Documentation / ML Studio
Confidentialité et sandbox ML
La frontière de données de ML Studio. Ce qui reste sur votre machine, ce que voient les agents, qui démasque et ce qui se passe avant un entraînement à distance.
Sur cette page
Dans ML Studio, il y a deux publics distincts et Yuli les sépare : vous et vos modèles locaux, qui travaillez avec les données réelles, et les agents externes, qui ne voient que ce qui franchit la frontière de données.
Votre code reste sur votre machine ; avec un modèle local, rien ne sort ; avec des modèles dans le cloud, ce qui est envoyé passe d’abord par le masquage des secrets et des données personnelles.
Ce qui reste sur votre machine
Tout ML Studio s’exécute en local :
| Activité | Où elle a lieu |
|---|---|
| Importer et profiler les données | Sur votre machine. |
| Entraîner et évaluer | Dans le worker ML de votre machine. |
| Servir le modèle | Sur 127.0.0.1, à l’écoute uniquement sur votre machine. |
| LLM local et RAG (Connaissances) | Sur votre machine, avec des embeddings intégrés hors ligne. |
Il n’y a aucun serveur de Yuli entre vous et votre IA. La seule exception est celle que vous choisissez explicitement : entraîner sur une machine distante (voir ci-dessous).
La frontière de données
Les agents externes (Claude Code, Codex, agents ACP ou un modèle cloud derrière le chat) envoient à leur fournisseur ce qu’ils lisent. C’est pourquoi tout ce que ML Studio leur répond passe par une frontière de données :
- Les colonnes sensibles sortent sous la forme
•••. - Les adresses e-mail, cartes, numéros de téléphone, CURP/RFC et adresses IP sont retirés du texte libre.
- Les agrégats, eux, passent : profils, métriques et importance des variables. Un agent peut raisonner sur « les variables qui pèsent le plus » sans voir un seul client.
Exemple de ce que voit un agent lorsqu’il demande un échantillon :
cliente_id email curp saldo_prom pedidos_pagados baja
••• ••• ••• 1 840.50 12 0
••• ••• ••• 312.00 2 1Avec un modèle dans le cloud, en outre, ce qui est envoyé au fournisseur passe par le filtre de sortie : les secrets
sont remplacés par un marqueur yuli:secret#N et les données personnelles par un marqueur yuli:pii#N, avec une
étiquette HMAC par session. Ils ne sont restitués qu’à l’écriture sur disque. Voir
Secrets et confidentialité.
Détecteur de sensibilité
Dans Données › Sensibilité, chaque colonne reçoit une probabilité, une catégorie et un masquage suggéré. Le détecteur combine le nom de la colonne, des motifs et des validateurs à chiffre de contrôle :
| Validateur | Détecte |
|---|---|
| Cartes | Numéros de cartes de paiement. |
| IBAN | Comptes bancaires internationaux. |
| CLABE | Comptes bancaires mexicains. |
| CPF | Identifiant fiscal brésilien. |
| CURP / RFC | Identifiant personnel et fiscal mexicain. |
Qui démasque
Seule une personne peut marquer une colonne comme non sensible. Un agent ne peut jamais démasquer des données pour lui-même, pas même au sein d’une équipe d’agents.
Ce que vous décidez :
- Marquer comme sensible une colonne que Yuli n’a pas détectée.
- Marquer comme non sensible une colonne détectée par erreur.
- Créer une copie masquée pour partager le dataset.
Worker sans réseau par défaut
Le processus qui entraîne (le worker ML) n’a pas accès au réseau par défaut :
| Mesure | Effet |
|---|---|
HF_HUB_OFFLINE | Les bibliothèques Hugging Face ne téléchargent rien. |
PIP_NO_INDEX | pip n’installe pas de paquets depuis internet. |
bwrap --unshare-net (Linux) | Le processus s’exécute sans interface réseau. |
Ainsi, un script d’entraînement ou une dépendance ne peut envoyer vos données nulle part. Le réseau n’est ouvert que si le projet l’autorise explicitement :
# yuli-ml.yaml
policies:
allowNetwork: true # par exemple, pour télécharger une base depuis le catalogueN’activez allowNetwork que le temps nécessaire (télécharger une base ou une dépendance) et repassez-le à false
ensuite.
Avant d’entraîner à distance
Entraîner sur une machine distante (SSH ou cloud) est la seule voie par laquelle les données ML quittent votre machine, et cela n’arrive jamais sans avertissement. Avant le lancement, Yuli affiche :
« Les données partent vers host : le dataset et le code lus par le travail sont envoyés. À la fin, Yuli rapatrie le modèle, vérifie chaque fichier et supprime les données là-bas (sauf si la machine les conserve). »
Voir aussi Deep learning et GPU et Sécurité.