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:
| Geschäft | Betrieb | Text und Sprache |
|---|---|---|
| Kündigungen vorhersagen | Zeitreihen | Ein LLM spezialisieren |
| Umsätze prognostizieren | Anomalien erkennen | Logs klassifizieren |
| Zahlungsausfallrisiko | Produkte empfehlen | Tickets klassifizieren |
| Kunden segmentieren | Wirkung einer Kampagne | Sensible 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?“
| Option | Wann du sie wählst |
|---|---|
| Aus einer Vorlage | Zum Lernen oder für einen schnellen Start mit Beispieldaten. |
| Mit meinem eigenen Modell | Du hast schon ein Skript oder ein Modell und willst es in ML Studio sehen. |
| Mit dem Agenten | Du beschreibst das Problem, und der Agent bereitet das Projekt vor. |
| Von Grund auf | Ein 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.
# 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: 200Der 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:
| Werkzeug | Wofür |
|---|---|
| Lernarten | Zwischen Klassifikation, Regression, Anomalien, Zeitreihen, Empfehlung, Reinforcement… wählen. |
| Modell-Explorer | Von innen sehen, was das Modell gelernt hat. |
| Architektur-Designer | Neuronale Netze Schicht für Schicht zusammensetzen. Siehe Deep Learning und GPU. |
| Experimente | Trainingsläufe, Parameter und Metriken vergleichen. |
| LLM Studio („Sprache“) | Sprachmodelle spezialisieren. Siehe LLM Studio und RAG. |
| Feature Lab | Abgeleitete Variablen erstellen und testen. |
| Wissen (RAG) | Mit deinen Dokumenten antworten. |
| Intelligenz | ML-Agenten und Ansatzberater. |
| Betrieb | Pipelines, Gateway mit Canary, Shadow und Rollback sowie deine Erweiterungen. |
| Machine-Learning-Leitfaden | Ein 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:
| Urteil | Was es bedeutet |
|---|---|
| Ein Modell lohnt sich | Es gibt ein Muster, genug Daten und eine klare Metrik. Los geht's. |
| Eine Regel reicht | Eine einfache Bedingung löst den Fall genauso gut oder besser und ist leichter zu pflegen. |
| Kein ML nötig | Das Problem ist deterministisch: eine Abfrage, eine Berechnung oder eine Validierung. |
| LLM mit RAG | Du musst mit deinen Dokumenten antworten, nicht eine Spalte vorhersagen. |
| Zu wenige Daten | Es 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.