AI Sheets : outil no‑code pour créer et enrichir des jeux de données avec des modèles open

TL;DR

• AI Sheets est un outil open-source no‑code, à interface type tableur, pour construire, transformer et enrichir des jeux de données avec des modèles d’IA.
• Il s’exécute dans le navigateur via une Space Hugging Face ou peut être téléchargé et déployé localement depuis GitHub.
• Accès à des milliers de modèles du Hub via des Inference Providers ou des modèles locaux (y compris gpt-oss d’OpenAI) ; les modifications manuelles servent d’exemples few-shot.

Contexte et arrière‑plan

Hugging Face a présenté AI Sheets : une interface qui permet de travailler sur des datasets en utilisant des modèles d’IA sans écrire de code. L’outil reprend le paradigme d’une feuille de calcul où chaque nouvelle colonne est créée à partir d’un prompt en langage naturel qui peut référencer des colonnes existantes. AI Sheets est étroitement intégré au Hugging Face Hub et à l’écosystème de modèles open-source, avec la possibilité d’utiliser des modèles via des Inference Providers ou localement. L’approche privilégie l’expérimentation rapide : commencer avec un petit jeu de données pour affiner les prompts avant de lancer des pipelines de génération plus longs et coûteux. On peut essayer AI Sheets immédiatement dans la Space hébergée ou cloner le dépôt pour un déploiement local.

Ce qui est nouveau

AI Sheets apporte plusieurs capacités clés :

• Génération de datasets à partir d’une description en langage naturel (fonction “auto-dataset” ou “prompt-to-dataset”).
• Importation de datasets existants et génération de colonnes pour transformation, classification, analyse, enrichissement (avec recherche web si activée) et génération synthétique.
• Workflow itératif où les modifications manuelles et les validations sont ajoutées comme exemples few-shot pour améliorer les régénérations.
• Possibilité de comparer des modèles et d’utiliser une colonne juge qui emploie un LLM pour évaluer ou classer les réponses. Essayez la démo : https://huggingface.co/spaces/aisheets/sheets. Code source et déploiement local : https://github.com/huggingface/sheets.

Pourquoi cela compte (impact pour développeurs et entreprises)

AI Sheets facilite l’expérimentation centrée données via une interface familière et une automatisation pilotée par modèles. Impacts observés :

• Itération rapide sur prompts et formats de données : tester et ajuster sur peu d’exemples avant d’investir en calcul.
• Accès flexible aux modèles : possibilité d’utiliser des milliers de modèles du Hub via Inference Providers ou des modèles locaux ; l’annonce mentionne explicitement gpt-oss d’OpenAI.
• Nettoyage et enrichissement de données : normalisation de texte, extraction d’idées, catégorisation ou remplissage d’informations manquantes (ex. code postal) avec des prompts simples.
• Reproductibilité : l’export vers le Hub génère un fichier de configuration réutilisable pour des tâches de génération à grande échelle et des usages en aval. Pour les équipes qui préparent des données d’entraînement ou des pipelines, AI Sheets offre un moyen rapide de prototyper des transformations, comparer des modèles et capter des corrections humaines.

Détails techniques ou mise en œuvre

Interaction utilisateur

• Interface : AI Sheets présente les données sous forme de tableur éditable. Les nouvelles colonnes sont créées par des prompts qui référencent d’autres colonnes via la syntaxe {{colonne}}.
• Boucle d’itération : après génération, les cellules peuvent être modifiées ou aimées ; ces actions deviennent des exemples few-shot utilisés lors d’une régénération ou d’une extension de colonne.
• Configuration : possibilité de modifier le prompt, changer de modèle ou de fournisseur, et activer l’option “Search the web” pour des recherches externes avant régénération. Accès aux modèles et déploiement
• Démo hébergée : essayez AI Sheets sans installation sur https://huggingface.co/spaces/aisheets/sheets.
• Déploiement local : le code source est disponible sur https://github.com/huggingface/sheets. Pour une utilisation locale, Hugging Face recommande un abonnement PRO pour obtenir 20x d’usage mensuel d’inférence si vous souhaitez plus de capacité.
• Modèles : AI Sheets peut appeler des milliers de modèles du Hugging Face Hub via des Inference Providers ou utiliser des modèles locaux ; l’annonce cite gpt-oss d’OpenAI comme exemple. Export et montée en charge
• Export Hub : exporter un dataset vers le Hub produit un fichier de configuration décrivant les prompts et les few-shot issus des éditions/validations. Ce config peut être réutilisé pour créer des jeux de données plus importants via des jobs automatisés et pour réutiliser les prompts dans des applications en aval. Exemples pratiques
• Comparaison de modèles : importez un dataset de prompts et ajoutez une colonne par modèle, p. ex. “Answer the following: {{prompt}}” ; ajoutez une colonne juge pour évaluer les réponses.
• Nettoyage : ajoutez une colonne avec un prompt comme “Remove extra punctuation marks from the following text: {{text}}” et régénérez après validation.
• Classification/Analyse : prompts exemples : “Categorize the following text: {{text}}” ou “Extract the most important ideas from the following: {{text}}”.
• Enrichissement web : pour retrouver des codes postaux manquants, activez “Search the web” et utilisez un prompt se référant à la colonne d’adresse.
• Données synthétiques : générez une colonne de biographie professionnelle puis une colonne d’emails réalistes écrits par cette personne. | Tâche | Exemple de prompt de colonne |--- |--- |Réponse / comparaison | Answer the following: {{prompt}} |Nettoyage texte | Remove extra punctuation marks from the following text: {{text}} |Classification | Categorize the following text: {{text}} |Extraction / analyse | Extract the most important ideas from the following: {{text}} |Enrichissement (web) | Find the zip code of the following address: {{address}} |

Points clés

• AI Sheets fournit une expérience no‑code de type tableur pour travailler des datasets avec des modèles ouverts ou locaux.
• Les corrections manuelles servent d’exemples few-shot pour améliorer les générations suivantes.
• Disponible en Space pour test immédiat et sur GitHub pour déploiement local ; l’export vers le Hub crée des configs réutilisables.

Références

• Démo : https://huggingface.co/spaces/aisheets/sheets
• Code et deploy local : https://github.com/huggingface/sheets
• Exemple de dataset créé avec AI Sheets : https://huggingface.co/datasets/dvilasuero/jsvibes-qwen-gpt-oss-judged
• Annonce originale : https://huggingface.co/blog/aisheets