آموزش عملی Replicate: اجرای اولین مدلِ هوش مصنوعی با API (قدم‌به‌قدم)

در معرفیِ Replicate دیدیم این پلتفرم چطور اجرای مدل‌ها را ساده می‌کند. حالا وقتِ کارِ عملی است. در این آموزش، از ساختِ حساب تا اجرای اولین مدلِ واقعی را قدم‌به‌قدم و با کد پیش می‌رویم.

گام ۱: ساختِ حساب و دریافتِ توکن

ابتدا در Replicate ثبت‌نام کنید (با حسابِ GitHub سریع‌تر است). سپس از بخشِ API tokens یک توکن بسازید و آن را در متغیرِ محیطی قرار دهید:

export REPLICATE_API_TOKEN=r8_xxxxxxxxxxxxxxxx

هشدار: توکن مانندِ رمزِ عبور است؛ هرگز آن را در کدِ عمومی قرار ندهید.

گام ۲: نصبِ کلاینتِ پایتون

pip install replicate

مستنداتِ کاملِ کلاینت در راهنمای شروعِ پایتونِ Replicate موجود است.

گام ۳: اجرای اولین مدل (تولیدِ تصویر)

حالا جادو را ببینید. با چند خط، یک مدلِ تولیدِ تصویر را اجرا کنید:

import replicate

output = replicate.run(
    "black-forest-labs/flux-schnell",
    input={"prompt": "a cozy Persian tea house, warm light, cinematic"}
)
print(output)  # آدرس(های) تصویر تولیدشده

الگو همیشه یکسان است: نامِ مدل + دیکشنریِ ورودی. نتیجه را می‌گیرید بدونِ اینکه بدانید مدل روی چه سخت‌افزاری اجرا شده.

گام ۴: اجرای یک مدلِ زبانی (LLM)

همان الگو برای مدل‌های زبانی هم کار می‌کند و می‌توانید خروجی را به‌صورتِ استریم دریافت کنید:

for event in replicate.stream(
    "meta/meta-llama-3-8b-instruct",
    input={"prompt": "به زبان ساده توضیح بده هوش مصنوعی چیست."}
):
    print(str(event), end="")

گام ۵: نسخهٔ جاوااسکریپت (برای وب)

اگر اپلیکیشنِ وب می‌سازید، کلاینتِ Node.js هم موجود است:

import Replicate from "replicate";
const replicate = new Replicate();
const output = await replicate.run("black-forest-labs/flux-schnell", {
  input: { prompt: "a futuristic city at sunset" }
});
console.log(output);

گام ۶: کنترلِ هزینه — نکاتِ حرفه‌ای

• از مدل‌های سریع و ارزان شروع کنید: مثلاً نسخه‌های «schnell/turbo» برای تصویر، پیش از رفتن سراغِ مدل‌های سنگین.
• ورودی‌ها را بهینه کنید: تعدادِ گام‌ها و اندازهٔ خروجی مستقیماً بر هزینه اثر دارند.
• لاگِ مصرف را ببینید: داشبوردِ Replicate هزینهٔ هر اجرا را شفاف نشان می‌دهد.
• وب‌هوک به‌جای انتظار: برای کارهای طولانی، از Webhookها استفاده کنید تا نتیجه به سرورتان push شود.

گام ۷: انتشارِ مدلِ خودتان (اختیاری)

می‌خواهید مدلِ اختصاصیِ خود را به API تبدیل کنید؟ با ابزارِ Cog مدل را در یک فایلِ ساده تعریف و با یک دستور روی Replicate منتشر کنید. راهنمای کامل در مستنداتِ انتشارِ مدل آمده است.

جمع‌بندی

دیدیم که با Replicate در چند دقیقه می‌توان مدل‌های سنگینِ هوش مصنوعی را در محصول به کار برد — بدونِ یک خط کدِ زیرساخت. این سادگی، Replicate را به ابزارِ محبوبِ توسعه‌دهندگان تبدیل کرده است. اگر می‌خواهید این قابلیت‌ها را به‌صورتِ حرفه‌ای و امن در محصولِ سازمانیِ خود ادغام کنید، دیباچین می‌تواند معماری و پیاده‌سازیِ آن را برایتان انجام دهد.

پرسش‌های متداول

منابع معتبر و مطالعهٔ بیشتر

• شروع سریع پایتون Replicate
• مدیریت API Tokenها
• راهنمای انتشار مدل (Cog)
• وب‌هوک‌ها در Replicate

نقش دیباچین

در دیباچین این راهکارها را از ارزیابی و طراحی تا پیاده‌سازی و پشتیبانی برای سازمان شما اجرا می‌کنیم؛ از انتخاب معماری و مدل مناسب تا استقرار امن و پایش مستمر. برای مشاورهٔ اولیهٔ رایگان با ما تماس بگیرید یا پروفایل و خدمات دیباچین را ببینید.