senior-ml-engineer
Créer des systèmes ML et RAG de production
Les systèmes ML de production sont difficiles à concevoir, déployer et surveiller de manière cohérente. Cette compétence couvre le MLOps, l'intégration de LLM, l'architecture RAG et les structures de workflows locaux.
Installer avec mon Agent
Copiez cette demande dans votre Agent. Elle contient la page Skill de référence et le manifeste.
Review the Skillstore skill "senior-ml-engineer" from https://skillstore.io/skills/davila7-senior-ml-engineer.md and its manifest at https://skillstore.io/api/skills/davila7-senior-ml-engineer/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Votre Agent doit toujours présenter son plan et demander toute confirmation exigée par la politique de sécurité.
Ressources lisibles par les agents
Utilisez ces liens lorsqu’un Agent IA, un crawler ou un script a besoin d’un contexte propre au lieu de lire toute la page.
Tester
Utilisation de « senior-ml-engineer ». Concevez un plan de déploiement pour un modèle de prédiction du churn.
Résultat attendu:
- Un plan de déploiement progressif avec validation, version canari, critères de retour arrière et points de contrôle de responsabilité.
- Des recommandations de surveillance pour la dérive des données, la qualité des prédictions, la latence, les erreurs et l'impact métier.
Utilisation de « senior-ml-engineer ». Examinez une architecture de chatbot RAG pour identifier les risques en production.
Résultat attendu:
Une revue priorisée couvrant la qualité de récupération, les contrôles d'accès, les budgets de latence, les lacunes d'observabilité, les facteurs de coût et les modes de défaillance.
Utilisation de « senior-ml-engineer ». Créez une liste de contrôle de surveillance ML pour un nouveau service.
Résultat attendu:
Une liste de contrôle pour les métriques de modèle, la qualité des données, la santé du service, les seuils d'alerte, le routage des incidents et les déclencheurs de réentraînement.
Audit de sécurité
SûrThe static findings are false positives caused by Markdown code fences, inline reference links, and the benign phrase "Resource awareness" in performance guidance. I found no prompt injection, data exfiltration intent, unauthorized network activity, or malicious command execution instructions in the reviewed files.
Facteurs de risque
Partager et citer ce rapport
Partagez le rapport d’évaluation versionné, le badge neutre, la carte intégrable et les citations. Skillstore présente les preuves sans décider si ce Skill est sûr.
Copier le lien du rapport
https://skillstore.io/skills/davila7-senior-ml-engineer/audits/10?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportBadge Markdown
[](https://skillstore.io/skills/davila7-senior-ml-engineer?utm_source=security_passport_badge)Badge HTML
<a href="https://skillstore.io/skills/davila7-senior-ml-engineer?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-senior-ml-engineer/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Carte intégrable
<iframe src="https://skillstore.io/embed/skills/davila7-senior-ml-engineer.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>Citations académiques (APA · BibTeX · CFF)
Citation APA
davila7. (2026). senior-ml-engineer security audit report (audit version 10) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-senior-ml-engineer/audits/10Citation BibTeX
@techreport{davila7-davila7-senior-ml-engineer-2026,
author = {davila7},
title = {senior-ml-engineer security audit report (audit version 10)},
institution = {Skillstore},
year = {2026},
number = {10},
url = {https://skillstore.io/skills/davila7-senior-ml-engineer/audits/10},
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: "senior-ml-engineer security audit report (audit version 10)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-06"
url: "https://skillstore.io/skills/davila7-senior-ml-engineer/audits/10"
identifiers:
- type: other
value: "skillstore:davila7-senior-ml-engineer:audit:10"
description: "Skillstore immutable audit report identifier"
Comparer les variantes
2 variantes installablesChaque auteur reste un skill installable distinct. La variante recommandée est classée selon les preuves Skillstore.
Pourquoi cette variante est première
davila7-senior-ml-engineer
2026-09-09
alirezarezvani-senior-ml-engineer
2026-10-23
Score Skillstore
Pourquoi ce score Niveau de confiance des preuves: ÉlevéCe que vous pouvez créer
Planifier une plateforme MLOps
Créer un plan de déploiement et de surveillance pour des modèles nécessitant fiabilité, contrôle des coûts et pistes d'audit.
Examiner une architecture RAG
Évaluer la qualité de récupération, la latence, l'observabilité, la sécurité et les choix de mise à l'échelle avant l'implémentation.
Standardiser la livraison ML
Définir les pratiques d'équipe pour les tests, les jalons de publication, la surveillance et la réponse aux incidents dans les services ML.
Essayez ces prompts
Examinez cette idée de service ML et répertoriez les exigences de déploiement, de surveillance et de sécurité. Posez des questions de clarification avant de proposer une architecture.
Créez un workflow MLOps pour ce modèle. Incluez la validation des données, l'entraînement, le déploiement, le retour arrière, la surveillance et les points de contrôle de responsabilité.
Évaluez cette architecture RAG concernant la qualité de récupération, la latence, la sécurité, l'observabilité, le coût et les modes de défaillance. Fournissez des recommandations priorisées.
Effectuez une revue de préparation à la production pour cette plateforme ML. Couvrez les SLO, la réponse aux incidents, la conformité, la planification de capacité et les compromis liés à la dette technique.
Bonnes pratiques
- Fournissez l'objectif du modèle, la sensibilité des données, les objectifs de latence et l'environnement de déploiement avant de demander des conseils d'architecture.
- Demandez les compromis entre précision, latence, coût, fiabilité et conformité.
- Validez les plans générés auprès de vos responsables infrastructure, sécurité et juridique avant l'implémentation.
Éviter
- Considérer les scripts de structure comme des implémentations prêtes pour la production.
- Demander des commandes de déploiement sans confirmer l'environnement, les identifiants et les exigences de retour arrière.
- Omettre la confidentialité des données, la surveillance et la réponse aux incidents dans les conceptions de systèmes ML.
Foire aux questions
À quoi cette compétence sert-elle ?
Déploie-t-elle automatiquement les modèles ?
Peut-elle aider avec les systèmes RAG ?
Quels outils d'IA peuvent l'utiliser ?
Les scripts inclus sont-ils prêts pour la production ?
Quelles informations améliorent les résultats ?
Détails du développeur
Auteur
davila7Licence
MIT
Révision Skillstore
r1
Avis de version
L’auteur n’a déclaré aucune version.
Réf
b959ebfd1043a07c0c4378ab94ca4342cb0259f5
Récence de maintenance
22/07/2026
Utilisation
6 téléchargements · 228 vues
Structure de fichiers