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:
| İş | Operasyon | Metin ve dil |
|---|---|---|
| Müşteri kaybını tahmin et | Zaman serileri | Bir LLM'yi uzmanlaştır |
| Satışları öngör | Anomalileri tespit et | Günlükleri sınıflandır |
| Temerrüt riski | Ürün öner | Destek taleplerini sınıflandır |
| Müşterileri segmentlere ayır | Bir kampanyanın etkisi | Hassas 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:
| Seçenek | Ne zaman seçilir |
|---|---|
| Bir şablondan | Öğrenmek veya örnek verilerle hızlıca başlamak için. |
| Kendi modelimle | Zaten bir betiğiniz veya modeliniz var ve onu ML Studio'da görmek istiyorsunuz. |
| Ajanla | Sorunu siz tarif edersiniz, projeyi ajan hazırlar. |
| Sıfırdan | Sizin 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.
# 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: 2006 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:
| Araç | Ne için |
|---|---|
| Öğrenme türleri | Sınıflandırma, regresyon, anomaliler, seriler, öneri, pekiştirmeli öğrenme… arasında seçim yapmak. |
| Model gezgini | Modelin öğrendiklerini içeriden görmek. |
| Mimari tasarımcısı | Sinir ağlarını katman katman oluşturmak. Bkz. Derin öğrenme ve GPU. |
| Deneyler | Eğitimleri, parametreleri ve metrikleri karşılaştırmak. |
| LLM Studio («Dil») | Dil modellerini uzmanlaştırmak. Bkz. LLM Studio ve RAG. |
| Feature Lab | Türetilmiş değişkenler oluşturmak ve denemek. |
| Bilgi (RAG) | Belgelerinize dayanarak yanıt vermek. |
| Zekâ | ML ajanları ve Yaklaşım danışmanı. |
| Operasyon | Pipeline'lar; canary, gölge ve geri alma içeren gateway ve eklentileriniz. |
| Makine öğrenimi rehberi | Temellerden 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:
| Karar | Anlamı |
|---|---|
| Bir model değer katar | Bir örüntü, yeterli veri ve net bir metrik var. Devam edin. |
| Bir kural yeterli | Basit bir koşul durumu aynı ya da daha iyi çözer ve bakımı daha kolaydır. |
| ML gerekmiyor | Sorun deterministiktir: bir sorgu, bir hesaplama veya bir doğrulama. |
| RAG ile LLM | Bir sütunu tahmin etmek değil, belgelerinize dayanarak yanıt vermek gerekiyor. |
| Veri eksik | Öğrenmek 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.