dashAI: entrena modelos ML sin código en tu máquina

¿Qué es dashAI?

dashAI es una aplicación de escritorio open source para análisis de datos y entrenamiento de modelos de Machine Learning. Su propuesta es simple pero poderosa: entrena modelos sin escribir código, en tu propia máquina. No requiere servicios en la nube, autenticación externa ni claves de API. Importas tus datos, entrenas modelos predictivos y generativos, los evalúas y aplicas técnicas de explicabilidad — todo en un entorno controlado por el usuario.

Es un proyecto académico chileno mantenido por una red de centros de investigación y financiamiento público, liderado por la Universidad de Chile y el CENIA (National Center for Artificial Intelligence). No hay una sola empresa detrás — esa es la idea.

Descargar dashAI gratis →

Características principales

100% local, sin nube

Aplicación de escritorio que opera sobre los datos del usuario en su propia máquina. No requiere infraestructura en la nube, autenticación externa ni dependencias en línea para sus funciones principales. Tu data no sale de tu equipo.

Arquitectura modular sobre abstracciones tipadas

Doce clases base para registrar modelos, loaders, métricas, optimizadores y explicadores. La interfaz se genera automáticamente del schema Pydantic — los plugins se distribuyen vía PyPI.

Código abierto sin cláusulas copyleft

El código del proyecto es open-source, sin cláusulas copyleft ni componentes propietarios reservados. Es auditable, modificable y derivable.

Pipeline integrado de análisis y modelado

Una sola interfaz visual cubre importación, exploración de datos, entrenamiento, evaluación y explicabilidad de modelos predictivos y generativos.

Schema → UI automática

Cuando registras un componente, la UI no se programa: se genera. El backend expone su schema Pydantic y el frontend renderiza el formulario sin conocimiento previo. Cada campo del formulario nace de una línea Pydantic — tipo, rango, default y descripción se renderizan automáticamente. Cero código frontend: el componente nuevo no toca un solo archivo React.

Soporte GPU

Soporta aceleración NVIDIA CUDA y AMD ROCm mediante instalación pip. Los desktop installers vienen con CPU-only PyTorch; para GPU se usa la instalación via PyPI.

Tres formas de empezar

1. Modelos predictivos

30 modelos tabulares, 15 NLP, 9 de traducción. Desde Random Forest hasta transformers. Cada uno es una subclase de BaseModel con su schema Pydantic.

2. Modelos generativos

5 LLMs y 11 modelos text-to-image. Incluye Llama, Mistral, Qwen, PixArt-Sigma, SDXL. Todos con open weights, ejecutados localmente.

3. Plugins de la comunidad

Un click instala una extensión desde PyPI. Sin reiniciar, sin shell externa. Todo bajo la misma licencia. Cualquiera puede crear y publicar un plugin.

Catálogo de modelos: 76 disponibles

dashAI incluye 76 modelos que comparten las mismas doce abstracciones. La UI emerge del schema de cada uno. Algunos destacados:

Categoría	Cantidad	Ejemplos
Tabulares	30	Random Forest, XGBoost, Gradient Boosting, SVM, Regresión Logística
NLP	15	Transformers, BERT, modelos de clasificación de texto
Traducción	9	Modelos de traducción automática
LLMs	5	Llama, Mistral, Qwen (via llama-cpp-python, formato GGUF)
Text-to-image	11	PixArt-Sigma, Stable Diffusion XL

Instalación

Opción 1: Desktop installers (más fácil)

Installers listos para usar, publicados con cada release. CPU only, incluyen todo lo necesario — sin Python ni setup extra.

Descarga desde el latest release en GitHub:

Windows (x64): dashAI-<version>-x64-windows.exe
macOS (Apple Silicon): dashAI-<version>-arm-osx.dmg
Linux (x64): dashAI-<version>-x64-linux.AppImage

En Windows y macOS: ejecuta el installer y la interfaz gráfica se abre automáticamente.

