Machine learning et deep learning, sans que vos données quittent votre machine.
De l’objectif métier au modèle publié, dans un flux guidé en six étapes. Entraînez avec scikit-learn, PyTorch ou Transformers, spécialisez des LLM locaux et répondez avec vos documents. L’agent vous aide à concevoir et à lire les résultats ; les données réelles ne sont vues que par vous et vos modèles.
- 1Accueil
- 2Données
- 3Concevoir
- 4Entraîner
- 5Évaluer
- 6Publier
- F10,872
- AUC0,931
- Precision0,858
- Recall0,887
Critère d’acceptation : F1 ≥ 0,85 · Respecté
antiguedad_mesesintplancatemail••••••telefono••••••rfc••••••bajalabel
3 colonnes masquées
Plan validé : 0 avertissement
Worker sans réseau · environnement .venv du projet
Partition stratifiée 70 / 15 / 15
Point de contrôle enregistré dans models/churn-gbm/v3
De l’idée au modèle en six étapes
Les onglets numérotés vous guident pas à pas. Vous pouvez revenir à n’importe quelle étape.
- 1
Accueil
Vous décrivez l’objectif avec vos mots et Yuli le traduit en ML : type de problème, métrique et stratégie.
- 2
Données
Vous importez et profilez : valeurs nulles, équilibre, corrélations, données sensibles masquées et versions immuables.
- 3
Concevoir
Yuli propose la stratégie et répond à huit questions, de ce qu’il apprend à la façon de mesurer le progrès.
- 4
Entraîner
Courbe d’apprentissage en direct, pause, reprise, recherche d’hyperparamètres et alerte de surapprentissage.
- 5
Évaluer
Évaluation indépendante sur des données que l’entraînement n’a jamais vues : robustesse, équité et champion contre challenger.
- 6
Publier
ONNX avec parité, quantification, tests d’intégrité et service local sur 127.0.0.1.
Tout ce qu’il faut pour entraîner sérieusement
Deep learning
Concepteur de réseaux couche par couche, tokenizers propres, diagnostic GPU, estimation de la mémoire et DDP.
LLM Studio
Spécialisez des modèles de langage locaux avec SFT, DPO, ORPO, KTO et QLoRA, et quantifiez-les sous contrôle.
Connaissances (RAG)
Répondez avec vos documents : index local, citations de la source et rien qui ne parte sur internet.
Expériences
Comparez entraînements, paramètres et métriques ; chaque version du modèle est enregistrée sur disque.
Conseiller d’approche
Il vous dit quand NE PAS utiliser le ML : si une règle suffit, s’il manque des données ou si un LLM avec RAG convient mieux.
Avec votre agent
Claude Code, Codex ou Kiro pilotent ML Studio avec des outils MCP, et vous voyez chaque étape en direct.
La frontière de vos données
ML Studio applique les mêmes règles qui protègent votre code, désormais pour vos datasets.
- Le worker n’a pas de réseauIl entraîne sans accès à internet par défaut (allowNetwork: false).
- L’agent voit des profils, pas des lignesStatistiques, schémas et métriques ; ce qui est sensible est masqué.
- L’irréversible, c’est vous qui décidezPromouvoir un modèle en production attend toujours une personne.
Entraînez votre premier modèle dès aujourd’hui
Créez votre compte, ouvrez ML Studio avec Ctrl+Alt+4 et choisissez un modèle de projet ou décrivez votre problème.