Buat para pegiat *machine learning* (ML), kabar baik datang dari Hugging Face. Mereka baru saja merilis **ML-Intern**, sebuah asisten riset dan *coding* ML yang berjalan otonom. Bayangkan Anda punya asisten pribadi yang bisa langsung terjun ke dokumentasi, riset paper, dataset, bahkan menulis kode berkualitas, semuanya dalam satu ekosistem.

## Instalasi dan Penggunaan Awal ML-Intern

Untuk memulai petualangan dengan ML-Intern, prosesnya cukup lugas. Anda perlu mengkloning repositori GitHub-nya terlebih dahulu.

```bash
git clone git@github.com:huggingface/ml-intern.git
cd ml-intern
uv sync
uv tool install -e .
```

Setelah terinstal, ML-Intern siap digunakan dari direktori mana pun. Untuk mengaktifkannya, cukup ketikkan `ml-intern` di terminal Anda.

Sebelum beraksi, ada beberapa kredensial yang perlu Anda siapkan. Buat file `.env` di *root* proyek atau ekspor variabel lingkungan di *shell* Anda. Ini termasuk kunci API untuk model seperti Anthropic Claude atau OpenAI GPT, serta token Hugging Face dan GitHub Anda.

```bash
ANTHROPIC_API_KEY=<kunci-api-anthropic-anda> # Jika menggunakan model Anthropic
OPENAI_API_KEY=<kunci-api-openai-anda>      # Jika menggunakan model OpenAI
HF_TOKEN=<token-hugging-face-anda>
GITHUB_TOKEN=<token-github-pribadi-anda>
```

Jika `HF_TOKEN` tidak disetel, ML-Intern akan meminta Anda memasukkannya saat pertama kali dijalankan. Anda bisa mendapatkan token GitHub dengan mengikuti tutorial yang disediakan.

ML-Intern punya dua mode utama:

1.  **Mode Interaktif**: Jalankan `ml-intern` untuk memulai sesi *chat*. Anda bisa berinteraksi layaknya berbicara dengan asisten.
2.  **Mode *Headless***: Gunakan `ml-intern "prompt anda"` untuk menjalankan perintah tunggal tanpa perlu persetujuan berulang. Contohnya, `ml-intern "fine-tune llama on my dataset"`.

Anda juga bisa mengatur parameter tambahan, seperti menentukan model spesifik yang ingin digunakan atau membatasi jumlah iterasi.

```bash
ml-intern --model anthropic/claude-opus-4-7 "fine-tune llama on my dataset"
ml-intern --max-iterations 100 "fine-tune llama on my dataset"
```

Untuk melihat daftar lengkap model yang didukung, jalankan `ml-intern` lalu ketikkan `/model`. Ini akan menampilkan pilihan dari model Claude, GPT, hingga model *router* Hugging Face seperti MiniMax, Kimi, GLM, dan DeepSeek.

## Berbagi Hasil Riset (Traces)

Salah satu fitur menarik dari ML-Intern adalah kemampuannya menyimpan dan berbagi jejak sesi kerja Anda. Setiap sesi secara otomatis diunggah ke dataset pribadi Anda di Hugging Face dengan format Claude Code JSONL. *HF Agent Trace Viewer* akan mendeteksi ini, memungkinkan Anda menelusuri setiap percakapan, pemanggilan *tool*, dan respons model langsung di Hub.

Secara *default*, dataset ini bernama `{nama-user-hf}/ml-intern-sessions` dan bersifat pribadi. Anda bisa mengubah visibilitasnya melalui perintah `/share-traces` di CLI. Gunakan `/share-traces public` untuk membuatnya dapat dilihat publik atau `/share-traces private` untuk menguncinya kembali.

Jika Anda tidak ingin melacak sesi dibagikan sama sekali, Anda bisa mengatur opsi `"share_traces": false` di konfigurasi CLI Anda, misalnya di `~/.config/ml-intern/cli_agent_config.json`.

## Integrasi Notifikasi Melalui Gateway

ML-Intern juga mendukung pengiriman notifikasi *out-of-band* melalui *gateway* yang didukung. Saat ini, Slack menjadi salah satu pilihan utamanya.

