Hugging Face lanza un servicio de almacenamiento en la nube para archivos pesados de inteligencia artificial
La plataforma añade Storage Buckets, un sistema para guardar datasets, checkpoints y archivos grandes sin las limitaciones de Git.
Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados) acaba de lanzar Storage Buckets, un nuevo servicio de almacenamiento en la nube pensado específicamente para archivos grandes relacionados con inteligencia artificial. Hasta ahora, quienes subían datasets (conjuntos de datos para entrenar modelos), checkpoints (versiones intermedias guardadas durante el entrenamiento) o modelos pesados se enfrentaban a las limitaciones de Git LFS (un sistema de control de versiones que no está optimizado para archivos de varios gigabytes).
Los Storage Buckets funcionan de forma similar a servicios como Amazon S3 o Google Cloud Storage: permiten subir y descargar archivos mediante una API (interfaz de programación de aplicaciones, es decir, comandos que el código ejecuta automáticamente) sin depender de repositorios Git. Según informó Hugging Face en su blog oficial, el servicio está diseñado para simplificar flujos de trabajo habituales en machine learning, como almacenar resultados de experimentos, guardar versiones intermedias de modelos o sincronizar archivos entre equipos de desarrollo.
El servicio se integra directamente con la biblioteca huggingface_hub, lo que significa que los desarrolladores pueden subir y descargar archivos con unas pocas líneas de código en Python. Hugging Face ofrece 1 TB de almacenamiento gratuito en su plan básico, y planes de pago con mayor capacidad para equipos y empresas. La plataforma aplica sus mismas reglas de privacidad: los buckets pueden ser públicos, privados o restringidos a organizaciones concretas.
Aunque la funcionalidad es técnicamente similar a otras soluciones de almacenamiento en la nube, la apuesta de Hugging Face es ofrecer un sistema diseñado específicamente para el ecosistema de IA de código abierto: almacenar datasets crudos (sin procesar), artefactos de entrenamiento (archivos generados durante el desarrollo de un modelo) o logs (registros de actividad) sin tener que salir de la plataforma. La compañía compite directamente con opciones más genéricas como AWS S3, pero con una interfaz pensada para quienes ya trabajan con modelos y datasets en su plataforma.
