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:
| Negocio | Operación | Texto y lenguaje |
|---|---|---|
| Predecir bajas | Series temporales | Especializar un LLM |
| Prever ventas | Detectar anomalías | Clasificar logs |
| Riesgo de impago | Recomendar productos | Clasificar tickets |
| Segmentar clientes | Efecto de una campaña | Detectar 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?»:
| Opción | Cuándo elegirla |
|---|---|
| Desde una plantilla | Para aprender o arrancar rápido con datos de ejemplo. |
| Con mi propio modelo | Ya tienes un script o un modelo y quieres verlo en ML Studio. |
| Con el agente | Describes el problema y el agente prepara el proyecto. |
| Desde cero | Un 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.
# 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: 200El 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:
| Herramienta | Para qué |
|---|---|
| Tipos de aprendizaje | Elegir entre clasificación, regresión, anomalías, series, recomendación, refuerzo… |
| Explorador del modelo | Ver por dentro lo que aprendió el modelo. |
| Diseñador de arquitectura | Componer redes neuronales capa a capa. Ver Deep learning y GPU. |
| Experimentos | Comparar entrenamientos, parámetros y métricas. |
| LLM Studio («Lenguaje») | Especializar modelos de lenguaje. Ver LLM Studio y RAG. |
| Feature Lab | Crear y probar variables derivadas. |
| Conocimiento (RAG) | Responder con tus documentos. |
| Inteligencia | Agentes de ML y Asesor de enfoque. |
| Operación | Pipelines, gateway con canary, sombra y rollback, y tus extensiones. |
| Guía de machine learning | Una 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:
| Veredicto | Qué significa |
|---|---|
| Un modelo aporta | Hay patrón, datos suficientes y una métrica clara. Adelante. |
| Basta una regla | Una condición simple resuelve el caso igual o mejor, y es más fácil de mantener. |
| No hace falta ML | El problema es determinista: una consulta, un cálculo o una validación. |
| LLM con RAG | Necesitas responder con tus documentos, no predecir una columna. |
| Faltan datos | Aún 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.