Gradio: Compartilhamento e Teste Sem Complicações de Modelos de ML no Mundo Real

A acessibilidade é um grande desafio da aprendizagem de máquina (ML). Modelos típicos de ML são construídos por especialistas e requerem hardware/software especializado, bem como experiência em ML para validação. Isso torna desafiador para colaboradores não técnicos e usuários finais (por exemplo, médicos) fornecer feedback facilmente sobre o desenvolvimento do modelo e ganhar confiança em ML. O desafio da acessibilidade também torna a colaboração mais difícil e limita a exposição do pesquisador em ML a dados e cenários realistas que ocorrem no mundo real. Para melhorar a acessibilidade e facilitar a colaboração, desenvolvemos um pacote Python de código aberto, Gradio, que permite aos pesquisadores gerar rapidamente uma interface visual para seus modelos de ML. O Gradio torna o acesso a qualquer modelo de ML tão fácil quanto compartilhar uma URL. Nosso desenvolvimento do Gradio foi informando por entrevistas com vários pesquisadores de aprendizagem de máquina que participam de colaborações interdisciplinares. O feedback deles identificou que o Gradio deveria suportar uma variedade de interfaces e frameworks, permitir o compartilhamento fácil da interface, permitir manipulação de entrada e inferência interativa pelo especialista na área, bem como permitir a incorporação da interface em notebooks iPython. Desenvolvemos esses recursos e realizamos um estudo de caso para entender a utilidade e a usabilidade do Gradio no contexto de uma colaboração em aprendizagem de máquina entre um pesquisador e um cardiologista.