Gradio'da yapay zekâ akışları artık tuvalde kuruluyor: gr.Workflow ne işe yarıyor?
Sürükle-bırak düğümlerle kurulan iş akışı aynı anda çalışan bir arayüze, REST API'ye ve Hugging Face Spaces dağıtımına dönüşüyor.
0 okunma4 dk okumaHugging Face — Build Anything with gr.Workflow
Gradio, birden fazla yapay zekâ modelini ve Python işlevini görsel bir akışta birleştiren `gr.Workflow` özelliğini tanıttı. Geliştirici adımları tipli düğümlerden oluşan bir grafik olarak tanımlıyor; kullanıcı ise tarayıcıdaki tuvalde bağlantıları sürükleyip her ara sonucu ayrı ayrı görebiliyor. Aynı grafik ek kod yazmadan çalışan bir Gradio uygulaması ve REST API oluyor.
Bu yenilik “tek komutla her ajanı kuran” genel amaçlı bir otomasyon sistemi değil. Gradio ekosistemindeki model demolarını, Hugging Face servislerini, veri kümelerini ve Python işlevlerini görünür bir boru hattına dönüştüren arayüz katmanı. En büyük faydası, bir işlemin nerede hata verdiğini ara çıktıda görmeyi ve çalışan prototipi başkalarıyla paylaşmayı kolaylaştırması.
Akışın üç temel parçası
Resmî kılavuza göre grafik üç tür düğüm kullanıyor. “Reference” girişleri tutuyor; “operator” işi yapan Python fonksiyonunu, Hugging Face Inference Providers modelini, başka bir Gradio Space'i veya Hub veri satırını çağırıyor; “subject” ise çıktıyı gösteriyor. Bağlantılar tipli portlar arasında kurulduğu için hangi verinin hangi adıma gideceği tuvalde izlenebiliyor.
Her çıktı etiketi otomatik bir REST uç noktasına dönüşüyor. Örneğin görsel, seslendirme ve bölüm başlığı üreten üç dallı bir akış; `/sticker`, `/voiceover` ve `/episode_title` gibi ayrı adreslerden kodla çağrılabiliyor. İş akışı standart bir Gradio uygulaması gibi Hugging Face Spaces'e dağıtılabiliyor.
Nasıl başlanır?
En hızlı yol, duyurudaki örnek Spaces uygulamalarından birini açıp “Duplicate” ile kendi hesabınıza kopyalamak. Kodla başlamak isteyenler için temel yapı kısa:
```python import gradio as gr
def ozetle(metin: str) -> str: return metin[:240]
gr.Workflow(bind=[ozetle]).launch() ```
Bu örnek tek bir Python işlevini bağlar; asıl değer, tuvalde yeni giriş, operatör ve çıktı düğümleri eklenince ortaya çıkar. Hugging Face modeli veya Space çağıran uç noktalar için istemci oluşturulurken erişim belirteci gerekebilir. Belirteç kaynak koda yazılmamalı; Space gizli değişkenlerinde veya güvenli ortam değişkeninde tutulmalı.
Üç somut kullanım örneği
- Bir ürün fotoğrafını yükleyip arka planı kaldırmak, farklı bir stile dönüştürmek ve aynı girdiden kısa açıklama üretmek.
- Bir veri kümesinin ilk satırlarını, sütun istatistiklerini ve dağılım grafiğini paralel düğümlerde çıkarıp ara sonuçları karşılaştırmak.
- Bir podcast konusu için metin özeti, seslendirme ve kapak fikrini üç ayrı dala dağıtıp çıktıları bağımsız API uç noktaları olarak sunmak.
Özgün bir haber iş akışı da kurulabilir: kaynak URL'si giriş düğümüne gelir, bir Python işlevi sayfanın metnini ayıklar, ikinci düğüm tarih ve kişi adlarını yapılandırır, üçüncü düğüm iddiaları işaretler, son düğüm editöre kontrol tablosu verir. Ancak bu akış kaynak doğrulamasını kendiliğinden yapmaz; her iddianın gerçek belgeyle eşleştirilmesi yine editoryal görevdir.
