Dokumentation / ML Studio

Was ist ML Studio

Der Machine-Learning-Bereich von Yuli. Daten, Experimente, Training, Modelle und Deployment in einem geführten Ablauf mit sechs Schritten, alles auf deinem Rechner.

Auf dieser Seite

ML Studio ist der Machine-Learning-Bereich von Yuli: Daten, Experimente, Training, Modelle und Deployment. Du erkennst ihn an seinem violetten Farbton in der linken Leiste und öffnest ihn mit Ctrl+Alt+4 (⌘+Alt+4 unter macOS).

Alles geschieht auf deinem Rechner: Daten importieren, trainieren, evaluieren, das Modell auf 127.0.0.1 bereitstellen, das lokale LLM und die Wissensbasis (RAG). Der Agent hilft dir beim Entwerfen und beim Lesen der Ergebnisse, aber die echten Daten sehen nur du und deine lokalen Modelle. Siehe Datenschutz und Sandbox für ML.

ML Studio trainiert in Python, in einer eigenen Umgebung pro Projekt. Es erfordert Python 3.11 oder neuer. Bibliotheken werden nie ohne deine Erlaubnis installiert und landen in der Projektumgebung, nicht im System.

Fang hier an

Der Tab Start öffnet mit „✦ Fang hier an“ und einer Frage: „Was soll dein Modell lernen?“ „Sprich aus deinem Fachgebiet. Yuli übersetzt in ML.“ Beschreibe das Problem in deinen Worten oder wähle ein Beispiel:

GeschäftBetriebText und Sprache
Kündigungen vorhersagenZeitreihenEin LLM spezialisieren
Umsätze prognostizierenAnomalien erkennenLogs klassifizieren
ZahlungsausfallrisikoProdukte empfehlenTickets klassifizieren
Kunden segmentierenWirkung einer KampagneSensible Daten erkennen

Klicke auf Yuli schlägt vor ✦, und der Agent übersetzt dein Ziel in einen Problemtyp, eine Metrik und eine Strategie.

Während ein Modell trainiert, zeigt die Startseite den Live-Status: Bester Wert (die beste Metrik bisher), Tempo · n Schritte/s und Fertig in. Wenn der Validierungsverlust zu steigen beginnt, warnt sie: „Der Validierungsverlust steigt seit seinem Minimum: mögliches Overfitting.“

Ein ML-Projekt erstellen

Der Assistent fragt: „Wie möchtest du dieses Modell beginnen?“

OptionWann du sie wählst
Aus einer VorlageZum Lernen oder für einen schnellen Start mit Beispieldaten.
Mit meinem eigenen ModellDu hast schon ein Skript oder ein Modell und willst es in ML Studio sehen.
Mit dem AgentenDu beschreibst das Problem, und der Agent bereitet das Projekt vor.
Von Grund aufEin leeres Projekt, das du selbst konfigurierst.

Start-Frameworks: scikit-learn (klassisch), PyTorch (neuronales Netz) und Transformers (Text). Vorlagen: Tabellarische Klassifikation, Betrugserkennung, Neuronales Netz (PyTorch), Regression und Textklassifikation.

Yuli erstellt das Manifest yuli-ml.yaml im Stammverzeichnis des Projekts. Ein Projekt kann mehrere Modelle haben; die Liste liegt in ml/use-cases.json.

yaml
# yuli-ml.yaml
apiVersion: yuli.ml/v1
project:
  name: bajas-clientes
  task: classification
runtime:
  python: "3.12"
  framework: sklearn
hardware:
  prefer: auto          # gpu, cpu, remote oder auto
policies:
  maxConcurrentJobs: 1
  allowNetwork: false   # der ML-Worker hat standardmäßig kein Netzwerk
  retainCheckpoints: 3
acceptance:
  minimum_f1: 0.85
  maximum_latency_ms: 200

Der geführte Ablauf in 6 Schritten

Die nummerierten Tabs führen dich von der Idee zum veröffentlichten Modell. Du kannst zu jedem Schritt zurückkehren.

1 von 6

1 · Start

Du beschreibst das Ziel, und Yuli schlägt den Ansatz vor. Hier siehst du auch den Live-Status dessen, was gerade trainiert.

Weitere Werkzeuge

Neben dem geführten Ablauf bringt ML Studio Werkzeuge für alle mit, die weiter gehen wollen:

WerkzeugWofür
LernartenZwischen Klassifikation, Regression, Anomalien, Zeitreihen, Empfehlung, Reinforcement… wählen.
Modell-ExplorerVon innen sehen, was das Modell gelernt hat.
Architektur-DesignerNeuronale Netze Schicht für Schicht zusammensetzen. Siehe Deep Learning und GPU.
ExperimenteTrainingsläufe, Parameter und Metriken vergleichen.
LLM Studio („Sprache“)Sprachmodelle spezialisieren. Siehe LLM Studio und RAG.
Feature LabAbgeleitete Variablen erstellen und testen.
Wissen (RAG)Mit deinen Dokumenten antworten.
IntelligenzML-Agenten und Ansatzberater.
BetriebPipelines, Gateway mit Canary, Shadow und Rollback sowie deine Erweiterungen.
Machine-Learning-LeitfadenEin vollständiger Leitfaden, von den Grundlagen bis zu den Formeln.

Wann du KEIN ML einsetzen solltest

Nicht jedes Problem braucht ein Modell. Der Ansatzberater analysiert dein Ziel und deine Daten und antwortet mit einem dieser Urteile:

UrteilWas es bedeutet
Ein Modell lohnt sichEs gibt ein Muster, genug Daten und eine klare Metrik. Los geht's.
Eine Regel reichtEine einfache Bedingung löst den Fall genauso gut oder besser und ist leichter zu pflegen.
Kein ML nötigDas Problem ist deterministisch: eine Abfrage, eine Berechnung oder eine Validierung.
LLM mit RAGDu musst mit deinen Dokumenten antworten, nicht eine Spalte vorhersagen.
Zu wenige DatenEs gibt noch nicht genug Beispiele oder Labels, um zu lernen.

Vergleiche immer zuerst mit der einfachsten möglichen Baseline (der häufigsten Klasse, dem Mittelwert). Wenn das Modell sie auf ungesehenen Daten nicht deutlich übertrifft, brauchst du es noch nicht.

Mit dem Agenten arbeiten

Die Agenten bedienen ML Studio mit eigenen MCP-Werkzeugen: ml_project, ml_data, ml_tokenizer, ml_architecture, ml_training, ml_experiment, ml_evaluation, ml_inference, ml_model, ml_resources und ml_agents. In einem Agententeam gibt es eigene Rollen: data-engineer, ml-engineer, evaluator und mlops.

Bitte ihn zum Beispiel: „Trainiere mit diesen Daten ein Modell, das Kündigungen vorhersagt“ oder „Warum versagt dieses Modell bei Neukunden?“. Du siehst jeden Schritt live in ML Studio, und über Unumkehrbares (Hochstufen in die Produktion) entscheidet immer ein Mensch.