Documentação / ML Studio
O que é o ML Studio
O espaço de machine learning do Yuli. Dados, experimentos, treinamento, modelos e implantação em um fluxo guiado de seis passos, tudo no seu computador.
Nesta página
O ML Studio é o espaço de machine learning do Yuli: dados, experimentos, treinamento, modelos e implantação. Você o
reconhece pelo tom violeta no trilho esquerdo e o abre com Ctrl+Alt+4 (⌘+Alt+4 no macOS).
Tudo acontece no seu computador: importar dados, treinar, avaliar, servir o modelo em 127.0.0.1, o LLM local e a
base de conhecimento (RAG). O agente ajuda você a projetar e a ler resultados, mas os dados reais só são vistos por
você e pelos seus modelos locais. Veja Privacidade e sandbox de ML.
O ML Studio treina em Python, em um ambiente próprio de cada projeto. Requer Python 3.11 ou posterior. As bibliotecas nunca são instaladas sem a sua permissão e vão para o ambiente do projeto, não para o sistema.
Comece aqui
A aba Início abre com «✦ Comece aqui» e uma pergunta: «O que você quer que o seu modelo aprenda?». «Fale a partir da sua área. O Yuli traduz para ML.» Descreva o problema com suas palavras ou escolha um exemplo:
| Negócio | Operação | Texto e linguagem |
|---|---|---|
| Prever cancelamentos | Séries temporais | Especializar um LLM |
| Prever vendas | Detectar anomalias | Classificar logs |
| Risco de inadimplência | Recomendar produtos | Classificar tickets |
| Segmentar clientes | Efeito de uma campanha | Detectar dados sensíveis |
Clique em Deixe o Yuli propor ✦ e o agente traduz o seu objetivo em um tipo de problema, uma métrica e uma estratégia.
Enquanto um modelo treina, a página inicial mostra o estado ao vivo: Melhor (a melhor métrica até agora), Ritmo · n passos/s e Termina em. Se a perda de validação começar a subir, ela avisa: «A perda de validação está subindo desde o seu mínimo: possível sobreajuste.»
Criar um projeto de ML
O assistente pergunta «Como você quer começar este modelo?»:
| Opção | Quando escolher |
|---|---|
| A partir de um modelo pronto | Para aprender ou começar rápido com dados de exemplo. |
| Com o meu próprio modelo | Você já tem um script ou um modelo e quer vê-lo no ML Studio. |
| Com o agente | Você descreve o problema e o agente prepara o projeto. |
| Do zero | Um projeto vazio que você mesmo configura. |
Frameworks de partida: scikit-learn (clássico), PyTorch (rede neural) e Transformers (texto). Modelos prontos: Classificação tabular, Detecção de fraude, Rede neural (PyTorch), Regressão e Classificação de textos.
O Yuli cria o manifesto yuli-ml.yaml na raiz do projeto. Um projeto pode ter vários modelos; a lista fica em
ml/use-cases.json.
# 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 # o worker de ML não tem rede por padrão
retainCheckpoints: 3
acceptance:
minimum_f1: 0.85
maximum_latency_ms: 200O fluxo guiado em 6 passos
As abas numeradas levam você da ideia ao modelo publicado. Você pode voltar a qualquer passo.
1 de 6
1 · Início
Você descreve o objetivo e o Yuli propõe a abordagem. Aqui você também vê o estado ao vivo do que está treinando.
Mais ferramentas
Além do fluxo guiado, o ML Studio traz ferramentas para quem quer ir mais longe:
| Ferramenta | Para quê |
|---|---|
| Tipos de aprendizado | Escolher entre classificação, regressão, anomalias, séries, recomendação, reforço… |
| Explorador do modelo | Ver por dentro o que o modelo aprendeu. |
| Designer de arquitetura | Montar redes neurais camada por camada. Veja Deep learning e GPU. |
| Experimentos | Comparar treinamentos, parâmetros e métricas. |
| LLM Studio («Linguagem») | Especializar modelos de linguagem. Veja LLM Studio e RAG. |
| Feature Lab | Criar e testar variáveis derivadas. |
| Conhecimento (RAG) | Responder com os seus documentos. |
| Inteligência | Agentes de ML e Consultor de abordagem. |
| Operação | Pipelines, gateway com canary, sombra e rollback, e as suas extensões. |
| Guia de machine learning | Um guia completo, do básico às fórmulas. |
Quando NÃO usar ML
Nem todo problema precisa de um modelo. O Consultor de abordagem analisa o seu objetivo e os seus dados e responde com um destes veredictos:
| Veredicto | O que significa |
|---|---|
| Um modelo agrega valor | Há padrão, dados suficientes e uma métrica clara. Siga em frente. |
| Basta uma regra | Uma condição simples resolve o caso igual ou melhor, e é mais fácil de manter. |
| Não é preciso ML | O problema é determinístico: uma consulta, um cálculo ou uma validação. |
| LLM com RAG | Você precisa responder com os seus documentos, não prever uma coluna. |
| Faltam dados | Ainda não há exemplos suficientes ou rotulados para aprender. |
Comece sempre comparando com a base mais simples possível (a classe mais frequente, a média). Se o modelo não a superar com clareza em dados que não viu, você ainda não precisa dele.
Trabalhar com o agente
Os agentes operam o ML Studio com ferramentas MCP próprias: ml_project, ml_data, ml_tokenizer,
ml_architecture, ml_training, ml_experiment, ml_evaluation, ml_inference, ml_model, ml_resources e
ml_agents. Em uma equipe de agentes há papéis específicos: data-engineer,
ml-engineer, evaluator e mlops.
Peça coisas como «treine um modelo que preveja os cancelamentos com estes dados» ou «por que este modelo falha com os clientes novos?». Você verá cada passo ao vivo no ML Studio, e o que é irreversível (promover para produção) sempre é decidido por uma pessoa.