Compétences senior-ml-engineer
🤖

senior-ml-engineer

Risque faible ⚡ Contient des scripts📁 Accès au système de fichiers

نشر نماذج التعلم الآلي للإنتاج مع إرشادات الخبراء

Également disponible depuis: alirezarezvani

يتطلب بناء ونشر أنظمة التعلم الآلي للإنتاج خبرة عميقة في MLOps ومراقبة النماذج والبنية التحتية القابلة للتوسع. توفر هذه المهارة إرشادات من الطراز الأول لنماذج التعلم الآلي للإنتاج، وتنفيذ أنظمة RAG، ودمج النماذج اللغوية الكبيرة في سير عمل الإنتاج.

Prend en charge: Claude Codex Code(CC)
🥉 75 Bronze
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "senior-ml-engineer". ساعدني في تصميم خط نشر لنموذجي لتصنيف الصور

Résultat attendu:

  • ## بنية نشر النموذج
  • - الحاوية: Docker مع خدمة PyTorch
  • - البنية التحتية: Kubernetes مع تحجيم HPA التلقائي
  • - المراقبة: مقاييس Prometheus بالإضافة إلى كشف الانحراف المخصص
  • - الاستراتيجية: نشر كناري مع اختبار A/B

Utilisation de "senior-ml-engineer". كيف أقوم بإعداد نظام RAG للوثائق الخاصة بي

Résultat attendu:

  • ## مكونات نظام RAG
  • - خط استيعاب الوثائق مع استراتيجيات التقسيم
  • - قاعدة البيانات المتجهية (Pinecone و Weaviate أو pgvector)
  • - اختيار وتحسين نموذج التضمينات
  • - الاسترجاع مع البحث المختلط (كثيف بالإضافة إلى متفرق)
  • - تركيب الاستجابة مع ضغط السياق

Utilisation de "senior-ml-engineer". ما المراقبة التي أحتاجها لنموذج التعلم الآلي الخاص بي للإنتاج

Résultat attendu:

  • ## إطار مراقبة النماذج
  • - كشف انحراف البيانات (مؤشر استقرار السكان)
  • - مراقبة انحراف التنبؤات (تحولات التوزيع)
  • - مقاييس الأداء (الدقة والوقت والاستجابة)
  • - التحقق من متجر الميزات وفحوصات الاتساق
  • - تكوين التنبيهات مع تكامل PagerDuty أو Slack

Audit de sécurité

Risque faible
v5 • 1/17/2026

Documentation-heavy skill with placeholder Python scripts and reference guides. Static findings are false positives triggered by documentation text about security best practices and markdown code formatting. The scanner flagged documentation mentions of 'encryption', 'circuit breakers', and backtick formatting as security threats. Actual code contains no network calls, no external commands, no cryptographic implementations. The three Python scripts are skeleton templates using only standard libraries with placeholder implementations.

8
Fichiers analysés
1,041
Lignes analysées
2
résultats
5
Total des audits

Facteurs de risque

⚡ Contient des scripts (3)
scripts/model_deployment_pipeline.py:1-101 scripts/rag_system_builder.py:1-101 scripts/ml_monitoring_suite.py:1-101
📁 Accès au système de fichiers (3)
scripts/model_deployment_pipeline.py:73-74 scripts/rag_system_builder.py:73-74 scripts/ml_monitoring_suite.py:73-74
Audité par: claude Voir l’historique des audits →

Score de qualité

68
Architecture
100
Maintenabilité
87
Contenu
20
Communauté
90
Sécurité
91
Conformité aux spécifications

Ce que vous pouvez construire

أنظمة التعلم الآلي للإنتاج

تصميم خطوط أنابيب قابلة للتوسع مع المراقبة ومتاجر الميزات وإعادة التدريب الآلية لبيئات الإنتاج

دمج النماذج اللغوية الكبيرة

بناء أنظمة RAG ودمج النماذج اللغوية في التطبيقات باستخدام أطر العمل المعيارية في الصناعة

بنية التحتية للتعلم الآلي

نشر النماذج على Kubernetes مع Docker، وتنفيذ اختبارات A/B، وإعداد المراقبة

Essayez ces prompts

نشر النموذج 
ساعدني في تصميم خط نشر لنموذجي PyTorch. يشمل الحاويات مع Docker ونشر Kubernetes وإصدار النماذج وإعداد المراقبة.
نظام RAG 
إنشاء بنية نظام RAG لمجموعة الوثائق الخاصة بي. استخدام LangChain للتنسيق وقاعدة بيانات متجهات للتضمينات، وتنفيذ تحسين الاسترجاع.
مراقبة التعلم الآلي 
تصميم نظام مراقبة يتتبع انحراف التنبؤات وانحراف البيانات ومقاييس أداء النموذج. يتضمن التنبيهات ومحفزات إعادة التدريب الآلية.
دمج النماذج اللغوية الكبيرة 
ساعدني في دمج نماذج Claude أو GPT في تطبيق الإنتاج الخاص بي. يشمل هندسة الطلبات وتحديد المعدل والتخزين المؤقت واستراتيجيات تحسين التكلفة.

Bonnes pratiques

  • صمم دائمًا للتوسع بمقدار 10 أضعاف من البداية، وليس كاعتبار لاحق
  • نفذ مراقبة شاملة قبل النشر، وليس بعده
  • استخدم متاجر الميزات لضمان الاتساق بين التدريب والاستدلال
  • أتمت خطوط إعادة التدريب مع إجراءات واضحة للتراجع

Éviter

  • نشر النماذج دون اختبارات آلية وبوابات التحقق
  • تخطي مراقبة انحراف البيانات حتى يتدهور الأداء
  • تضمين مسارات النماذج أو التكوين الثابت بدلاً من استخدام متغيرات البيئة
  • بناء البنية التحتية للخدمة أحادية بدون تحجيم أفقي

Foire aux questions

ما أطر التعلم الآلي المدعومة؟
PyTorch و TensorFlow و Scikit-learn و XGBoost كلها مدعومة لتطوير ونشر النماذج.
ما المنصات السحابية التي تعمل مع هذه المهارة؟
AWS و GCP و Azure كلها مدودة للنشر. تغطي المهارة أنماط نشر Kubernetes و Docker.
هل تقوم هذه المهارة بتدريب النماذج؟
لا، توفر هذه المهارة إرشادات معمارية لخطوط التدريب لكنها لا تنفذ كود التدريب.
هل بياناتي آمنة عند استخدام هذه المهارة؟
نعم، يحدث كل المعالجة محليًا. توفر المهارة إرشادات فقط ولا تصل إلى أو تنقل البيانات.
هل يمكن لهذه المهارة النشر على Kubernetes؟
نعم، توفر المهارة أنماط نشر Kubernetes بما في ذلك HPA وتكوين الخدمات والتحديثات المتدحرجة.
كيف يقارن هذا بمهارة عالم البيانات؟
تركز هذه المهارة على أنظمة الإنتاج بينما تركز مهارات عالم البيانات على التجريب وتطوير النماذج.

Détails du développeur

Auteur

davila7

Licence

MIT

Dépôt

https://github.com/davila7/claude-code-templates/tree/main/cli-tool/components/skills/development/senior-ml-engineer

Réf

main

Structure de fichiers

📁 references/

📄 llm_integration_guide.md

📄 mlops_production_patterns.md

📄 rag_system_architecture.md

📁 scripts/

📄 ml_monitoring_suite.py

📄 model_deployment_pipeline.py

📄 rag_system_builder.py

📄 SKILL.md