Documentație / ML Studio
Ce este ML Studio
Spațiul de machine learning din Yuli. Date, experimente, antrenare, modele și implementare într-un flux ghidat în șase pași, totul pe calculatorul tău.
Pe această pagină
ML Studio este spațiul de machine learning din Yuli: date, experimente, antrenare, modele și implementare. Îl
recunoști după nuanța violet din șina din stânga și îl deschizi cu Ctrl+Alt+4 (⌘+Alt+4 în macOS).
Totul se petrece pe calculatorul tău: importul datelor, antrenarea, evaluarea, servirea modelului pe 127.0.0.1,
LLM-ul local și baza de cunoștințe (RAG). Agentul te ajută să proiectezi și să citești rezultatele, dar datele reale
le vezi doar tu și modelele tale locale. Vezi Confidențialitate și sandbox ML.
ML Studio antrenează în Python, într-un mediu propriu fiecărui proiect. Necesită Python 3.11 sau mai nou. Bibliotecile nu se instalează niciodată fără permisiunea ta și ajung în mediul proiectului, nu în sistem.
Începe aici
Fila Început se deschide cu „✦ Începe aici” și o întrebare: „Ce vrei să învețe modelul tău?”. „Vorbește din domeniul tău. Yuli traduce în ML.” Descrie problema cu propriile cuvinte sau alege un exemplu:
| Afaceri | Operațiuni | Text și limbaj |
|---|---|---|
| Prezice renunțările | Serii temporale | Specializează un LLM |
| Prognozează vânzările | Detectează anomalii | Clasifică loguri |
| Risc de neplată | Recomandă produse | Clasifică tichete |
| Segmentează clienții | Efectul unei campanii | Detectează date sensibile |
Apasă Lasă Yuli să propună ✦, iar agentul îți traduce obiectivul într-un tip de problemă, o metrică și o strategie.
Cât timp un model se antrenează, pagina de început arată starea în timp real: Cel mai bun (cea mai bună metrică de până acum), Ritm · n pași/s și Se termină în. Dacă pierderea de validare începe să crească, te avertizează: „Pierderea de validare crește de la minimul ei: posibilă supraadaptare.”
Crearea unui proiect ML
Asistentul întreabă „Cum vrei să începi acest model?”:
| Opțiune | Când o alegi |
|---|---|
| Dintr-un șablon | Ca să înveți sau să pornești rapid cu date de exemplu. |
| Cu propriul meu model | Ai deja un script sau un model și vrei să-l vezi în ML Studio. |
| Cu agentul | Descrii problema, iar agentul pregătește proiectul. |
| De la zero | Un proiect gol pe care îl configurezi tu. |
Framework-uri de pornire: scikit-learn (clasic), PyTorch (rețea neuronală) și Transformers (text). Șabloane: Clasificare tabulară, Detectarea fraudei, Rețea neuronală (PyTorch), Regresie și Clasificare de texte.
Yuli creează manifestul yuli-ml.yaml în rădăcina proiectului. Un proiect poate avea mai multe modele; lista se
află în 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 sau auto
policies:
maxConcurrentJobs: 1
allowNetwork: false # workerul ML nu are rețea implicit
retainCheckpoints: 3
acceptance:
minimum_f1: 0.85
maximum_latency_ms: 200Fluxul ghidat în 6 pași
Filele numerotate te duc de la idee la modelul publicat. Te poți întoarce la orice pas.
1 din 6
1 · Început
Descrii obiectivul, iar Yuli propune abordarea. Tot aici vezi și starea în timp real a ceea ce se antrenează.
Mai multe instrumente
Pe lângă fluxul ghidat, ML Studio aduce instrumente pentru cine vrea să meargă mai departe:
| Instrument | La ce folosește |
|---|---|
| Tipuri de învățare | Alegi între clasificare, regresie, anomalii, serii, recomandare, învățare prin întărire… |
| Exploratorul modelului | Vezi pe dinăuntru ce a învățat modelul. |
| Designerul de arhitectură | Compui rețele neuronale strat cu strat. Vezi Deep learning și GPU. |
| Experimente | Compari antrenări, parametri și metrici. |
| LLM Studio („Limbaj”) | Specializezi modele de limbaj. Vezi LLM Studio și RAG. |
| Feature Lab | Creezi și testezi variabile derivate. |
| Cunoaștere (RAG) | Răspunzi pe baza documentelor tale. |
| Inteligență | Agenți ML și Consilierul de abordare. |
| Operare | Pipeline-uri, gateway cu canary, shadow și rollback, plus extensiile tale. |
| Ghid de machine learning | Un ghid complet, de la noțiunile de bază la formule. |
Când să NU folosești ML
Nu orice problemă are nevoie de un model. Consilierul de abordare îți analizează obiectivul și datele și răspunde cu unul dintre aceste verdicte:
| Verdict | Ce înseamnă |
|---|---|
| Un model aduce valoare | Există un tipar, date suficiente și o metrică clară. Înainte. |
| Ajunge o regulă | O condiție simplă rezolvă cazul la fel de bine sau mai bine și este mai ușor de întreținut. |
| Nu e nevoie de ML | Problema este deterministă: o interogare, un calcul sau o validare. |
| LLM cu RAG | Trebuie să răspunzi pe baza documentelor tale, nu să prezici o coloană. |
| Lipsesc date | Încă nu există suficiente exemple sau exemple etichetate din care să învețe. |
Începe întotdeauna comparând cu cea mai simplă referință posibilă (clasa cea mai frecventă, media). Dacă modelul nu o depășește clar pe date pe care nu le-a văzut, încă nu ai nevoie de el.
Lucrul cu agentul
Agenții operează ML Studio cu instrumente MCP proprii: ml_project, ml_data, ml_tokenizer, ml_architecture,
ml_training, ml_experiment, ml_evaluation, ml_inference, ml_model, ml_resources și ml_agents. Într-o
echipă de agenți există roluri specifice: data-engineer, ml-engineer,
evaluator și mlops.
Cere-i lucruri precum „antrenează un model care să prezică renunțările cu aceste date” sau „de ce greșește acest model cu clienții noi?”. Vei vedea fiecare pas în timp real în ML Studio, iar ce este ireversibil (promovarea în producție) decide întotdeauna o persoană.