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.

Yuli Code — bajas-clientesML StudioSans réseau
  1. 1Accueil
  2. 2Données
  3. 3Concevoir
  4. 4Entraîner
  5. 5Évaluer
  6. 6Publier
MeilleurF1 0,872
Rythme · 38,4 étapes/sEntraînement en cours
Fin dans4 min 12 s
Époque 18 sur 24 Perte (entraînement) Perte (validation)
Métriques de validation
  • F10,872
  • AUC0,931
  • Precision0,858
  • Recall0,887

Critère d’acceptation : F1 ≥ 0,85 · Respecté

clientes.csv · v4 · 48 210 lignes
  • antiguedad_mesesint
  • plancat
  • email••••••
  • 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

models/churn-gbm/v3GPU · 8,1 / 12 GBPython 3.12 · .venv

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. 1

    Accueil

    Vous décrivez l’objectif avec vos mots et Yuli le traduit en ML : type de problème, métrique et stratégie.

  2. 2

    Données

    Vous importez et profilez : valeurs nulles, équilibre, corrélations, données sensibles masquées et versions immuables.

  3. 3

    Concevoir

    Yuli propose la stratégie et répond à huit questions, de ce qu’il apprend à la façon de mesurer le progrès.

  4. 4

    Entraîner

    Courbe d’apprentissage en direct, pause, reprise, recherche d’hyperparamètres et alerte de surapprentissage.

  5. 5

    Évaluer

    Évaluation indépendante sur des données que l’entraînement n’a jamais vues : robustesse, équité et champion contre challenger.

  6. 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.