Rocket Money x Hugging Face: Scaling Volatile ML Models in Production
Hugging Face Blog987d agoBusiness個人理財應用 Rocket Money 面臨交易分類模型流量劇烈波動的挑戰。透過導入 Hugging Face Inference Endpoints，他們實現了自動彈性伸縮（Auto-scaling），不僅大幅降低基礎設施成本，還簡化了部署流程，讓數據科學團隊無需依賴繁重的 DevOps 即可快速將模型推向生產環境，同時保持極低的延遲。
Fetch Consolidates AI Tools and Saves 30% Development Time with Hugging Face on AWS
Hugging Face Blog1195d agoBusiness美國知名消費回饋平台 Fetch 過去面臨 AI 工具碎片化與部署流程繁瑣的挑戰。透過在 AWS 上導入 Hugging Face 的解決方案，Fetch 成功統一了其機器學習工作流。這項整合不僅簡化了模型訓練與部署，更為團隊節省了高達 30% 的開發時間，加速了其收據辨識與個人化推薦服務的迭代。
Machine learning needs better tools
Replicate Blog1197d agoOpinion儘管機器學習（ML）的需求爆發，但對於多數軟體工程師而言，部署與運行模型仍面臨極高的技術門檻。現有的 ML 工具鏈過於複雜，開發者常需處理 GPU 設定、CUDA 版本及依賴衝突。Replicate 指出，ML 領域急需如同傳統軟體開發般成熟、易用的基礎設施與工具，才能釋放其真正的應用潛力。
Director of Machine Learning Insights [Part 4]
Hugging Face Blog1287d agoOpinion本篇為 Hugging Face 探討機器學習團隊管理的系列文章第四部分。內容聚焦於 ML 總監在實際營運中面臨的三大核心挑戰：如何將技術指標轉化為業務 ROI、如何在高昂的 GPU 成本下進行預算與推論優化，以及在建構 MLOps 工具鏈時，如何權衡「自主研發（Build）」與「採購現成服務（Buy）」。這為正在規模化 ML 團隊的管理者提供了極具價值的實務指南。
How Sempre Health is leveraging the Expert Acceleration Program to accelerate their ML roadmap
Hugging Face Blog1475d agoBusiness醫療科技公司 Sempre Health 透過加入 Hugging Face 的專家加速計畫（EAP），加速了其機器學習技術的落地。在 Hugging Face 專家的指導下，Sempre Health 成功將先進的 Transformer 模型應用於患者簡訊互動的意圖識別，不僅縮短了模型開發與部署週期，更大幅優化了推理延遲與雲端基礎設施成本，有效提升患者的服藥遵從率。
Hello, world!
Replicate Blog1478d agoBusiness機器學習平台 Replicate 發表了其首篇官方部落格文章「Hello, world!」。團隊表示他們是由工程師與機器學習愛好者組成的小型團隊，其核心使命是降低機器學習的技術門檻，讓更多人能夠輕鬆存取與使用機器學習技術。
Director of Machine Learning Insights [Part 2: SaaS Edition]
Hugging Face Blog1481d agoOpinion本文為 Hugging Face 訪談系列，聚焦於 SaaS 領域的機器學習主管洞察。內容涵蓋 SaaS 企業如何構建 ML 團隊、如何平衡「自行開發」與「採用現成服務」，以及在處理高併發、低延遲需求時的架構選擇。受訪者強調了開源生態系在加速產品落地與降低研發成本上的關鍵作用。
Director of Machine Learning Insights
Hugging Face Blog1497d agoOpinion本報告源自 Hugging Face 針對多位企業機器學習主管（Director of ML）的調查與訪談。內容指出，將模型從實驗室原型轉化為穩定生產服務（Deployment Gap）仍是企業最大痛點。主管們強調了 MLOps 工具鏈整合、開源模型在企業級應用的崛起，以及跨團隊（數據科學與軟體工程）協作與人才招募的持續挑戰。
The Age of Machine Learning As Code Has Arrived
Hugging Face Blog1686d agoOpinionHugging Face 探討了機器學習從學術研究走向主流軟體工程的轉變。隨著 Hugging Face Hub 等平台的興起，模型、數據集和展示空間（Spaces）都開始採用類似 Git 的版本控制與協作模式。這意味著 AI 開發不再只是科學家的專利，而是轉向以「程式碼為中心」的開發者生態，讓軟體工程師能用幾行程式碼輕鬆整合強大模型。