Gradio, AI 워크플로우 구축을 위한 gr.Workflow 기능 도입

Gradio는 AI 애플리케이션 파이프라인을 시각적으로 구축하고 실행하며 배포할 수 있는 새로운 기능인 `gr.Workflow`를 도입한다. 2026년 8월 25일 공개된 이 기능은 AI 모델의 여러 단계를 그래프 형태의 인터페이스로 표현하여 개발자가 드래그 앤 드롭 방식으로 워크플로우를 설계할 수 있도록 지원한다. 각 단계의 중간 결과는 즉시 시각적으로 확인 가능하며, 구축된 워크플로우는 자동으로 REST API로 변환되고 Hugging Face Spaces에 한 번의 명령으로 배포할 수 있다.

대부분의 AI 애플리케이션은 이미지 생성 후 배경 제거, 스크립트 작성 후 음성 합성 등 여러 단계를 거치는 파이프라인 구조를 가진다. 기존에는 이러한 다단계 프로세스를 파이썬 코드로 직접 연결하고, 문제가 발생하면 `print-debugging`을 통해 각 단계의 값을 일일이 확인해야 하는 비효율적인 과정이 있었다. `gr.Workflow`는 이러한 복잡성을 해소하고, 파이프라인 구축 및 디버깅 과정을 시각화하여 개발자가 더욱 직관적이고 효율적으로 AI 애플리케이션을 개발할 수 있도록 돕기 위해 설계되었다.

`gr.Workflow`는 `references`(입력), `operators`(작업 수행 단계), `subjects`(출력)의 세 가지 노드 유형으로 구성된 그래프를 기반으로 한다. `operator` 노드는 사용자 정의 파이썬 함수, Hugging Face Inference Providers의 모델, 다른 Gradio Space, 또는 Hugging Face Hub 데이터셋의 행이 될 수 있다. 노드들은 타입이 지정된 포트 간 드래그 앤 드롭 방식으로 연결되며, 실행 시 각 단계의 결과가 실시간으로 표시된다. 예를 들어, Qwen-Image-Edit 모델을 호출하는 단일 노드로 이미지 편집 파이프라인을 구축하거나, FLUX 모델, 배경 제거 Gradio Space, 텍스트-음성 변환 Gradio Space, LLM 호출 등을 조합하여 AI 미디어 스튜디오를 구성할 수 있다. 또한, 하나의 입력에서 여러 연산자가 동시에 병렬로 작동하는 '팬아웃(fan-out)' 패턴을 지원하여, 하나의 프롬프트로 여러 스타일의 이미지를 동시에 생성하거나 Hugging Face 데이터셋 ID를 입력하여 데이터셋의 개요, 미리보기, 열별 통계, 분포 차트 등을 병렬로 분석할 수 있다.

특히, `fn` 노드는 파이썬 함수를 실행하므로, Hugging Face Spaces 내의 GPU에서 직접 모델을 실행할 수도 있다. `@spaces.GPU` 데코레이터를 함수에 적용하면, 해당 노드가 실행될 때 ZeroGPU가 GPU를 할당하고 모델을 실행한 후 해제한다. 이는 Lightricks/LTX-Video와 같은 모델을 Diffusers를 통해 로드하여 정지 이미지를 애니메이션화하는 데모에서 확인할 수 있으며, `gr.Workflow`는 GPU 설정에 대한 별도의 지식 없이 바인딩된 함수를 호출한다.

개발자에게 `gr.Workflow`는 AI 파이프라인 구축 및 디버깅의 시각화를 통해 개발 효율성을 크게 향상시킨다. 복잡한 다단계 AI 애플리케이션을 더욱 쉽게 설계하고 구현할 수 있으며, 자동으로 생성되는 REST API를 통해 별도의 백엔드 개발 없이도 워크플로우를 다른 애플리케이션에 통합할 수 있다. Hugging Face Spaces와의 긴밀한 통합은 배포 및 공유 과정을 간소화한다. 사용자 측면에서는 드래그 앤 드롭 인터페이스를 통해 AI 모델의 조합 및 실험이 용이해지며, 각 단계의 중간 결과를 시각적으로 확인할 수 있어 파이프라인의 동작을 직관적으로 이해할 수 있다.

구축된 모든 워크플로우는 추가 작업 없이 API로 제공된다. 각 출력은 해당 레이블 이름을 가진 REST 엔드포인트가 되며, `gradio_client` 라이브러리를 사용하여 파이썬 코드에서 호출하거나 `curl`을 통해 일반 HTTP 요청으로 접근할 수 있다. 모델 또는 Space를 호출하는 엔드포인트의 경우 Hugging Face 토큰이 필요할 수 있다. 개발자는 기존 데모를 복제하여 수정하거나, `import gradio as gr` 후 `gr.Workflow(bind=[your_function]).launch()`와 같은 간단한 코드로 시작할 수 있다. `gr.Workflow`는 AUTOMATIC1111과 같은 복잡한 애플리케이션도 구축할 수 있는 유연성을 제공하며, 자세한 내용은 공식 Gradio 문서의 `gr.Workflow` 가이드에서 확인할 수 있다.