HuggingChat Assistants: chatbot custom con più LLM

Hugging Face ha annunciato un’interessante novità per HuggingChat. Gli utenti possono creare facilmente chatbot personalizzati attraverso una semplice interfaccia, scegliendo tra sei modelli open source di intelligenza artificiale generativa. Gli Assistants sono pubblici e possono essere condivisi con la community.

Come creare gli HuggingChat Assistants

I chatbot custom di OpenAI, denominati GPTs e pubblicati sul GPT Store, possono essere creati con GPT Builder solo dagli abbonati ai piani ChatGPT Plus, Teams e Enterprise. Hugging Face, startup di New York che offre un popolare repository di LLM (Large Language Model) open source, consente agli utenti di usare gratuitamente HuggingChat (equivalente di ChatGPT).

Phillip Schmid, Technical Lead & LLMs Director, di Hugging Face, ha annunciato su X la disponibilità degli HuggingChat Assistants, ovvero assistenti personali creati dalla community e accessibili a tutti.

Introducing Hugging Chat Assistant! 🤵 Build your own personal Assistant in Hugging Face Chat in 2 clicks! Similar to @OpenAI GPTs, you can now create custom versions of @huggingface Chat! 🤯

An Assistant is defined by

🏷️ Name, Avatar, and Description
🧠 Any available open… pic.twitter.com/9XaReKgg9m

— Philipp Schmid (@_philschmid) February 2, 2024

I chatbot già disponibili sono pubblicati nella pagina dedicata. In alto a destra è presente il pulsante per creare un nuovo assistente. La procedura è piuttosto semplice. L’utente deve caricare un avatar, inserire nome e descrizione del chatbot, un prompt di sistema e scegliere il modello, tra cui Llama 2 di Meta e Mixtral di Mistral. L’assistente personalizzato può essere condiviso tramite URL diretto.

Nella discussione dedicata sono elencate le future novità. Sono previsti un miglioramento dell’interfaccia e della procedura di creazione dei chatbot, la possibilità di cambiare i parametri del modello, il supporto per ricerca web e RAG (Retrieval Augmented Generation), ovvero la tecnica che permette di migliorare le risposte attraverso l’uso di informazioni aggiuntive (senza ripetere l’addestramento del modello).