文档 / ML Studio

什么是 ML Studio

Yuli 的机器学习空间。数据、实验、训练、模型和部署,通过六步引导流程完成,全部在你的电脑上运行。

本页内容

ML Studio 是 Yuli 的机器学习空间:数据、实验、训练、模型和部署。你可以通过左侧边栏中的紫色识别它,并用 Ctrl+Alt+4(macOS 上为 ⌘+Alt+4)打开。

一切都在你的电脑上进行:导入数据、训练、评估、在 127.0.0.1 上提供模型服务、本地 LLM 以及知识库(RAG)。智能体帮助你设计方案和解读结果,但真实数据只有你和你的本地模型能看到。参见ML 隐私与沙箱。

ML Studio 使用 Python 训练,每个项目都有自己独立的环境。需要 Python 3.11 或更高版本。未经你的许可,绝不会安装任何库,而且它们会安装到项目环境中,而不是系统中。

从这里开始

首页 标签页以“✦ 从这里开始”和一个问题开头:“你希望你的模型学会什么?”。“用你领域的语言表达。Yuli 会把它翻译成 ML。”用你自己的话写下问题,或选择一个示例:

业务运营文本与语言
预测客户流失时间序列专精化一个 LLM
预测销售额检测异常日志分类
违约风险推荐产品工单分类
客户细分营销活动效果检测敏感数据

点击 让 Yuli 提议 ✦,智能体会把你的目标转化为问题类型、指标和策略。

模型训练期间,首页会实时显示状态:最佳(目前为止的最佳指标)、速度 · n 步/秒 和 预计完成。如果验证损失开始上升,它会提醒你:“验证损失从最低点开始上升:可能过拟合。”

创建 ML 项目

向导会询问“你想如何开始这个模型?”:

选项何时选择
从模板开始用于学习,或借助示例数据快速起步。
使用我自己的模型你已有脚本或模型,想在 ML Studio 中查看。
借助智能体你描述问题,由智能体准备项目。
从零开始一个由你自行配置的空项目。

起步框架:scikit-learn(经典)、PyTorch(神经网络)和 Transformers(文本)。模板:表格分类、欺诈检测、神经网络(PyTorch)、回归和文本分类。

Yuli 会在项目根目录创建清单文件 yuli-ml.yaml。一个项目可以包含多个模型;列表保存在 ml/use-cases.json 中。

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 或 auto
policies:
  maxConcurrentJobs: 1
  allowNetwork: false   # ML worker 默认不联网
  retainCheckpoints: 3
acceptance:
  minimum_f1: 0.85
  maximum_latency_ms: 200

六步引导流程

带编号的标签页会带你从想法走到已发布的模型。你可以随时返回任意一步。

1/6

1 · 首页

描述目标,由 Yuli 提出方案。这里也能实时看到正在训练的任务状态。

更多工具

除了引导流程,ML Studio 还为想要深入的用户提供了更多工具:

工具用途
学习类型在分类、回归、异常检测、时间序列、推荐、强化学习等之间选择。
模型浏览器查看模型内部学到了什么。
架构设计器逐层组合神经网络。参见深度学习与 GPU。
实验比较训练运行、参数和指标。
LLM Studio(“语言”)让语言模型专精化。参见LLM Studio 与 RAG。
Feature Lab创建并测试派生特征。
知识(RAG)基于你的文档作答。
智能ML 智能体和方案顾问。
运维流水线、支持金丝雀、影子和回滚的网关,以及你的扩展。
机器学习指南一份完整指南,从基础知识到公式。

何时不该使用 ML

并非每个问题都需要模型。方案顾问 会分析你的目标和数据,并给出以下结论之一:

结论含义
模型有价值存在规律、数据充足且指标明确。放手去做。
一条规则就够了一个简单条件就能同样好甚至更好地解决问题,而且更易维护。
不需要 ML问题是确定性的:一次查询、一次计算或一次校验即可。
LLM 加 RAG你需要基于文档作答,而不是预测某一列。
数据不足目前还没有足够的或已标注的示例可供学习。

始终先与尽可能简单的基线进行比较(最常见的类别、平均值)。如果模型在未见过的数据上没有明显超越它,你暂时还不需要这个模型。

与智能体协作

智能体通过 ML Studio 专属的 MCP 工具进行操作:ml_project、ml_data、ml_tokenizer、ml_architecture、ml_training、ml_experiment、ml_evaluation、ml_inference、ml_model、ml_resources 和 ml_agents。在智能体团队中有专门的角色:data-engineer、ml-engineer、evaluator 和 mlops。

你可以这样向它提问:“用这些数据训练一个预测客户流失的模型”或“为什么这个模型在新客户身上表现不好?”。你会在 ML Studio 中实时看到每一步,而不可逆的操作(提升到生产环境)始终由人来决定。