En Linux:

chmod +x dashAI-<version>-x64-linux.AppImage
./dashAI-<version>-x64-linux.AppImage

Nota: Los installers requieren CPU con AVX2 (Intel 2013+, AMD Zen+). Para GPU (CUDA/ROCm) usa la instalación pip.

Opción 2: Instalación via PyPI (recomendada para GPU)

Requiere Python 3.10+. Se recomienda usar uv (recomendado) o venv/conda.

Atajo: una línea con uv

uv tool install dashai

Esto instala dashAI en su propio entorno aislado y pone el comando dashai en tu PATH.

Instalación paso a paso

1. Crear entorno:

uv venv --python 3.12
source .venv/bin/activate  # Windows: .venv\Scripts\activate

2. Instalar dashAI:

uv pip install dashai  # o: pip install dashai

3. Seleccionar build de PyTorch (opcional para CPU):

CPU only:

pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu --force-reinstall --no-cache-dir
# Opcional, para modelos GGUF / Llama:
pip install llama-cpp-python --extra-index-url https://abetlen.github.io/llama-cpp-python/whl/cpu --force-reinstall --no-cache-dir

NVIDIA GPU (CUDA 12.8):

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128 --force-reinstall --no-cache-dir
# Llama con CUDA offload (requiere build tools):
pip install llama-cpp-python -C cmake.args="-DGGML_CUDA=on" --force-reinstall --no-cache-dir --verbose

AMD GPU (ROCm 6.4):

pip install torch torchvision --index-url https://download.pytorch.org/whl/rocm6.4 --force-reinstall --no-cache-dir
# Llama con HIP/ROCm offload:
pip install llama-cpp-python -C cmake.args="-DGGML_HIP=on" --force-reinstall --no-cache-dir --verbose

4. Ejecutar dashAI:

dashai

Luego abre http://localhost:8000/ en tu navegador.

Opción 3: Docker

CPU image:

docker build -t dashai .
docker run -p 8000:8000 dashai

NVIDIA GPU (CUDA 12.8):

docker build -t dashai:cuda -f Dockerfile.cuda .
docker run --gpus all -p 8000:8000 dashai:cuda

Workflow: de datos a modelo

El pipeline integrado de dashAI cubre todo el flujo en una sola interfaz:

Importar datos — carga datasets desde archivos locales (CSV, JSON, etc.)
Explorar datos — visualización y estadísticas descriptivas
Seleccionar modelo — elige del catálogo de 76 modelos, cada uno con su formulario auto-generado
Entrenar — configura hiperparámetros via UI generada del schema Pydantic y entrena localmente
Evaluar — métricas de evaluación integradas
Explicabilidad — aplica técnicas de explicabilidad para entender las predicciones del modelo
Exportar — guarda el modelo entrenado para uso posterior

Arquitectura técnica

Doce abstracciones base

El sistema se construye sobre 12 clases base que cubren todo el ciclo de ML:

Modelos (predictivos y generativos)
Loaders de datos
Métricas de evaluación
Optimizadores
Explicadores (explainability)

Backend Python + Frontend auto-generado

El backend expone schemas Pydantic para cada componente. El frontend React renderiza formularios automáticamente desde esos schemas — sin programar UI manualmente. Cuando creas un plugin nuevo, la UI aparece sola cuando el backend lo registra.

Plugins via PyPI

Las extensiones se distribuyen como paquetes de Python via PyPI. Instalación con un click desde la UI, sin reiniciar la app ni usar la shell. Todo bajo la misma licencia open-source.

LLMs locales via llama-cpp

Para modelos generativos (Llama, Mistral, Qwen), dashAI usa llama-cpp-python con formato GGUF. Esto permite correr LLMs localmente sin GPU obligatoria — aunque GPU acelera significativamente.

