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:

AfaceriOperațiuniText și limbaj
Prezice renunțărileSerii temporaleSpecializează un LLM
Prognozează vânzărileDetectează anomaliiClasifică loguri
Risc de neplatăRecomandă produseClasifică tichete
Segmentează cliențiiEfectul unei campaniiDetectează 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?”:

OpțiuneCând o alegi
Dintr-un șablonCa să înveți sau să pornești rapid cu date de exemplu.
Cu propriul meu modelAi deja un script sau un model și vrei să-l vezi în ML Studio.
Cu agentulDescrii problema, iar agentul pregătește proiectul.
De la zeroUn 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.

yaml
# 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: 200

Fluxul 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:

InstrumentLa ce folosește
Tipuri de învățareAlegi între clasificare, regresie, anomalii, serii, recomandare, învățare prin întărire…
Exploratorul modeluluiVezi pe dinăuntru ce a învățat modelul.
Designerul de arhitecturăCompui rețele neuronale strat cu strat. Vezi Deep learning și GPU.
ExperimenteCompari antrenări, parametri și metrici.
LLM Studio („Limbaj”)Specializezi modele de limbaj. Vezi LLM Studio și RAG.
Feature LabCreezi și testezi variabile derivate.
Cunoaștere (RAG)Răspunzi pe baza documentelor tale.
InteligențăAgenți ML și Consilierul de abordare.
OperarePipeline-uri, gateway cu canary, shadow și rollback, plus extensiile tale.
Ghid de machine learningUn 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:

VerdictCe înseamnă
Un model aduce valoareExistă un tipar, date suficiente și o metrică clară. Înainte.
Ajunge o regulăO condiție simplă rezolvă cazul la fel de bine sau mai bine și este mai ușor de întreținut.
Nu e nevoie de MLProblema este deterministă: o interogare, un calcul sau o validare.
LLM cu RAGTrebuie să răspunzi pe baza documentelor tale, nu să prezici o coloană.
Lipsesc dateÎncă 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.