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.
- 1Inicio
- 2Datos
- 3Diseñar
- 4Entrenar
- 5Evaluar
- 6Publicar
- F10,872
- AUC0,931
- Precision0,858
- Recall0,887
Criterio de aceptación: F1 ≥ 0,85 · Cumple
antiguedad_mesesintplancatemail••••••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
De la idea al modelo en seis pasos
Las pestañas numeradas te llevan de la mano. Puedes volver a cualquier paso.
- 1
Inicio
Describes el objetivo con tus palabras y Yuli lo traduce a ML: tipo de problema, métrica y estrategia.
- 2
Datos
Importas y perfilas: nulos, balance, correlaciones, datos sensibles enmascarados y versiones inmutables.
- 3
Diseñar
Yuli propone la estrategia y responde ocho preguntas, de qué aprende a cómo sabremos que mejoró.
- 4
Entrenar
Curva de aprendizaje en vivo, pausa, reanudación, búsqueda de hiperparámetros y aviso de sobreajuste.
- 5
Evaluar
Evaluación independiente en datos que el entrenamiento nunca vio: robustez, equidad y campeón contra retador.
- 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.