Machine learning e deep learning, sem que seus dados saiam do seu computador.

Do objetivo de negócio ao modelo publicado em um fluxo guiado de seis passos. Treine com scikit-learn, PyTorch ou Transformers, especialize LLMs locais e responda com seus documentos. O agente ajuda você a projetar e a ler resultados; os dados reais só são vistos por você e pelos seus modelos.

Yuli Code — bajas-clientesML StudioSem rede
  1. 1Início
  2. 2Dados
  3. 3Projetar
  4. 4Treinar
  5. 5Avaliar
  6. 6Publicar
MelhorF1 0,872
Ritmo · 38,4 passos/sTreinamento em andamento
Termina em4 min 12 s
Época 18 de 24 Perda (treinamento) Perda (validação)
Métricas de validação
  • F10,872
  • AUC0,931
  • Precision0,858
  • Recall0,887

Critério de aceitação: F1 ≥ 0,85 · Cumpre

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

3 colunas mascaradas

Plano validado: 0 avisos

Worker sem rede · ambiente .venv do projeto

Partição estratificada 70 / 15 / 15

Checkpoint salvo em models/churn-gbm/v3

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

Da ideia ao modelo em seis passos

As abas numeradas guiam você. Você pode voltar a qualquer passo.

  1. 1

    Início

    Você descreve o objetivo com suas palavras e o Yuli o traduz para ML: tipo de problema, métrica e estratégia.

  2. 2

    Dados

    Importe e perfile: nulos, balanceamento, correlações, dados sensíveis mascarados e versões imutáveis.

  3. 3

    Projetar

    O Yuli propõe a estratégia e responde oito perguntas, do que aprende a como saberemos que melhorou.

  4. 4

    Treinar

    Curva de aprendizado ao vivo, pausa, retomada, busca de hiperparâmetros e aviso de sobreajuste.

  5. 5

    Avaliar

    Avaliação independente em dados que o treinamento nunca viu: robustez, equidade e campeão contra desafiante.

  6. 6

    Publicar

    ONNX com paridade, quantização, testes de integridade e serviço local em 127.0.0.1.

Tudo o que você precisa para treinar a sério

  • Deep learning

    Designer de redes camada por camada, tokenizers próprios, diagnóstico de GPU, estimativa de memória e DDP.

  • LLM Studio

    Especialize modelos de linguagem locais com SFT, DPO, ORPO, KTO e QLoRA, e quantize-os com gate de qualidade.

  • Conhecimento (RAG)

    Responda com seus documentos: índice local, citações da fonte e nada que saia para a internet.

  • Experimentos

    Compare treinamentos, parâmetros e métricas; cada versão do modelo fica registrada em disco.

  • Consultor de abordagem

    Diz quando NÃO usar ML: se basta uma regra, se faltam dados ou se convém um LLM com RAG.

  • Com seu agente

    Claude Code, Codex ou Kiro operam o ML Studio com ferramentas MCP, e você vê cada passo ao vivo.

A fronteira dos seus dados

O ML Studio aplica as mesmas regras que protegem seu código, agora para os seus datasets.

  • O worker não tem redeTreina sem acesso à internet por padrão (allowNetwork: false).
  • O agente vê perfis, não linhasEstatísticas, esquemas e métricas; o que é sensível vai mascarado.
  • O irreversível é você quem decidePromover um modelo para produção sempre espera por uma pessoa.

Treine seu primeiro modelo hoje

Crie sua conta, abra o ML Studio com Ctrl+Alt+4 e escolha um modelo pronto ou descreva seu problema.