Habilidades ml-pipeline-workflow
📦

ml-pipeline-workflow

Seguro

Construye Pipelines de ML de Producción con Orquestación End-to-End

Los equipos de aprendizaje automático tienen dificultades para conectar la preparación de datos, el entrenamiento, la validación y el despliegue en flujos de trabajo de producción confiables. Esta skill proporciona orientación integral para construir pipelines de MLOps end-to-end con estrategias adecuadas de orquestación, monitoreo y despliegue.

Soporta: Claude Codex Code(CC)
📊 71 Adecuado
1

Descargar el ZIP de la skill

2

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

3

Activa y empieza a usar

Pruébalo

Usando "ml-pipeline-workflow". Diseña un pipeline de entrenamiento por lotes para un modelo de recomendación que se reentrene semanalmente

Resultado esperado:

Arquitectura de pipeline con ingesta programada de datos desde base de datos de producción, ingeniería de características con interacciones históricas de usuarios, entrenamiento distribuido en clúster GPU, validación contra conjunto de prueba retenido y despliegue automatizado a infraestructura de servicio si se cumplen los umbrales de rendimiento. Incluye seguimiento de experimentos MLflow e integración con registro de modelos.

Usando "ml-pipeline-workflow". ¿Cómo implemento pruebas A/B para comparar dos modelos de ML en producción?

Resultado esperado:

Framework de pruebas A/B con división de tráfico entre versiones de modelos, recopilación de métricas para ambos modelos, pruebas de significancia estadística y selección automatizada del ganador basada en métricas de negocio. La implementación usa feature flags para enrutamiento de tráfico y dashboards de monitoreo en tiempo real.

Usando "ml-pipeline-workflow". ¿Qué monitoreo debería configurar para un pipeline de ML en producción?

Resultado esperado:

Estrategia integral de monitoreo que incluye detección de drift de datos para características de entrada, métricas de rendimiento del modelo, latencia y rendimiento de predicciones, tasas de error y modos de fallo, utilización de recursos y verificaciones de calidad de datos. Alertas configuradas para violaciones de umbrales con capacidades de rollback automatizado.

Auditoría de seguridad

Seguro
v5 • 1/21/2026

This skill contains only documentation and guidance for ML pipeline workflows with no executable code. All static findings are false positives from pattern matching on markdown file extensions and documentation examples. The skill provides templates and best practices for MLOps workflows with no security concerns.

2
Archivos escaneados
557
Líneas analizadas
0
hallazgos
5
Auditorías totales
No se encontraron problemas de seguridad
Auditado por: claude Ver historial de auditorías →

Puntuación de calidad

38
Arquitectura
100
Mantenibilidad
87
Contenido
29
Comunidad
100
Seguridad
91
Cumplimiento de la especificación

Lo que puedes crear

Construir un Nuevo Pipeline de ML desde Cero

Diseñar e implementar un pipeline completo de MLOps para un nuevo proyecto de aprendizaje automático con etapas de ingesta de datos, entrenamiento, validación y despliegue.

Modernizar Flujos de Trabajo de ML Heredados

Refactorizar procesos de ML existentes manuales o fragmentados en pipelines automatizados y orquestados con versionado y monitoreo adecuados.

Implementar Estrategia de Despliegue en Producción

Configurar flujos de trabajo seguros de despliegue de modelos con lanzamientos canary, pruebas A/B y rollback automatizado para sistemas de ML en producción.

Prueba estos prompts

Arquitectura Básica de Pipeline 
Ayúdame a diseñar un pipeline de ML simple para un modelo de clasificación que incluya etapas de validación de datos, entrenamiento y despliegue. El pipeline debería ejecutarse en Airflow.
Flujo de Trabajo de Preparación de Datos 
Crea un pipeline de preparación de datos que valide la calidad de los datos de entrada, ingeniera características y versione conjuntos de datos para reproducibilidad. Incluye Great Expectations para validación.
Framework de Validación de Modelos 
Diseña un flujo de trabajo de validación de modelos que compare nuevos modelos contra líneas base, ejecute pruebas de rendimiento y genere reportes de aprobación antes del despliegue.
Estrategia de Despliegue en Producción 
Implementa un flujo de trabajo de despliegue canary para modelos de ML con despliegue gradual de tráfico, monitoreo automatizado de rendimiento y activadores de rollback si las métricas se degradan.

