machine-learning-ops-ml-pipeline
Crear pipelines de ML de producción
Los sistemas de ML en producción requieren planes coordinados de datos, entrenamiento, despliegue y monitoreo. Esta habilidad estructura ese trabajo en fases prácticas de MLOps.
Instalar con mi Agente
Copia esta solicitud en tu Agente. Incluye la página canónica del Skill y el manifiesto.
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.Tu Agente debe seguir mostrando su plan y solicitar cualquier confirmación exigida por la política de seguridad.
Recursos legibles por agentes
Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.
Pruébalo
Usando "machine-learning-ops-ml-pipeline". Diseña un pipeline de MLOps para detección de fraude con entrenamiento por lotes e inferencia en tiempo real.
Resultado esperado:
- Una arquitectura por fases que cubra ingesta de datos, verificaciones de calidad, diseño de feature store, entrenamiento de modelos, despliegue y monitoreo.
- Herramientas recomendadas para seguimiento de experimentos, registro de modelos, serving, orquestación y detección de drift.
- Criterios operativos para latencia, uptime, rollback, reentrenamiento y respuesta a alertas.
Usando "machine-learning-ops-ml-pipeline". Mejora un servicio de ML existente que no tiene monitoreo de modelos ni proceso de rollback.
Resultado esperado:
- Un plan de monitoreo para data drift, calidad del modelo, latencia, throughput e impacto de negocio.
- Una estrategia de despliegue con lanzamientos canary, rollback automatizado y gates de validación.
- Un esquema de runbook para respuesta a incidentes, activadores de reentrenamiento y transferencias de ownership.
Auditoría de seguridad
SeguroThe 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.
Factores de riesgo
⚙️ Comandos externos (1)
Compartir y citar este informe
Comparte el informe de evaluación versionado, la insignia neutral, la tarjeta insertable y las citas. Skillstore presenta evidencias sin decidir si este Skill es seguro.
Copiar enlace del informe
https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportInsignia Markdown
[](https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline?utm_source=security_passport_badge)Insignia 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>Tarjeta para insertar
<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>Citas académicas (APA · BibTeX · CFF)
Cita 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/4Cita 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"
Puntuación de Skillstore
Por qué esta puntuación Confianza de la evidencia: AltoLo que puedes crear
Planificar una nueva plataforma MLOps
Crear un blueprint de extremo a extremo para ingesta de datos, entrenamiento, serving, monitoreo y reentrenamiento.
Estandarizar la entrega de modelos
Convertir notebooks ad hoc en pipelines repetibles con seguimiento de experimentos, registro de modelos y gates de despliegue.
Mejorar la fiabilidad en producción
Agregar monitoreo, detección de drift, rollback y controles de costos a flujos de trabajo existentes de serving de modelos.
Prueba estos prompts
Diseña un pipeline de ML de producción para un modelo de predicción de churn. Incluye ingesta de datos, entrenamiento, despliegue, monitoreo y criterios de éxito.
Diseña un pipeline de MLOps para recomendaciones en tiempo real usando AWS, MLflow, Feast, Kubernetes y Prometheus. Explica cada elección principal de herramientas.
Crea un plan de migración desde el desarrollo de modelos basado en notebooks hacia pipelines automatizados con datos versionados, registro de modelos, CI/CD y monitoreo.
Diseña un modelo operativo MLOps multi-cloud con feature stores, lanzamientos canary, alertas de drift, activadores de reentrenamiento, runbooks de incidentes y controles de costos.
Mejores prácticas
- Proporciona fuentes de datos concretas, métricas objetivo, necesidades de latencia y restricciones de despliegue antes de usar la habilidad.
- Revisa la arquitectura generada con los responsables de ingeniería de datos, plataforma, seguridad y modelos.
- Valida toda la infraestructura propuesta, los umbrales de monitoreo y los pasos de rollback en un entorno de staging.
Evitar
- No uses valores predeterminados genéricos cuando se desconozcan el volumen de datos, las reglas de privacidad o los objetivos de latencia.
- No despliegues código de pipeline generado sin pruebas, revisión de secretos y revisión de infraestructura.
- No trates la precisión del modelo como la única métrica de éxito para la preparación de producción.
Preguntas frecuentes
¿Esta habilidad escribe automáticamente un pipeline de ML completo?
¿Qué herramientas cubre?
¿Puede admitir diseños específicos para la nube?
¿Es útil para prototipos tempranos?
¿Gestiona monitoreo y detección de drift?
¿Claude, Codex y Claude Code pueden usar esta habilidad?
Detalles del desarrollador
Autor
sickn33Licencia
MIT
Revisión de Skillstore
r1
Aviso de versión
El autor no declaró una versión.
Repositorio
https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/machine-learning-ops-ml-pipelineRef.
816c62b2546ddb1c6a0453e7c781b5e095117819
Actualidad del mantenimiento
18/7/2026
Uso
11 descargas · 105 vistas
Estructura de archivos
📄 SKILL.md