Documentation / ML Studio

Qu’est-ce que ML Studio

L’espace de machine learning de Yuli. Données, expériences, entraînement, modèles et déploiement dans un flux guidé en six étapes, entièrement sur votre machine.

Sur cette page

ML Studio est l’espace de machine learning de Yuli : données, expériences, entraînement, modèles et déploiement. Vous le reconnaissez à sa teinte violette dans le rail de gauche et vous l’ouvrez avec Ctrl+Alt+4 (⌘+Alt+4 sous macOS).

Tout se passe sur votre machine : importer les données, entraîner, évaluer, servir le modèle sur 127.0.0.1, le LLM local et la base de connaissances (RAG). L’agent vous aide à concevoir et à lire les résultats, mais les données réelles ne sont vues que par vous et vos modèles locaux. Voir Confidentialité et sandbox ML.

ML Studio entraîne en Python, dans un environnement propre à chaque projet. Il nécessite Python 3.11 ou ultérieur. Les bibliothèques ne sont jamais installées sans votre autorisation et vont dans l’environnement du projet, pas dans le système.

Commencez ici

L’onglet Accueil s’ouvre sur « ✦ Commencez ici » et une question : « Que voulez-vous que votre modèle apprenne ? ». « Parlez depuis votre métier. Yuli traduit en ML. » Décrivez le problème avec vos mots ou choisissez un exemple :

MétierOpérationsTexte et langage
Prédire les résiliationsSéries temporellesSpécialiser un LLM
Prévoir les ventesDétecter des anomaliesClasser des logs
Risque d’impayéRecommander des produitsClasser des tickets
Segmenter les clientsEffet d’une campagneDétecter des données sensibles

Cliquez sur Laisser Yuli proposer ✦ et l’agent traduit votre objectif en un type de problème, une métrique et une stratégie.

Pendant qu’un modèle s’entraîne, la page d’accueil affiche l’état en direct : Meilleur (la meilleure métrique jusqu’ici), Rythme · n étapes/s et Fin dans. Si la perte de validation commence à augmenter, elle vous prévient : « La perte de validation remonte depuis son minimum : possible surapprentissage. »

Créer un projet ML

L’assistant demande « Comment voulez-vous démarrer ce modèle ? » :

OptionQuand la choisir
À partir d’un modèle de projetPour apprendre ou démarrer vite avec des données d’exemple.
Avec mon propre modèleVous avez déjà un script ou un modèle et voulez le voir dans ML Studio.
Avec l’agentVous décrivez le problème et l’agent prépare le projet.
À partir de zéroUn projet vide que vous configurez vous-même.

Frameworks de départ : scikit-learn (classique), PyTorch (réseau de neurones) et Transformers (texte). Modèles de projet : Classification tabulaire, Détection de fraude, Réseau de neurones (PyTorch), Régression et Classification de textes.

Yuli crée le manifeste yuli-ml.yaml à la racine du projet. Un projet peut avoir plusieurs modèles ; la liste se trouve dans 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 ou auto
policies:
  maxConcurrentJobs: 1
  allowNetwork: false   # le worker ML n’a pas de réseau par défaut
  retainCheckpoints: 3
acceptance:
  minimum_f1: 0.85
  maximum_latency_ms: 200

Le flux guidé en 6 étapes

Les onglets numérotés vous mènent de l’idée au modèle publié. Vous pouvez revenir à n’importe quelle étape.

1 sur 6

1 · Accueil

Vous décrivez l’objectif et Yuli propose l’approche. Vous voyez aussi ici l’état en direct de ce qui s’entraîne.

Plus d’outils

Au-delà du flux guidé, ML Studio propose des outils pour ceux qui veulent aller plus loin :

OutilPour quoi faire
Types d’apprentissageChoisir entre classification, régression, anomalies, séries, recommandation, renforcement…
Explorateur du modèleVoir de l’intérieur ce que le modèle a appris.
Concepteur d’architectureComposer des réseaux de neurones couche par couche. Voir Deep learning et GPU.
ExpériencesComparer les entraînements, les paramètres et les métriques.
LLM Studio (« Langage »)Spécialiser des modèles de langage. Voir LLM Studio et RAG.
Feature LabCréer et tester des variables dérivées.
Connaissances (RAG)Répondre avec vos documents.
IntelligenceAgents ML et Conseiller d’approche.
OpérationsPipelines, passerelle avec canary, shadow et rollback, et vos extensions.
Guide du machine learningUn guide complet, des bases jusqu’aux formules.

Quand NE PAS utiliser le ML

Tous les problèmes n’ont pas besoin d’un modèle. Le Conseiller d’approche analyse votre objectif et vos données et répond par l’un de ces verdicts :

VerdictCe qu’il signifie
Un modèle apporte de la valeurIl y a un motif, assez de données et une métrique claire. Allez-y.
Une règle suffitUne condition simple résout le cas aussi bien ou mieux, et elle est plus facile à maintenir.
Pas besoin de MLLe problème est déterministe : une requête, un calcul ou une validation.
LLM avec RAGVous devez répondre avec vos documents, pas prédire une colonne.
Données insuffisantesIl n’y a pas encore assez d’exemples, ou d’exemples étiquetés, pour apprendre.

Commencez toujours par comparer à la référence la plus simple possible (la classe la plus fréquente, la moyenne). Si le modèle ne la dépasse pas nettement sur des données qu’il n’a pas vues, vous n’en avez pas encore besoin.

Travailler avec l’agent

Les agents pilotent ML Studio avec leurs propres outils MCP : ml_project, ml_data, ml_tokenizer, ml_architecture, ml_training, ml_experiment, ml_evaluation, ml_inference, ml_model, ml_resources et ml_agents. Dans une équipe d’agents, il existe des rôles spécifiques : data-engineer, ml-engineer, evaluator et mlops.

Demandez-lui par exemple « entraîne un modèle qui prédit les résiliations avec ces données » ou « pourquoi ce modèle échoue-t-il avec les nouveaux clients ? ». Vous verrez chaque étape en direct dans ML Studio, et ce qui est irréversible (la promotion en production) est toujours décidé par une personne.