada pembangun.nnPasang perpustakaan Transformers:nn

pip install transformers torchn

nnContoh asas menggunakan model teks:nn

from transformers import pipelinenn# Jana teks menggunakan model percumangenerator = pipeline('text-generation', model='gpt2')nresult = generator('Masa depan AI di Malaysia', max_length=100)nprint(result[0]['generated_text'])n

nnContoh untuk ringkasan artikel:nn

from transformers import pipelinennsummarizer = pipeline('summarization', model='facebook/bart-large-cnn')narticle = """nIndustri teknologi Malaysia berkembang pesat dengan pelaburan asingnyang meningkat setiap tahun. Syarikat-syarikat besar macam Intel, AMD,ndan Texas Instruments telah beroperasi di Penang selama berdekad-dekad...n"""nsummary = summarizer(article, max_length=100, min_length=30)nprint(summary[0]['summary_text'])n

nnUntuk pemprosesan bahasa semula jadi, Transformers menyokong lebih daripada 100 bahasa termasuk Bahasa Malaysia dan Bahasa Melayu standard.nn

Cara Guna Model Pre-Trained Hugging Face

nnModel pre-trained adalah model yang sudah dilatih oleh penyelidik atau syarikat menggunakan data yang besar. Anda tidak perlu melatih dari awal — hanya muat turun dan guna terus.nnLangkah-langkah menggunakan model pre-trained:nn

Langkah 1: Pilih Model yang Sesuai

nnCari model di Model Hub berdasarkan tugas anda. Sebagai contoh, untuk pengelasan teks (sentiment analysis), cari "sentiment-analysis bahasa malaysia".nn

Langkah 2: Muat Turun Model

nn

from transformers import AutoTokenizer, AutoModelForSequenceClassificationnnmodel_name = "nlptown/bert-base-multilingual-uncased-sentiment"ntokenizer = AutoTokenizer.from_pretrained(model_name)nmodel = AutoModelForSequenceClassification.from_pretrained(model_name)n

nn

Langkah 3: Buat Inferens

nn

from transformers import pipelinennclassifier = pipeline('sentiment-analysis', model=model_name)nresult = classifier("Produk ini sangat bagus dan berbaloi!")nprint(result)n# Output: [{'label': '5 stars', 'score': 0.82}]n

nnModel akan dimuat turun secara automatik pada kali pertama dan disimpan dalam cache tempatan anda untuk kegunaan akan datang. Ini bermakna anda boleh menggunakannya offline selepas muat turun pertama.nn

Fine-Tuning: Latih Semula Model untuk Keperluan Anda

nnFine-tuning bermaksud mengambil model yang sedia ada dan melatihnya semula menggunakan data anda sendiri. Ini berguna apabila anda mahu model yang lebih tepat untuk domain tertentu — contohnya model AI untuk industri perubatan Malaysia atau model yang faham slanga tempatan.nnKeperluan asas untuk fine-tuning:nn

n
• Data latihan — Sekurang-kurangnya 1,000 contoh berlabel (lebih banyak lebih baik)

n

• GPU — Sangat disyorkan (Google Colab Pro atau Kaggle Notebooks percuma)

n

• Masa — Bergantung pada saiz model dan data, boleh dari 30 minit hingga beberapa jam

n

nnContoh asas fine-tuning dengan Trainer API:nn

from transformers import Trainer, TrainingArguments, AutoModelForSequenceClassificationnfrom datasets import load_datasetnn# Muat dataset andandataset = load_dataset('csv', data_files={'train': 'data_latihan.csv'})nn# Konfigurasi latihanntraining_args = TrainingArguments(n    output_dir='./results',n    num_train_epochs=3,n    per_device_train_batch_size=16,n    evaluation_strategy='epoch',n    save_strategy='epoch',n)nn# Mulakan latihanntrainer = Trainer(n    model=model,n    args=training_args,n    train_dataset=dataset['train'],n)ntrainer.train()n

nnUntuk pelajari lebih lanjut tentang pembelajaran mesin ML, terdapat banyak tutorial percuma di laman web Hugging Face sendiri.nn

