Documentation / ML Studio
Entraînement
Concevez la stratégie avec huit questions, lancez un entraînement, suivez la courbe en direct, comparez les expériences et faites remonter les résultats de votre propre script avec le SDK.
Sur cette page
Dans Yuli, un entraînement est un travail avec un plan, une validation et un historique : il continue même si vous fermez le chat, il peut être mis en pause et il produit une version du modèle évaluée séparément.
Concevoir la stratégie
Dans l’onglet Concevoir, Yuli propose une stratégie et la justifie en répondant à huit questions :
| # | Question | Exemple de réponse |
|---|---|---|
| 1 | Ce qu’il apprend | Si un client résiliera dans les 90 prochains jours. |
| 2 | La stratégie choisie | À partir de zéro, avec du gradient boosting. |
| 3 | Pourquoi | Données tabulaires, 40 000 lignes, pas de modèle antérieur. |
| 4 | Les alternatives évaluées | Régression logistique (référence) et random forest. |
| 5 | Les ressources nécessaires | CPU, quelques minutes, peu de mémoire. |
| 6 | Ses limites | Il ne connaît pas les clients de moins d’un mois. |
| 7 | Comment saurons-nous qu’il s’est amélioré | F1 en test ≥ 0,85 et meilleur que la référence. |
| 8 | Niveau de prise en charge | À quel point ce chemin est éprouvé dans Yuli. |
Relisez, ajustez ce qui doit l’être et cliquez sur Approuver et entraîner ›.
Stratégies
| Stratégie | Quand |
|---|---|
| À partir de zéro | Il n’existe pas de modèle antérieur. |
| Démarrage à chaud | Repartir des poids d’une version précédente. |
| Fine-tuning | Adapter un modèle déjà entraîné à vos données. |
| Extraction de caractéristiques | Utiliser un modèle comme générateur de variables. |
| Semi-supervisé | Peu d’étiquettes et beaucoup d’exemples non étiquetés. |
| Auto-supervisé | Apprendre la structure de données sans étiquettes. |
| Apprentissage continu | Mettre à jour le modèle avec de nouvelles données sans oublier ce qu’il a appris. |
Nouvel entraînement
Dans Nouvel entraînement, vous renseignez :
| Champ | Ce que c’est |
|---|---|
| Dataset | La version des données utilisée pour l’entraînement. |
| Colonne à prédire | La cible (target). |
| Framework | scikit-learn, PyTorch, Transformers, XGBoost, LightGBM ou votre propre script. |
| Algorithme | Un algorithme précis ou Automatique (Yuli choisit). |
| Époques | Le nombre de passages sur les données (réseaux de neurones). |
| Appareil | CPU ou GPU. |
| Mode | Un entraînement, Recherche d’hyperparamètres ou AutoML. |
Algorithmes tabulaires inclus : régression logistique et linéaire, ridge, lasso, random forest, extra trees, gradient boosting, arbre de décision, kNN, naive Bayes, SVM, SGD et MLP. Pour les anomalies : isolation forest, LOF et z-score robuste.
Lorsque vous cliquez sur Entraîner, Yuli fait trois choses dans l’ordre :
- Planifier : il calcule la mémoire, le temps, l’appareil et le risque.
- Valider : il vérifie que les données n’ont pas changé, que l’environnement Python est prêt et que les ressources sont disponibles.
- Démarrer : il lance le travail.
États et commandes
| État | Signification |
|---|---|
| En file d’attente | Attend son tour ou des ressources (par exemple, « Attente de VRAM : nécessite X, Y disponible »). |
| Validation | Vérifications préalables. |
| En cours | Entraînement en cours. |
| Mise en pause / En pause | Enregistre un point de contrôle et s’arrête. |
| Terminé | A terminé et enregistré une version. |
| Échec | S’est arrêté sur une erreur ; Voir le journal en indique la raison. |
| Annulé | Vous l’avez arrêté. |
Commandes : Pause, Reprendre, Annuler et Voir le journal.
Courbe d’apprentissage en direct
La Courbe d’apprentissage trace la perte et les métriques de train et de validation pendant l’entraînement, avec Époque n sur N, Meilleur jusqu’ici, Écoulé, Restant et, si un GPU est utilisé, GPU : nom. Choisissez le lissage (Brut, Lisse, Très lisse) et activez Échelle log lorsque la perte baisse de plusieurs ordres de grandeur.
Si la perte de validation augmente alors que celle de train continue de baisser, le modèle mémorise : Yuli signale un possible surapprentissage. Arrêtez plus tôt ou réduisez la complexité.
Expériences et recherche d’hyperparamètres
Expériences conserve chaque entraînement avec ses paramètres, ses données et ses métriques pour les comparer côte à côte.
- Recherche d’hyperparamètres utilise Optuna pour essayer des combinaisons et garder la meilleure en validation.
- AutoML essaie plusieurs algorithmes et configurations pour vous.
- Si votre équipe utilise MLflow, vous pouvez y refléter les expériences (facultatif).
Votre propre script avec le SDK
Si vous avez déjà une boucle d’entraînement (spaCy compris), utilisez framework: script et faites remonter les
résultats avec yuli_ml.sdk. Votre script apparaît dans ML Studio comme un adaptateur intégré : courbes, pause,
points de contrôle et version enregistrée.
# train.py
import numpy as np
import yuli_ml.sdk as yuli
epochs = 20
device = yuli.device() # "cuda:0", "mps" ou "cpu", selon ce que Yuli a réservé
yuli.info(f"Entraînement sur {device}")
start = 0
if yuli.resume_from(): # reprendre après une pause
start = load_checkpoint(yuli.resume_from())
best_f1, best_epoch = 0.0, 0
for epoch in range(start, epochs):
loss = train_one_epoch(device)
f1 = validate()
yuli.log("train/loss", loss, step=epoch, epoch=epoch)
yuli.log("val/f1", f1, step=epoch, epoch=epoch, split="validation")
if f1 > best_f1:
best_f1, best_epoch = f1, epoch
if yuli.should_stop(): # l’utilisateur a cliqué sur Pause ou Annuler
path = yuli.checkpoint_dir()
save_checkpoint(path, epoch)
yuli.checkpoint(path, step=epoch, epoch=epoch, resumable=True)
yuli.stop()
yuli.progress(epoch + 1, epochs)
yuli.save_model({"layer.weight": np.zeros((4, 4))}, metrics={"f1": best_f1}, best_epoch=best_epoch)| Fonction | Pour quoi faire |
|---|---|
log, progress, info | Métriques, progression et messages en direct. |
should_stop, checkpoint, checkpoint_dir, resume_from | Pause, points de contrôle et reprise. |
model_dir, save_model, report | Dossier de la version, poids finaux et rapports d’évaluation. |
device, use_gpu | L’appareil réservé (et spacy.prefer_gpu() si vous utilisez spaCy). |
warm_start | Les poids de la version à partir de laquelle vous faites le fine-tuning. |
En dehors de Yuli (python train.py dans un terminal), chaque appel du SDK ne fait rien : votre script continue de
fonctionner seul.
Besoin d’un algorithme ou d’une métrique à vous ? Écrivez-les dans ml/extensions/*.py avec @ext.algorithm,
@ext.metric ou @ext.transform, et utilisez-les comme ceux qui sont inclus.
Étape suivante : Évaluation et modèles.