Fähigkeiten machine-learning-ops-ml-pipeline
📦
machine-learning-ops-ml-pipeline
Inhaltsrevision r1 Sicher ⚙️ Externe Befehle
Produktionsreife ML-Pipelines erstellen
Produktionsreife ML-Systeme erfordern koordinierte Pläne für Daten, Training, Bereitstellung und Monitoring. Dieser Skill strukturiert diese Arbeit in praktische MLOps-Phasen.
Unterstützt: Claude Codex Code(CC)
Mit meinem Agent installieren
Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.
Agent-Anfrage
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.Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.
Agent-lesbare Ressourcen
Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.
Testen
„machine-learning-ops-ml-pipeline“ wird verwendet. Entwirf eine MLOps-Pipeline für Betrugserkennung mit Batch-Training und Echtzeit-Inferenz.
Erwartetes Ergebnis:
- Eine phasenweise Architektur, die Datenaufnahme, Qualitätsprüfungen, Feature-Store-Design, Modelltraining, Bereitstellung und Monitoring abdeckt.
- Empfohlene Tools für Experiment Tracking, Model Registry, Serving, Orchestrierung und Drift-Erkennung.
- Betriebliche Kriterien für Latenz, Verfügbarkeit, Rollback, Retraining und Alert-Reaktion.
„machine-learning-ops-ml-pipeline“ wird verwendet. Verbessere einen bestehenden ML-Service, der kein Modellmonitoring und keinen Rollback-Prozess hat.
Erwartetes Ergebnis:
- Ein Monitoring-Plan für Data Drift, Modellqualität, Latenz, Durchsatz und geschäftliche Auswirkungen.
- Eine Bereitstellungsstrategie mit Canary Releases, automatisiertem Rollback und Validierungs-Gates.
- Eine Runbook-Gliederung für Incident Response, Retraining-Auslöser und Übergaben von Verantwortlichkeiten.
Sicherheitsaudit
Sicherv4 • 7.7.2026 Versionsbericht öffnen
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
Gescannte Dateien
315
Analysierte Zeilen
0
Prüfelemente
0
Falschmeldungen ignoriert
Risikofaktoren
⚙️ Externe Befehle (1)
Das letzte abgeschlossene statische und semantische Audit erkannte keine bestätigten Sicherheitsbefunde. Dies beweist nicht, dass der Skill keine Nebenwirkungen hat.
Geprüft von: codex Audit-Verlauf anzeigen →
Diesen Bericht teilen & zitieren
Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.
Berichtslink kopieren
https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown-Badge
[](https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline?utm_source=security_passport_badge)HTML-Badge
<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>Einbettungskarte
<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>Wissenschaftliche Zitate (APA · BibTeX · CFF)
APA-Zitat
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/4BibTeX-Zitat
@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"
Skillstore-Score
Warum dieser Score Evidenzvertrauen: Hoch 55
Architektur
85
Wartbarkeit
87
Inhalt
69
Gemeinschaft
83
Spezifikationskonformität
Was Sie erstellen können
Eine neue MLOps-Plattform planen
Erstelle einen End-to-End-Blueprint für Datenaufnahme, Training, Serving, Monitoring und Retraining.
Modellbereitstellung standardisieren
Verwandle Ad-hoc-Notebooks in wiederholbare Pipelines mit Experiment Tracking, Model Registry und Deployment-Gates.
Produktionszuverlässigkeit verbessern
Ergänze bestehende Model-Serving-Workflows um Monitoring, Drift-Erkennung, Rollback und Kostenkontrollen.
Diese Prompts ausprobieren
Einfacher Pipeline-Plan
Entwirf eine produktionsreife ML-Pipeline für ein Churn-Prediction-Modell. Beziehe Datenaufnahme, Training, Bereitstellung, Monitoring und Erfolgskriterien ein.
Toolauswahl
Entwirf eine MLOps-Pipeline für Echtzeit-Empfehlungen mit AWS, MLflow, Feast, Kubernetes und Prometheus. Erkläre jede wichtige Toolentscheidung.
Migrations-Roadmap
Erstelle einen Migrationsplan von notebookbasierter Modellentwicklung zu automatisierten Pipelines mit versionierten Daten, Model Registry, CI/CD und Monitoring.
Fortgeschrittenes Betriebsmodell
Entwirf ein Multi-Cloud-MLOps-Betriebsmodell mit Feature Stores, Canary Releases, Drift-Alerts, Retraining-Auslösern, Incident-Runbooks und Kostenkontrollen.
Bewährte Praktiken
- Stelle konkrete Datenquellen, Zielmetriken, Latenzanforderungen und Bereitstellungseinschränkungen bereit, bevor du den Skill verwendest.
- Prüfe die generierte Architektur gemeinsam mit Data Engineering, Plattform-, Sicherheits- und Modellverantwortlichen.
- Validiere alle vorgeschlagenen Infrastrukturen, Monitoring-Schwellenwerte und Rollback-Schritte in einer Staging-Umgebung.
Vermeiden
- Verwende keine generischen Standardwerte, wenn Datenvolumen, Datenschutzregeln oder Latenzziele unbekannt sind.
- Stelle generierten Pipeline-Code nicht ohne Tests, Secret-Prüfung und Infrastrukturprüfung bereit.
- Behandle Modellgenauigkeit nicht als einzige Erfolgsmetrik für Produktionsreife.
Häufig gestellte Fragen
Schreibt dieser Skill automatisch eine vollständige ML-Pipeline?
Er bietet strukturierte Pläne, Implementierungsanleitung und Komponentenempfehlungen. Teams müssen das finale System weiterhin implementieren und verifizieren.
Welche Tools deckt er ab?
Er verweist auf gängige MLOps-Tools wie MLflow, Weights and Biases, Feast, KServe, Seldon, Kubeflow, Airflow und Prometheus.
Kann er cloud-spezifische Designs unterstützen?
Ja. Der Prompt kann AWS-, Azure-, GCP- oder Multi-Cloud-Einschränkungen für plattformspezifische Empfehlungen enthalten.
Ist das für frühe Prototypen nützlich?
Ja. Er kann einen schlanken Weg vom Prototyp zur Produktion erstellen und dabei identifizieren, welche Kontrollen warten können.
Behandelt er Monitoring und Drift-Erkennung?
Ja. Der Workflow umfasst Modellleistung, Data Drift, Concept Drift, Alerts, Dashboards und Retraining-Auslöser.
Können Claude, Codex und Claude Code diesen Skill verwenden?
Ja. Der Bericht kennzeichnet Unterstützung für Claude, Codex und Claude Code.