Inference API: Guna Model Terus dari Cloud

nnHugging Face Inference API membolehkan anda memanggil model AI terus melalui API tanpa perlu muat turun model ke komputer anda. Ini sangat berguna untuk aplikasi web atau prototaip cepat.nnCara menggunakan Inference API (percuma dengan had kadar):nn

import requestsnnAPI_URL = "https://api-inference.huggingface.co/models/facebook/bart-large-cnn"nheaders = {"Authorization": "Bearer YOUR_HF_TOKEN"}nndef query(payload):n    response = requests.post(API_URL, headers=headers, json=payload)n    return response.json()nnoutput = query({n    "inputs": "Artikel panjang yang anda nak ringkaskan di sini...",n})nprint(output)n

nnUntuk dapatkan token percuma:n

n
1. Daftar akaun di huggingface.co

n

2. Pergi ke Settings > Access Tokens

n

3. Cipta token baru (Read)

n

4. Guna token tersebut dalam kod anda

n

nnPelan percuma membenarkan sehingga 30,000 panggilan API sebulan — lebih dari cukup untuk projek peribadi atau prototaip.nn

Pembangun Malaysia di Hugging Face

nnKomuniti AI Malaysia semakin aktif di Hugging Face. Beberapa inisiatif tempatan yang patut anda tahu:nn

n
• mesolitica/mallam-1.1B — Model bahasa Malaysia oleh Mesolitica, dilatih khas untuk Bahasa Malaysia dan Bahasa Melayu

n

• malaysia-ai — Organisasi Hugging Face yang mengumpulkan dataset dan model khusus Malaysia

n

• Whisper Bahasa Melayu — Model transkripsi audio yang dioptimumkan untuk loghat Malaysia

n

nnKomuniti ini aktif berkongsi model yang memahami konteks Malaysia — termasuk perkataan slanga, nama tempat, dan istilah perniagaan tempatan. Jika anda seorang pembangun, anda boleh menyumbang dengan memuat naik model atau dataset anda sendiri.nn

Perbandingan Hugging Face vs OpenAI API

nn

n

n

n

n

n

n

n

nnKesimpulannya, Hugging Face lebih sesuai untuk pembangun yang mahu kawalan penuh, privasi data yang lebih baik, atau ingin mengelak kos tinggi OpenAI. Bagi syarikat Malaysia yang bimbang tentang data pelanggan mereka dihantar ke pelayan luar negara, menjalankan model Hugging Face secara tempatan adalah penyelesaian terbaik.nn

Tips Memulakan Perjalanan Hugging Face Anda

nnJika anda baru dengan Hugging Face, berikut adalah laluan pembelajaran yang disyorkan:nn

n
1. Minggu 1 — Cuba 5 Spaces berbeza, faham apa yang AI boleh buat

n

2. Minggu 2 — Pasang Transformers, cuba pipeline untuk tugas mudah

n

3. Minggu 3 — Gunakan Inference API dalam projek web anda

n

4. Minggu 4 — Cuba fine-tune model mudah dengan data anda sendiri

n

nnHugging Face juga menyediakan kursus AI percuma di huggingface.co/learn — termasuk kursus NLP, Computer Vision, dan RL yang komprehensif.nn

n

n

Artikel Berkaitan

n

• Cara Guna ChatGPT — Panduan Lengkap Malaysia
• Cara Guna Claude AI di Malaysia
• Cara Guna Google Gemini — Panduan Terkini
• Cara Guna ChatGPT Malaysia 2026 — Panduan Lengkap
• Cara Guna Gemini AI Malaysia 2026 — Panduan Lengkap

n

Rujukan

n

n
• MDEC — Ekonomi Digital Malaysia

n

• BERNAMA — Berita Teknologi & AI Malaysia

n

• SME Corp Malaysia — Panduan Digitalisasi PKS

n

n

Artikel Berkaitan

nn

n
• Cara Guna AI untuk Pembelajaran Mesin (ML)

