Belgeler / ML Studio

ML Studio nedir

Yuli'nin makine öğrenimi alanı. Veriler, deneyler, eğitim, modeller ve dağıtım; altı adımlık rehberli bir akışta, tamamı bilgisayarınızda.

Bu sayfada

ML Studio, Yuli'nin makine öğrenimi alanıdır: veriler, deneyler, eğitim, modeller ve dağıtım. Sol raydaki mor tonundan tanırsınız ve Ctrl+Alt+4 (macOS'ta ⌘+Alt+4) ile açarsınız.

Her şey bilgisayarınızda gerçekleşir: veri içe aktarma, eğitim, değerlendirme, modeli 127.0.0.1 üzerinde sunma, yerel LLM ve bilgi tabanı (RAG). Ajan tasarlamanıza ve sonuçları okumanıza yardım eder, ancak gerçek verileri yalnızca siz ve yerel modelleriniz görür. Bkz. ML gizliliği ve sandbox.

ML Studio, her projeye ait ayrı bir ortamda Python ile eğitim yapar. Python 3.11 veya üzeri gerekir. Kütüphaneler izniniz olmadan asla kurulmaz ve sisteme değil, projenin ortamına kurulur.

Buradan başlayın

Giriş sekmesi «✦ Buradan başlayın» ve bir soruyla açılır: «Modelinizin ne öğrenmesini istiyorsunuz?». «Kendi alanınızın dilinden konuşun. Yuli bunu ML'ye çevirir.» Sorunu kendi sözcüklerinizle yazın veya bir örnek seçin:

İşOperasyonMetin ve dil
Müşteri kaybını tahmin etZaman serileriBir LLM'yi uzmanlaştır
Satışları öngörAnomalileri tespit etGünlükleri sınıflandır
Temerrüt riskiÜrün önerDestek taleplerini sınıflandır
Müşterileri segmentlere ayırBir kampanyanın etkisiHassas verileri tespit et

Yuli önersin ✦ düğmesine basın; ajan hedefinizi bir problem türüne, bir metriğe ve bir stratejiye çevirir.

Bir model eğitilirken giriş sayfası canlı durumu gösterir: En iyi (şimdiye kadarki en iyi metrik), Hız · n adım/s ve Bitiş süresi. Doğrulama kaybı artmaya başlarsa uyarır: «Doğrulama kaybı en düşük değerinden itibaren artıyor: olası aşırı öğrenme.»

Bir ML projesi oluşturma

Sihirbaz «Bu modele nasıl başlamak istiyorsunuz?» diye sorar:

SeçenekNe zaman seçilir
Bir şablondanÖğrenmek veya örnek verilerle hızlıca başlamak için.
Kendi modelimleZaten bir betiğiniz veya modeliniz var ve onu ML Studio'da görmek istiyorsunuz.
AjanlaSorunu siz tarif edersiniz, projeyi ajan hazırlar.
SıfırdanSizin yapılandıracağınız boş bir proje.

Başlangıç framework'leri: scikit-learn (klasik), PyTorch (sinir ağı) ve Transformers (metin). Şablonlar: Tablo sınıflandırma, Dolandırıcılık tespiti, Sinir ağı (PyTorch), Regresyon ve Metin sınıflandırma.

Yuli, projenin kökünde yuli-ml.yaml manifestosunu oluşturur. Bir projede birden fazla model olabilir; liste ml/use-cases.json içinde tutulur.

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 veya auto
policies:
  maxConcurrentJobs: 1
  allowNetwork: false   # ML worker'ının varsayılan olarak ağı yoktur
  retainCheckpoints: 3
acceptance:
  minimum_f1: 0.85
  maximum_latency_ms: 200

6 adımlık rehberli akış

Numaralı sekmeler sizi fikirden yayımlanmış modele götürür. İstediğiniz adıma geri dönebilirsiniz.

1 / 6

1 · Giriş

Hedefi tarif edersiniz, Yuli yaklaşımı önerir. Eğitilmekte olan işin canlı durumunu da burada görürsünüz.

Daha fazla araç

Rehberli akışın yanı sıra ML Studio, daha ileri gitmek isteyenler için araçlar sunar:

AraçNe için
Öğrenme türleriSınıflandırma, regresyon, anomaliler, seriler, öneri, pekiştirmeli öğrenme… arasında seçim yapmak.
Model gezginiModelin öğrendiklerini içeriden görmek.
Mimari tasarımcısıSinir ağlarını katman katman oluşturmak. Bkz. Derin öğrenme ve GPU.
DeneylerEğitimleri, parametreleri ve metrikleri karşılaştırmak.
LLM Studio («Dil»)Dil modellerini uzmanlaştırmak. Bkz. LLM Studio ve RAG.
Feature LabTüretilmiş değişkenler oluşturmak ve denemek.
Bilgi (RAG)Belgelerinize dayanarak yanıt vermek.
ZekâML ajanları ve Yaklaşım danışmanı.
OperasyonPipeline'lar; canary, gölge ve geri alma içeren gateway ve eklentileriniz.
Makine öğrenimi rehberiTemellerden formüllere kadar eksiksiz bir rehber.

ML'yi ne zaman KULLANMAMALI

Her sorunun bir modele ihtiyacı yoktur. Yaklaşım danışmanı hedefinizi ve verilerinizi analiz eder ve şu kararlardan biriyle yanıt verir:

KararAnlamı
Bir model değer katarBir örüntü, yeterli veri ve net bir metrik var. Devam edin.
Bir kural yeterliBasit bir koşul durumu aynı ya da daha iyi çözer ve bakımı daha kolaydır.
ML gerekmiyorSorun deterministiktir: bir sorgu, bir hesaplama veya bir doğrulama.
RAG ile LLMBir sütunu tahmin etmek değil, belgelerinize dayanarak yanıt vermek gerekiyor.
Veri eksikÖğrenmek için henüz yeterli ya da etiketlenmiş örnek yok.

Her zaman mümkün olan en basit referansla (en sık görülen sınıf, ortalama) karşılaştırarak başlayın. Model, görmediği verilerde bu referansı açıkça geçemiyorsa henüz ona ihtiyacınız yoktur.

Ajanla çalışma

Ajanlar ML Studio'yu kendi MCP araçlarıyla yönetir: ml_project, ml_data, ml_tokenizer, ml_architecture, ml_training, ml_experiment, ml_evaluation, ml_inference, ml_model, ml_resources ve ml_agents. Bir ajan ekibinde özel roller vardır: data-engineer, ml-engineer, evaluator ve mlops.

Ondan «bu verilerle müşteri kaybını tahmin eden bir model eğit» veya «bu model yeni müşterilerde neden başarısız oluyor?» gibi şeyler isteyin. Her adımı ML Studio'da canlı olarak görürsünüz; geri alınamaz olana (üretime yükseltme) ise her zaman bir insan karar verir.