Ücretsiz mi, hangi maliyetler var?
Gradio açık kaynaklıdır ve `gr.Workflow` örnekleri ücretsiz görülebilir. Yerelde çalışan basit Python işlevlerinde ayrıca model ücreti olmayabilir. Buna karşılık Inference Providers, ZeroGPU veya başka Spaces çağrıları hesap kotası, belirteç ve sağlayıcı ücretine tabi olabilir. “Tek komutla dağıtım” barındırma ve GPU kullanımının sınırsız ücretsiz olduğu anlamına gelmez.
Hugging Face duyurusu, kendi GPU modelini bir düğümde çalıştırmak için bağlı işlevin `@spaces.GPU` ile işaretlenebildiğini gösteriyor. Kaynak kullanımını, kuyruk süresini ve sağlayıcının güncel fiyat sayfasını üretime geçmeden önce kontrol etmek gerekiyor. Bilgiler 1 Eylül 2026'da doğrulandı.
Ne zaman iyi bir seçim, ne zaman değil?
`gr.Workflow`, bir fikri çalışan görsel prototipe çevirmek, birden çok model arasındaki veri akışını anlatmak ve her ara adımı ekiple birlikte incelemek için güçlü bir seçenek. Özellikle araştırmacı, tasarımcı ve geliştiricinin aynı prototip üzerinde konuştuğu küçük ekiplerde düğüm görünümü ortak dil sağlayabilir.
Uzun süre çalışan, yüzlerce görevi kuyruklayan, hatadan günler sonra devam etmesi gereken veya sıkı denetim izi isteyen kurumsal süreçlerde ise yalnız bu arayüze güvenmek yeterli olmayabilir. Kalıcı görev durumu, yeniden deneme politikası, ayrıntılı sürümleme ve rol tabanlı yetki için ayrı altyapı gerekebilir. LangChain gibi kod odaklı orkestrasyon katmanları ya da genel veri-akışı sistemleri farklı ihtiyaçlara hizmet eder; Gradio'nun avantajı akış ile kullanıcı arayüzünü aynı yerde hızla görünür kılmasıdır.
Üretime geçişte her düğüm için giriş-çıkış şeması, zaman aşımı, hata mesajı, veri sahibi ve tahmini maliyet kaydedilirse tuval yalnız güzel bir demo olmaktan çıkıp denetlenebilir bir teknik taslağa dönüşür.
Sınırlar ve güvenlik
Görsel tuval, hata yönetimi, sürümleme, gözlemlenebilirlik ve veri yönetişimini otomatik çözmez. Bağımsız değerlendirme, oturum durumunun karmaşık akışlarda nasıl kalıcılaştığı ve haricî sağlayıcı entegrasyonlarının ne kadar olgun olduğu konusunda belgelerin henüz sınırlı olduğuna dikkat çekiyor.
Düzenleme yetkisi verilen Space'te `hf_oauth` yapılandırması gerekiyor. Yazma erişimli bağlantı paylaşılırsa başkaları akışı değiştirebilir; bu nedenle düzenleme adresi gizli tutulmalı. Düğümler arasındaki veride kişisel bilgi bulunuyorsa hangi haricî servise gittiği tek tek kaydedilmeli. Sonsuz döngü, yüksek GPU tüketimi ve beklenmeyen ücretlere karşı süre, sıra ve harcama sınırı konulmalı.
Okuyucu bugün hazır bir örneği kopyalayıp tek bir girdiyi iki bağımsız çıktıya dağıtarak kavramı deneyebilir. Yapay zekâ iş akışlarını yalnız izlemek değil, güvenli küçük denemelerle kurmak için Mülk Rehberi Gazetesi'ni takip edin.