Machine learning y deep learning, sin que tus datos salgan de tu equipo.

Del objetivo de negocio al modelo publicado en un flujo guiado de seis pasos. Entrena con scikit-learn, PyTorch o Transformers, especializa LLMs locales y responde con tus documentos. El agente te ayuda a diseñar y a leer resultados; los datos reales solo los ven tú y tus modelos.

Yuli Code — bajas-clientesML StudioSin red
  1. 1Inicio
  2. 2Datos
  3. 3Diseñar
  4. 4Entrenar
  5. 5Evaluar
  6. 6Publicar
MejorF1 0,872
Ritmo · 38,4 pasos/sEntrenamiento en curso
Termina en4 min 12 s
Época 18 de 24 Pérdida (entrenamiento) Pérdida (validación)
Métricas de validación
  • F10,872
  • AUC0,931
  • Precision0,858
  • Recall0,887

Criterio de aceptación: F1 ≥ 0,85 · Cumple

clientes.csv · v4 · 48 210 filas
  • antiguedad_mesesint
  • plancat
  • email••••••
  • telefono••••••
  • rfc••••••
  • bajalabel

3 columnas enmascaradas

Plan validado: 0 advertencias

Worker sin red · entorno .venv del proyecto

Partición estratificada 70 / 15 / 15

Checkpoint guardado en models/churn-gbm/v3

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

De la idea al modelo en seis pasos

Las pestañas numeradas te llevan de la mano. Puedes volver a cualquier paso.

  1. 1

    Inicio

    Describes el objetivo con tus palabras y Yuli lo traduce a ML: tipo de problema, métrica y estrategia.

  2. 2

    Datos

    Importas y perfilas: nulos, balance, correlaciones, datos sensibles enmascarados y versiones inmutables.

  3. 3

    Diseñar

    Yuli propone la estrategia y responde ocho preguntas, de qué aprende a cómo sabremos que mejoró.

  4. 4

    Entrenar

    Curva de aprendizaje en vivo, pausa, reanudación, búsqueda de hiperparámetros y aviso de sobreajuste.

  5. 5

    Evaluar

    Evaluación independiente en datos que el entrenamiento nunca vio: robustez, equidad y campeón contra retador.

  6. 6

    Publicar

    ONNX con paridad, cuantización, pruebas de integridad y servicio local en 127.0.0.1.

Todo lo que necesitas para entrenar en serio

  • Deep learning

    Diseñador de redes capa a capa, tokenizers propios, diagnóstico de GPU, estimación de memoria y DDP.

  • LLM Studio

    Especializa modelos de lenguaje locales con SFT, DPO, ORPO, KTO y QLoRA, y cuantízalos con compuerta.

  • Conocimiento (RAG)

    Responde con tus documentos: índice local, citas a la fuente y nada que salga a internet.

  • Experimentos

    Compara entrenamientos, parámetros y métricas; cada versión del modelo queda registrada en disco.

  • Asesor de enfoque

    Te dice cuándo NO usar ML: si basta una regla, si faltan datos o si conviene un LLM con RAG.

  • Con tu agente

    Claude Code, Codex o Kiro operan ML Studio con herramientas MCP, y ves cada paso en vivo.

La frontera de tus datos

ML Studio aplica las mismas reglas que protegen tu código, ahora para tus datasets.

  • El worker no tiene redEntrena sin acceso a internet por defecto (allowNetwork: false).
  • El agente ve perfiles, no filasEstadísticas, esquemas y métricas; lo sensible va enmascarado.
  • Lo irreversible lo decides túPromover un modelo a producción siempre espera a una persona.

Entrena tu primer modelo hoy

Crea tu cuenta, abre ML Studio con Ctrl+Alt+4 y elige una plantilla o describe tu problema.