در دنیای توسعه وب، تبدیل طرح اولیه به یک وب‌سایت کاربردی معمولاً به کدنویسی زیاد و آزمایش‌های دقیق نیاز دارد. اما اگر این فرایند با کمک هوش مصنوعی ساده‌تر و سریع‌تر شود چه؟ دیتاست جدید WebSight که توسط Hugging Face منتشر شده، گامی مهم در این مسیر است.
چالش تبدیل اسکرین‌شات به HTML
تبدیل یک طراحی وب یا اسکرین‌شات به کد HTML معمولاً به یک توسعه‌دهنده با تجربه نیاز دارد. اما محققان در پی آن هستند که با استفاده از مدل‌های زبانی بصری (VLM) راه‌حل‌های کمکد ایجاد کنند که بهره‌وری را افزایش دهد. بزرگ‌ترین مانع، نبود دیتاست‌های باکیفیت و متناسب برای این کار است.
WebSight؛ دیتاست مصنوعی بزرگ
WebSight یک دیتاست مصنوعی بزرگ شامل جفت‌های اسکرین‌شات و کد HTML است. این دیتاست به گونه‌ای طراحی شده که شکاف موجود در داده‌های آموزشی برای مدل‌های تبدیل تصویر به کد را پر کند. محققان با تولید انبوه این داده‌ها، امکان آموزش مدل‌های قدرتمندتر را فراهم کرده‌اند.
مدل Sightseer
در کنار این دیتاست، مدل Sightseer نیز معرفی شده که بر روی WebSight تنظیم دقیق (Fine-Tune) شده است. این مدل می‌تواند از روی یک اسکرین‌شات، کد HTML متناظر را تولید کند. این قابلیت می‌تواند ابزارهای تازه‌ای را در اختیار طراحان و توسعه‌دهندگان قرار دهد.
اهمیت این گام برای آینده توسعه وب
با چنین پیشرفت‌هایی، هوش مصنوعی به تدریج جای خود را در چرخه توسعه وب باز می‌کند. این فناوری می‌تواند به افرادی که دانش برنامه‌نویسی ندارند نیز امکان طراحی وب‌سایت بدهد. مهم‌ترین مزایای این رویکرد عبارتند از:
- کاهش زمان تبدیل طراحی به کد
- کاهش نیاز به دانش عمیق برنامه‌نویسی
- امکان تولید سریع نمونه‌های اولیه وب‌سایت
- یکپارچه‌سازی آسان با ابزارهای طراحی موجود
منبع: وبلاگ Hugging Face
پرسش‌های پرتکرار
WebSight چیست؟
WebSight یک دیتاست بزرگ مصنوعی از جفت‌های اسکرین‌شات و کد HTML است که توسط Hugging Face منتشر شده و برای آموزش مدل‌های زبانی بصری به منظور تبدیل خودکار تصویر به کد استفاده می‌شود.
مدل Sightseer چه کاربردی دارد؟
Sightseer مدلی است که بر روی دیتاست WebSight تنظیم دقیق شده و می‌تواند از روی اسکرین‌شات یک وب‌سایت، کد HTML مربوطه را تولید کند.
