المهارات machine-learning-ops-ml-pipeline
📦
machine-learning-ops-ml-pipeline
مراجعة المحتوى r1 آمن ⚙️ الأوامر الخارجية
بناء مسارات ML للإنتاج
تتطلب أنظمة ML الإنتاجية خططا منسقة للبيانات والتدريب والنشر والمراقبة. تنظّم هذه المهارة هذا العمل ضمن مراحل MLOps عملية.
يدعم: Claude Codex Code(CC)
التثبيت باستخدام Agent لدي
انسخ هذا الطلب إلى Agent لديك. يتضمن صفحة Skill المعتمدة وملف manifest.
طلب الوكيل
Review the Skillstore skill "machine-learning-ops-ml-pipeline" from https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline.md and its manifest at https://skillstore.io/api/skills/sickn33-machine-learning-ops-ml-pipeline/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.يجب أن يواصل Agent عرض خطته وطلب أي تأكيد تفرضه سياسة الأمان.
موارد مهيّأة لـ Agents
استخدم هذه الروابط عندما يحتاج AI Agent أو crawler أو script إلى سياق نظيف بدلًا من قراءة الصفحة كاملة.
اختبرها
جارٍ استخدام "machine-learning-ops-ml-pipeline". صمم مسار MLOps لاكتشاف الاحتيال مع تدريب دفعي واستدلال في الوقت الفعلي.
النتيجة المتوقعة:
- بنية على مراحل تغطي استيعاب البيانات وفحوصات الجودة وتصميم مخزن الميزات وتدريب النموذج ونشره ومراقبته.
- أدوات موصى بها لتتبع التجارب وسجل النماذج والتقديم والتنسيق واكتشاف الانحراف.
- معايير تشغيلية لزمن الاستجابة ووقت التشغيل والتراجع وإعادة التدريب والاستجابة للتنبيهات.
جارٍ استخدام "machine-learning-ops-ml-pipeline". حسّن خدمة ML حالية لا تحتوي على مراقبة للنماذج أو عملية تراجع.
النتيجة المتوقعة:
- خطة مراقبة لانحراف البيانات وجودة النموذج وزمن الاستجابة والإنتاجية والأثر التجاري.
- استراتيجية نشر مع إصدارات canary وتراجع آلي وبوابات تحقق.
- مخطط دليل تشغيل للاستجابة للحوادث ومحفزات إعادة التدريب وتسليم الملكية.
التدقيق الأمني
آمنv4 • ٧/٧/٢٠٢٦ فتح التقرير المرتبط بالإصدار
The two static findings are false positives caused by Markdown backticks and a deployment option list. I found no prompt injection, exfiltration intent, or unsafe command execution in the reviewed SKILL.md content.
1
الملفات التي تم فحصها
315
الأسطر التي تم تحليلها
0
عناصر المراجعة
0
تم تجاهل الإيجابيات الكاذبة
عوامل الخطر
⚙️ الأوامر الخارجية (1)
لم يكتشف أحدث تدقيق ثابت ودلالي مكتمل أي نتائج أمنية مؤكدة. ولا يثبت ذلك أن المهارة خالية من الآثار الجانبية.
دقّقه: codex عرض سجل التدقيق →
شارك واستشهد بهذا التقرير
شارك تقرير التقييم المرتبط بالإصدار والشارة المحايدة وبطاقة التضمين والاستشهادات. تعرض Skillstore الأدلة من دون أن تقرر ما إذا كانت هذه المهارة آمنة.
نسخ رابط التقرير
https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportشارة Markdown
[](https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline?utm_source=security_passport_badge)شارة HTML
<a href="https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-machine-learning-ops-ml-pipeline/security.svg" alt="Skillstore security assessment" loading="lazy"></a>بطاقة قابلة للتضمين
<iframe src="https://skillstore.io/embed/skills/sickn33-machine-learning-ops-ml-pipeline.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>الاستشهادات الأكاديمية (APA · BibTeX · CFF)
اقتباس APA
sickn33. (2026). machine-learning-ops-ml-pipeline security audit report (audit version 4) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4اقتباس BibTeX
@techreport{sickn33-sickn33-machine-learning-ops-ml-pipeline-2026,
author = {sickn33},
title = {machine-learning-ops-ml-pipeline security audit report (audit version 4)},
institution = {Skillstore},
year = {2026},
number = {4},
url = {https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "machine-learning-ops-ml-pipeline security audit report (audit version 4)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-07-07"
url: "https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4"
identifiers:
- type: other
value: "skillstore:sickn33-machine-learning-ops-ml-pipeline:audit:4"
description: "Skillstore immutable audit report identifier"
تقييم Skillstore
سبب هذا التقييم موثوقية الأدلة: مرتفع 55
الهندسة المعمارية
85
قابلية الصيانة
87
المحتوى
69
المجتمع
83
الامتثال للمواصفات
ما الذي يمكنك بناؤه
تخطيط منصة MLOps جديدة
إنشاء مخطط شامل لاستيعاب البيانات والتدريب والتقديم والمراقبة وإعادة التدريب.