Untuk mengaktifkan notifikasi Slack, Anda memerlukan token bot Slack dan ID *channel* yang dituju. Pengaturan ini bisa dilakukan melalui variabel lingkungan atau file konfigurasi `cli_agent_config.json`.

```json
{
  "messaging": {
    "enabled": true,
    "auto_event_types": ["approval_required", "error", "turn_complete"],
    "destinations": {
      "slack.ops": {
        "provider": "slack",
        "token": "${SLACK_BOT_TOKEN}",
        "channel": "${SLACK_CHANNEL_ID}",
        "allow_agent_tool": true,
        "allow_auto_events": true
      }
    }
  }
}
```

Notifikasi ini akan dikirim ketika agen memerlukan persetujuan, menemui kesalahan, atau menyelesaikan satu giliran pemrosesan.

## Memahami Arsitektur ML-Intern

Di balik kemampuannya yang otonom, ML-Intern memiliki arsitektur yang terstruktur. Komponen utamanya meliputi:

*   **User/CLI**: Antarmuka tempat pengguna berinteraksi.
*   **Event Queue & Submission Queue**: Mekanisme untuk mengirim dan menerima operasi serta *event*.
*   **Submission Loop (*agent_loop.py*)**: Inti pemrosesan yang mengelola operasi dan meneruskannya ke *handler* yang tepat.
*   **Handlers.run_agent()**: Menjalankan logika agen, termasuk *agentic loop*.
*   ***Agentic Loop***: Lingkaran utama yang melakukan panggilan ke LLM, memproses *tool calls*, dan mengeksekusi *tool* melalui *ToolRouter*. Lingkaran ini memiliki batas iterasi maksimum (misalnya, 300) untuk mencegah *loop* tak terbatas.
*   ***ContextManager***: Mengelola riwayat percakapan, melakukan kompresi konteks secara otomatis, dan mengunggah sesi ke Hugging Face.
*   ***ToolRouter***: Komponen yang bertanggung jawab untuk mengakses berbagai sumber daya seperti dokumentasi Hugging Face, repositori, dataset, pencarian kode GitHub, dan alat lokal.
*   **Doom Loop Detector**: Mendeteksi pola pemanggilan *tool* yang berulang dan menyuntikkan prompt korektif jika diperlukan.

Proses kerja agen bekerja seperti ini: pesan pengguna ditambahkan ke *ContextManager*, lalu masuk ke *Iteration Loop*. LLM dipanggil, hasil *tool calls* diuraikan. Jika ada *tool calls*, agen akan memeriksa persetujuan (jika diperlukan), mengeksekusi *tool* melalui *ToolRouter*, dan menambahkan hasilnya kembali ke *ContextManager* untuk iterasi berikutnya. Jika tidak ada lagi *tool calls*, proses dianggap selesai.

## Pengembangan dan Penambahan Fitur

Bagi pengembang yang ingin berkontribusi atau memperluas fungsionalitas ML-Intern, ada beberapa area yang bisa dieksplorasi.

Untuk menambahkan *built-in tool* baru, Anda perlu mengedit file `agent/core/tools.py` dan mendefinisikan `ToolSpec` baru dengan nama, deskripsi, parameter, dan *handler* asinkron yang sesuai.

Menambahkan *MCP Servers* (seperti API eksternal) juga dimungkinkan dengan mengedit file konfigurasi seperti `configs/cli_agent_config.json` atau `configs/frontend_agent_config.json`. Anda dapat menentukan *transport*, URL, dan *headers* yang diperlukan, termasuk substitusi variabel lingkungan untuk token rahasia.

ML-Intern dari Hugging Face ini membuka potensi baru dalam cara kita berinteraksi dan membangun solusi ML. Dengan kemampuannya yang otonom, ia berpotensi menjadi alat yang sangat berharga bagi para peneliti dan pengembang di bidang ini.

## Referensi
- https://github.com/huggingface/ml-intern

Kenali ML-Intern, asisten AI otonom dari Hugging Face yang bisa riset, menulis kode, dan mengelola proyek ML secara mandiri.

ML-Intern: Asisten Riset dan Coding ML Otonom dari Hugging Face

Reggi

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#ml-intern

Getting Lastest Post..

Populer Bulan Ini