n

• Cara Guna AI untuk Pemprosesan Bahasa Semula Jadi

n

• Cara Guna AI untuk Visi Komputer

n

• Cara Guna Zapier AI untuk Automasi

n

• Cara Guna AI untuk Perniagaan Kecil

n

• Cara Guna AI untuk Pengurusan Rantaian Bekalan

n

nn

Hugging Face untuk Pembangunan Aplikasi AI di Malaysia

nnPembangun aplikasi di Malaysia boleh memanfaatkan Hugging Face untuk membina produk AI yang sebelum ini memerlukan bajet berjuta-juta ringgit. Berikut adalah beberapa kes penggunaan praktikal:nn

Chatbot Bahasa Malaysia

nnDengan menggunakan model macam Mallam (dari Mesolitica) yang tersedia di Hugging Face, anda boleh membina chatbot yang benar-benar faham Bahasa Malaysia — termasuk loghat, singkatan, dan konteks tempatan. Ini jauh lebih baik berbanding menggunakan ChatGPT yang lebih "formal" dalam BM.nn

from transformers import AutoTokenizer, AutoModelForCausalLMnnmodel_name = "mesolitica/mallam-1.1B-4096"ntokenizer = AutoTokenizer.from_pretrained(model_name)nmodel = AutoModelForCausalLM.from_pretrained(model_name)nn# Chatbot ringkas dalam BMnprompt = "Apakah faedah menggunakan AI untuk perniagaan kecil?"ninputs = tokenizer(prompt, return_tensors="pt")noutputs = model.generate(**inputs, max_new_tokens=200)nprint(tokenizer.decode(outputs[0], skip_special_tokens=True))n

nn

Sistem Cadangan Produk untuk E-Dagang

nnModel Sentence Transformers di Hugging Face membolehkan anda membina sistem carian semantik untuk platform e-dagang anda. Pelanggan yang cari "baju raya merah murah" akan jumpa produk relevan walaupun nama produk tidak mengandungi kata-kata tersebut.nn

from sentence_transformers import SentenceTransformernimport numpy as npnnmodel = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')nn# Encode produknproducts = ["Baju Kurung Raya Merah", "Kemeja Batik Biru", "Jubah Muslimah Putih"]nproduct_embeddings = model.encode(products)nn# Carian semantiknquery = "pakaian raya wanita"nquery_embedding = model.encode([query])nsimilarities = np.dot(product_embeddings, query_embedding.T)nbest_match = products[similarities.argmax()]nprint(f"Produk terbaik untuk '{query}': {best_match}")n

nn

Analisis Sentimen Ulasan Pelanggan

nnUntuk perniagaan Malaysia yang ingin memahami maklum balas pelanggan secara automatik:nn

from transformers import pipelinennanalyzer = pipeline("sentiment-analysis", n                   model="nlptown/bert-base-multilingual-uncased-sentiment")nnreviews = [n    "Produk ni memang terbaik! Akan beli lagi.",n    "Delivery lambat, tapi barang OK la.",n    "Kecewa sangat. Kualiti teruk dan mahal pula tu."n]nnfor review in reviews:n    result = analyzer(review)n    print(f"Ulasan: {review[:50]}...")n    print(f"Sentimen: {result[0]['label']} ({result[0]['score']:.2%})n")n

nn

Sumber Pembelajaran Percuma Hugging Face

nnHugging Face menyediakan ekosistem pembelajaran yang lengkap dan percuma:nn

n
• HuggingFace Course (huggingface.co/learn) — Kursus NLP komprehensif dari asas hingga mahir

n

• Hugging Face Blog — Artikel teknikal terkini tentang model dan teknik AI baharu

n

• Papers With Code — Hubungan antara penyelidikan akademik dan implementasi kod

n

• Discord Hugging Face — Komuniti aktif dengan lebih 100,000 ahli untuk soal jawab

n

nnBagi pelajar dan graduan Malaysia yang ingin binakan portfolio AI yang kukuh, menyumbang kepada projek di Hugging Face adalah cara terbaik untuk tunjukkan kemahiran anda kepada majikan.