Proyecto académico chileno

dashAI es un proyecto open-source desarrollado en Chile, mantenido por una red de instituciones:

Institución	Rol
Universidad de Chile	Institución Líder
Facultad de Ciencias Físicas y Matemáticas (FCFM)	Institución Líder
CENIA (National Center for AI)	Institución Asociada
IMFD (Millennium Institute for Foundational Data Research)	Colaborador
Unholster	Socio Industrial
ANID (Agencia Nacional de Investigación y Desarrollo)	Financiamiento (Fondef IDeA)

Desarrollado por estudiantes del DCC UChile y UTFSM. Financiado por ANID a través de Fondef IDEA ID25I10330, Fondef VIU23P 0110, y grants que apoyan los centros CENIA (FB210017) e IMFD (ICN17_002).

dashAI vs otras plataformas de ML

Característica	dashAI	Google Colab	Hugging Face	KNIME
Open source	Sí (sin copyleft)	No	Parcial	No (comercial)
100% local	Sí	No (cloud)	Parcial	Sí
Sin código	Sí (UI auto-generada)	No (Python)	No (Python)	Sí (visual)
Sin API keys	Sí	No	Parcial	Sí
Modelos predictivos + generativos	Sí (76 modelos)	Sí (manual)	Sí (manual)	Predictivos
Plugins	PyPI, un click	pip	pip	Marketplace comercial
GPU support	CUDA + ROCm	CUDA (cloud)	CUDA (cloud)	Limitado
Explicabilidad	Integrado	Manual	Manual	Integrado
Origen	Chile 🇨🇱	EEUU	Francia	Suiza

Casos de uso

Investigación académica — entrena y evalúa modelos sin escribir código, con reproducibilidad y control total sobre los datos
PyMEs y startups — análisis de datos y modelos predictivos sin invertir en infraestructura cloud ni contratar data scientists
Educación — enseñanza de ML sin la barrera del código: estudiantes se enfocan en conceptos, no en sintaxis
Privacidad de datos — sectores con datos sensibles (salud, finanzas) donde la data no puede salir de la máquina
Prototipado rápido — prueba 76 modelos sobre tu dataset en minutos, compara métricas, elige el mejor
LLMs locales — corre Llama, Mistral o Qwen en tu máquina sin enviar datos a APIs externas
Explicabilidad — aplica técnicas de XAI para entender por qué un modelo toma ciertas decisiones

Comunidad y recursos

Limitaciones

Desktop installers son CPU only — para GPU (CUDA/ROCm) se requiere instalación pip con build de PyTorch específico
Requiere CPU con AVX2 para los installers (Intel 2013+, AMD Zen+). Hardware muy antiguo puede fallar con "Illegal instruction"
llama-cpp-python no se instala automáticamente — debe instalarse manualmente si quieres usar LLMs (GGUF)
GPU llama-cpp requiere build tools — CMake y compilador C para compilar desde source (o usar wheels precompilados)
Estado experimental — proyecto académico en desarrollo activo, puede haber bugs y breaking changes

Conclusión

dashAI es una de las herramientas de ML más interesantes del ecosistema open-source latinoamericano. Combina tres cosas difíciles de encontrar juntas: no-code real (UI auto-generada desde schemas), 100% local (sin nube ni API keys), y catálogo amplio (76 modelos predictivos y generativos). El hecho de que sea un proyecto académico chileno financiado con fondos públicos lo hace aún más relevante para la región.

Para investigadores, estudiantes, PyMEs o cualquier persona que quiera entrenar modelos de ML sin escribir código y sin enviar datos a la nube, dashAI es una opción sólida y completamente gratuita. La arquitectura modular basada en 12 abstracciones y el sistema de plugins via PyPI la hacen extensible por la comunidad, y el soporte para GPU (CUDA y ROCm) permite escalar a datasets grandes sin cambiar de herramienta.

Descargar dashAI gratis →

dashAI: entrena modelos de Machine Learning sin escribir código, en tu propia máquina — la workbench open source chilena