Documentación / ML Studio

Qué es ML Studio

El espacio de machine learning de Yuli. Datos, experimentos, entrenamiento, modelos y despliegue en un flujo guiado de seis pasos, todo en tu equipo.

En esta página

ML Studio es el espacio de machine learning de Yuli: datos, experimentos, entrenamiento, modelos y despliegue. Lo reconoces por su tono violeta en el riel izquierdo y lo abres con Ctrl+Alt+4 (⌘+Alt+4 en macOS).

Todo ocurre en tu equipo: importar datos, entrenar, evaluar, servir el modelo en 127.0.0.1, el LLM local y la base de conocimiento (RAG). El agente te ayuda a diseñar y a leer resultados, pero los datos reales solo los ven tú y tus modelos locales. Ver Privacidad y sandbox de ML.

ML Studio entrena en Python, en un entorno propio de cada proyecto. Requiere Python 3.11 o posterior. Las librerías nunca se instalan sin tu permiso y van al entorno del proyecto, no al sistema.

Empieza aquí

La pestaña Inicio abre con «✦ Empieza aquí» y una pregunta: «¿Qué quieres que aprenda tu modelo?». «Habla desde tu campo. Yuli traduce a ML.» Escribe el problema con tus palabras o elige un ejemplo:

NegocioOperaciónTexto y lenguaje
Predecir bajasSeries temporalesEspecializar un LLM
Prever ventasDetectar anomalíasClasificar logs
Riesgo de impagoRecomendar productosClasificar tickets
Segmentar clientesEfecto de una campañaDetectar datos sensibles

Pulsa Que Yuli lo proponga ✦ y el agente traduce tu objetivo a un tipo de problema, una métrica y una estrategia.

Mientras un modelo entrena, la portada muestra el estado en vivo: Mejor (la mejor métrica hasta ahora), Ritmo · n pasos/s y Termina en. Si la pérdida de validación empieza a subir, avisa: «La pérdida de validación sube desde su mínimo: posible sobreajuste.»

Crear un proyecto de ML

El asistente pregunta «¿Cómo quieres empezar este modelo?»:

OpciónCuándo elegirla
Desde una plantillaPara aprender o arrancar rápido con datos de ejemplo.
Con mi propio modeloYa tienes un script o un modelo y quieres verlo en ML Studio.
Con el agenteDescribes el problema y el agente prepara el proyecto.
Desde ceroUn proyecto vacío que configuras tú.

Frameworks de partida: scikit-learn (clásico), PyTorch (red neuronal) y Transformers (texto). Plantillas: Clasificación tabular, Detección de fraude, Red neuronal (PyTorch), Regresión y Clasificación de textos.

Yuli crea el manifiesto yuli-ml.yaml en la raíz del proyecto. Un proyecto puede tener varios modelos; la lista vive en 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 o auto
policies:
  maxConcurrentJobs: 1
  allowNetwork: false   # el worker de ML no tiene red por defecto
  retainCheckpoints: 3
acceptance:
  minimum_f1: 0.85
  maximum_latency_ms: 200

El flujo guiado en 6 pasos

Las pestañas numeradas te llevan de la idea al modelo publicado. Puedes volver a cualquier paso.

1 de 6

1 · Inicio

Describes el objetivo y Yuli propone el enfoque. Aquí ves también el estado en vivo de lo que está entrenando.

Más herramientas

Además del flujo guiado, ML Studio trae herramientas para quien quiere ir más lejos:

HerramientaPara qué
Tipos de aprendizajeElegir entre clasificación, regresión, anomalías, series, recomendación, refuerzo…
Explorador del modeloVer por dentro lo que aprendió el modelo.
Diseñador de arquitecturaComponer redes neuronales capa a capa. Ver Deep learning y GPU.
ExperimentosComparar entrenamientos, parámetros y métricas.
LLM Studio («Lenguaje»)Especializar modelos de lenguaje. Ver LLM Studio y RAG.
Feature LabCrear y probar variables derivadas.
Conocimiento (RAG)Responder con tus documentos.
InteligenciaAgentes de ML y Asesor de enfoque.
OperaciónPipelines, gateway con canary, sombra y rollback, y tus extensiones.
Guía de machine learningUna guía completa, de lo básico a las fórmulas.

Cuándo NO usar ML

No todo problema necesita un modelo. El Asesor de enfoque analiza tu objetivo y tus datos y responde con uno de estos veredictos:

VeredictoQué significa
Un modelo aportaHay patrón, datos suficientes y una métrica clara. Adelante.
Basta una reglaUna condición simple resuelve el caso igual o mejor, y es más fácil de mantener.
No hace falta MLEl problema es determinista: una consulta, un cálculo o una validación.
LLM con RAGNecesitas responder con tus documentos, no predecir una columna.
Faltan datosAún no hay ejemplos suficientes o etiquetados para aprender.

Empieza siempre comparando con la base más simple posible (la clase más frecuente, la media). Si el modelo no la supera con claridad en datos que no vio, no lo necesitas todavía.

Trabajar con el agente

Los agentes operan ML Studio con herramientas MCP propias: ml_project, ml_data, ml_tokenizer, ml_architecture, ml_training, ml_experiment, ml_evaluation, ml_inference, ml_model, ml_resources y ml_agents. En un equipo de agentes hay roles específicos: data-engineer, ml-engineer, evaluator y mlops.

Pídele cosas como «entrena un modelo que prediga las bajas con estos datos» o «¿por qué este modelo falla con los clientes nuevos?». Verás cada paso en vivo en ML Studio, y lo irreversible (promover a producción) siempre lo decide una persona.