Mejores prácticas

  • Diseña pipelines con etapas modulares que puedan probarse independientemente e implementa idempotencia para que re-ejecutar etapas sea seguro sin efectos secundarios.
  • Versiona todos los artefactos incluyendo conjuntos de datos, transformaciones de características, código del modelo y modelos entrenados usando herramientas como DVC, MLflow o sistemas de versionado personalizados.
  • Implementa estrategias de despliegue gradual comenzando con despliegues shadow, progresando a lanzamientos canary y manteniendo capacidades de rollback automatizado para modelos en producción.

Evitar

  • Evita acoplar fuertemente las etapas del pipeline o codificar dependencias de forma rígida que dificulten probar componentes de forma aislada o modificar el flujo de trabajo.
  • No omitas etapas de validación ni despliegues modelos directamente a producción sin pruebas adecuadas, comparación contra líneas base y flujos de trabajo de aprobación.
  • Nunca ignores el monitoreo y alertas para modelos en producción ya que esto conduce a degradación de rendimiento no detectada, drift de datos y fallas del modelo.

Preguntas frecuentes

¿Qué herramienta de orquestación debería usar para pipelines de ML?
La elección depende de tu infraestructura y preferencias del equipo. Apache Airflow es ampliamente adoptado con fuerte soporte de la comunidad. Dagster ofrece orquestación moderna basada en activos. Kubeflow Pipelines es ideal para entornos Kubernetes. Prefect proporciona un enfoque amigable para desarrolladores centrado en Python. Comienza con lo que tu equipo ya usa para flujos de trabajo de datos.
¿Cómo manejo el versionado y rollback de modelos?
Usa un registro de modelos como MLflow o registros de plataformas en la nube para versionar modelos con metadatos. Implementa estrategias de despliegue blue-green o canary que mantengan versiones anteriores del modelo en ejecución. Configura verificaciones de salud automatizadas y activadores de rollback basados en métricas de rendimiento. Mantén artefactos y configuraciones para cada versión para habilitar rollback rápido.
¿Cuál es la diferencia entre pipelines de ML por lotes y en tiempo real?
Los pipelines por lotes procesan datos y hacen predicciones según un cronograma con mayor latencia pero mejor eficiencia de recursos. Los pipelines en tiempo real sirven predicciones con baja latencia para solicitudes individuales pero requieren más infraestructura. Muchos sistemas de producción usan enfoques híbridos con servicio en tiempo real respaldado por ingeniería de características por lotes y actualizaciones de modelos.
¿Cómo implemento validación de datos en pipelines de ML?
Usa bibliotecas como Great Expectations o TensorFlow Data Validation para definir esquemas de datos y verificaciones de calidad. Valida tipos de datos, rangos de valores, distribuciones y relaciones en los límites del pipeline. Falla rápidamente cuando la validación falla en lugar de propagar datos incorrectos. Registra resultados de validación para depuración y monitoreo de calidad de datos a lo largo del tiempo.
¿Qué métricas debería rastrear para la salud del pipeline de ML?
Rastrea el tiempo de ejecución del pipeline y tasas de éxito para cada etapa. Monitorea volúmenes de datos y distribuciones de características para detección de drift. Registra métricas de rendimiento del modelo incluyendo precisión, exactitud y recall. Mide latencia y rendimiento de predicciones para servicio. Configura alertas para anomalías y violaciones de umbrales.
¿Cómo pruebo pipelines de ML antes del despliegue en producción?
Prueba componentes individuales del pipeline con pruebas unitarias usando datos de muestra. Ejecuta pruebas de integración en el pipeline completo con conjuntos de datos realistas. Realiza despliegues canary con porcentajes pequeños de tráfico para validar comportamiento en producción. Usa despliegues shadow para comparar nuevos pipelines contra los existentes sin afectar a los usuarios. Valida que los procedimientos de rollback funcionen correctamente.

Detalles del desarrollador

Autor

wshobson

Licencia

MIT

Repositorio

https://github.com/wshobson/agents/tree/main/plugins/machine-learning-ops/skills/ml-pipeline-workflow

Ref.

main

Estructura de archivos

📄 SKILL.md