Gradio introduce gr.Workflow: pipeline come grafo eseguibile
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Descrivi passaggi come nodi tipizzati, esegui su canvas drag-and-drop e distribuisci come REST API su Hugging Face Spaces.
Disegni una pipeline come grafo, la esegui nodo per nodo, la esponi come REST API e la pubblichi con un comando su Hugging Face Spaces1.
gr.Workflow arriva dentro Gradio. I passaggi si rappresentano come nodi tipizzati collegati da frecce. Una canvas drag‑and‑drop mostra il flusso dei dati e permette di ispezionare ogni uscita intermedia mentre costruisci o testi il grafo1.
Ogni nodo si può eseguire da solo. Vedi l’output prima di procedere. Lo stesso grafo si espone via REST senza riscrivere l’app. Quando serve pubblicare, il deploy avviene con un solo comando su Hugging Face Spaces1.
La guida parte da un esempio minimo: un editor di immagini in un singolo nodo. Carichi una foto. Scrivi un’istruzione in linguaggio naturale, come “rendila una scena invernale con neve” o “aggiungi occhiali da sole”. Il nodo chiama Qwen‑Image‑Edit tramite Hugging Face Inference Providers e restituisce l’immagine modificata1.
C’è poi un esempio composito sullo stesso canvas. Si parte da un prompt e si genera un’immagine con FLUX. L’output passa a uno Space che rimuove lo sfondo per ottenere uno sticker. In parallelo, lo stesso tema si trasforma in una voce tramite uno Space di sintesi vocale. Dallo stesso tema nasce anche un titolo tramite una chiamata a un LLM. Un unico grafo raccoglie così tre pipeline coordinate. La guida indica che il flusso include due chiamate a modelli via Hugging Face Inference Providers1.
Il risultato è un ambiente unico per progettare, testare e pubblicare pipeline. Si disegna il grafo, si validano i passaggi intermedi, si espone l’API, si fa il deploy su Spaces. Senza abbandonare Gradio1.
Gli esempi non restano su carta. Ogni app citata è uno Space attivo che si può aprire, eseguire e duplicare1. Per chi vuole toccare con mano, la guida rimanda agli Space degli esempi e mostra come ottenere gli stessi risultati nel proprio ambiente1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.