توحيد تسليم النماذج
تحويل الدفاتر العشوائية إلى مسارات قابلة للتكرار مع تتبع التجارب وسجل النماذج وبوابات النشر.
تحسين موثوقية الإنتاج
إضافة المراقبة واكتشاف الانحراف والتراجع وضوابط التكلفة إلى سير عمل تقديم النماذج الحالي.
جرّب هذه الموجّهات
خطة مسار أساسية
صمم مسار ML إنتاجيا لنموذج توقع فقدان العملاء. ضمّن استيعاب البيانات والتدريب والنشر والمراقبة ومعايير النجاح.
اختيار الأدوات
صمم مسار MLOps للتوصيات في الوقت الفعلي باستخدام AWS وMLflow وFeast وKubernetes وPrometheus. اشرح كل اختيار رئيسي للأدوات.
خارطة طريق الترحيل
أنشئ خطة ترحيل من تطوير النماذج المعتمد على الدفاتر إلى مسارات آلية مع بيانات ذات إصدارات وسجل نماذج وCI/CD ومراقبة.
نموذج تشغيل متقدم
صمم نموذج تشغيل MLOps متعدد السحابات مع مخازن ميزات وإصدارات canary وتنبيهات الانحراف ومحفزات إعادة التدريب وأدلة تشغيل الحوادث وضوابط التكلفة.
أفضل الممارسات
- قدم مصادر بيانات ملموسة ومقاييس مستهدفة واحتياجات زمن الاستجابة وقيود النشر قبل استخدام المهارة.
- راجع البنية التي يتم إنشاؤها مع هندسة البيانات والمنصة والأمان ومالكي النماذج.
- تحقق من كل البنية التحتية المقترحة وعتبات المراقبة وخطوات التراجع في بيئة مرحلية.
تجنب
- لا تستخدم الإعدادات الافتراضية العامة عندما يكون حجم البيانات أو قواعد الخصوصية أو أهداف زمن الاستجابة غير معروفة.
- لا تنشر كود المسار الذي يتم إنشاؤه دون اختبارات ومراجعة للأسرار ومراجعة للبنية التحتية.
- لا تعتبر دقة النموذج مقياس النجاح الوحيد للجاهزية الإنتاجية.
الأسئلة المتكررة
هل تكتب هذه المهارة مسار ML كاملا تلقائيا؟
تقدم خططا منظمة وإرشادات تنفيذ وتوصيات للمكونات. لا تزال الفرق بحاجة إلى تنفيذ النظام النهائي والتحقق منه.
ما الأدوات التي تغطيها؟
تشير إلى أدوات MLOps شائعة مثل MLflow وWeights and Biases وFeast وKServe وSeldon وKubeflow وAirflow وPrometheus.
هل يمكنها دعم التصاميم الخاصة بالسحابة؟
نعم. يمكن أن يتضمن الموجه قيود AWS أو Azure أو GCP أو القيود متعددة السحابات للحصول على توصيات خاصة بالمنصة.
هل هذا مفيد للنماذج الأولية المبكرة؟
نعم. يمكنها إنشاء مسار خفيف من النموذج الأولي إلى الإنتاج مع تحديد الضوابط التي يمكن تأجيلها.
هل تتعامل مع المراقبة واكتشاف الانحراف؟
نعم. يتضمن سير العمل أداء النموذج وانحراف البيانات وانحراف المفهوم والتنبيهات ولوحات المعلومات ومحفزات إعادة التدريب.
هل يمكن لـ Claude وCodex وClaude Code استخدام هذه المهارة؟
نعم. يحدد التقرير دعم Claude وCodex وClaude Code.