ML Engineer
Construir Sistemas ML de Producción con Guía Experta
Desplegar modelos de aprendizaje automático en producción requiere experiencia en servicio, monitoreo e infraestructura que muchos equipos no tienen. Esta habilidad proporciona patrones probados en batalla para construir sistemas ML confiables y escalables usando marcos modernos como PyTorch 2.x y TensorFlow.
Descargar el ZIP de la skill
Subir en Claude
Ve a Configuración → Capacidades → Skills → Subir skill
Activa y empieza a usar
Pruébalo
Usando "ML Engineer". Diseñar una arquitectura de servicio de modelos para clasificación de imágenes con SLA de latencia de 50ms
Resultado esperado:
- Arquitectura recomendada usando TorchServe con instancias GPU
- Configuración de procesamiento por lotes de solicitudes para optimización de rendimiento
- Capa Redis para caché de predicciones en entradas repetidas
- Política de auto-escalado basada en profundidad de cola y métricas de latencia
- Patrón de interruptor de circuito para degradación graceful durante fallos
Usando "ML Engineer". ¿Cómo implemento pruebas A/B para comparación de modelos?
Resultado esperado:
- Estrategia de división de tráfico con sesiones persistentes para consistencia del usuario
- Cálculo de poder estadístico para detectar mejora del 2%
- Métricas de protección para monitorear efectos secundarios negativos
- Enfoque de prueba secuencial con criterios de parada temprana
- Estimación de tamaño de muestra basada en tasa de conversión base
Auditoría de seguridad
SeguroPrompt-only skill with no executable code. Static analysis found 0 files with executable content and computed risk score of 0/100. The SKILL.md file contains only markdown documentation and AI assistant instructions for ML engineering tasks. No security concerns identified.
Puntuación de calidad
Lo que puedes crear
Sistema de Recomendación en Tiempo Real
Diseñar un motor de recomendación de alto rendimiento que maneja 100K predicciones por segundo con caché Redis y servicio de modelo vía TorchServe.
Automatización de Pipelines ML
Construir pipelines ML de extremo a extremo con Apache Airflow o Kubeflow que automatizan procesamiento de datos, entrenamiento, validación y despliegue.
Monitoreo de Rendimiento de Modelos
Implementar monitoreo integral con Prometheus y Grafana para rastrear deriva de datos, latencia de predicciones y métricas de negocio en producción.
Prueba estos prompts
Tengo un modelo PyTorch entrenado guardado como model.pth. Guíame a desplegarlo como una API REST usando FastAPI y Docker. Incluye verificaciones de salud, validación de entrada y registro básico.
Diseña una arquitectura de tienda de características para nuestro sistema de recomendación de comercio electrónico. Necesitamos tanto características por lotes (historial de compras del usuario) como características en tiempo real (actividad de sesión). Compara Feast vs Tecton para nuestro caso de uso.
Necesitamos entrenar un modelo transformer de 2B parámetros en 8xA100 GPUs. Recomienda una estrategia de entrenamiento distribuido usando PyTorch FSDP o DeepSpeed. Incluye verificación de puntos de control de gradiente, precisión mixta y optimización de comunicación.
Diseña un sistema de monitoreo integral para nuestro modelo de detección de fraude que sirve 10K solicitudes/segundo. Incluye detección de deriva de datos, seguimiento del rendimiento del modelo, umbrales de alertas y disparadores de reversión automatizada.
Mejores prácticas
- Siempre implementa validación de entrada integral y verificaciones de calidad de datos antes de la inferencia del modelo para detectar deriva temprano
- Usa infraestructura como código (Terraform, CloudFormation) para despliegues reproducibles de infraestructura ML
- Diseña para degradación graceful con modelos de respaldo e interruptores de circuito para mantener el servicio durante fallos
Evitar
- Desplegar modelos sin monitoreo para deriva de datos o degradación del rendimiento conduce a fallos silenciosos
- Codificar rutas de modelos o hiperparámetros en código de aplicación en lugar de usar registros de modelos
- Ejecutar entrenamiento e inferencia en la misma infraestructura causa contención de recursos y latencia impredecible