mlops-engineer
Créer des pipelines ML de production
La création et la maintenance de pipelines ML nécessitent une expertise dans plusieurs outils et plateformes cloud. Cette compétence fournit des conseils experts pour mettre en œuvre des workflows MLOps de bout en bout avec le suivi des expériences, la versioning des modèles et le déploiement automatisé.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "mlops-engineer". Design a basic ML pipeline using Kubeflow
النتيجة المتوقعة:
- Pipeline Structure: Data Ingestion → Preprocessing → Training → Evaluation → Model Registration
- Each component runs as a Docker container with appropriate resource limits
- MLflow integrated for tracking metrics and artifacts across all stages
- Pipeline parameters defined for data paths, model hyperparameters, and thresholds
استخدام "mlops-engineer". How do I set up model versioning with MLflow?
النتيجة المتوقعة:
- 1. Register model in MLflow Model Registry with unique version
- 2. Add model metadata including description and training parameters
- 3. Configure stage transitions: None → Staging → Production
- 4. Implement approval workflow for production promotions
- 5. Set up webhooks for notifications on model updates
التدقيق الأمني
آمنPrompt-only skill with no executable code. Static analysis scanned 0 files and detected 0 security issues. The skill provides MLOps guidance through text-based instructions only. No network requests, file system access, or external commands. Risk score: 0/100.
درجة الجودة
ماذا يمكنك بناءه
Concevoir l'architecture de la plateforme ML
Créer une conception complète de plateforme MLOps pour une entreprise ayant besoin de déployer des modèles à grande échelle avec le suivi des expériences et la versioning des modèles.
Implémenter un pipeline de réentraînement automatisé
Construire un pipeline automatisé qui réentraîne les modèles lorsque une dérive de données est détectée, avec des workflows d'approbation et des capacités de rollback.
Configurer l'infrastructure ML multi-cloud
Mettre en place une infrastructure ML sur AWS, Azure et GCP avec des outils cohérents et des capacités de reprise après sinistre.
جرّب هذه الموجهات
Concevoir un pipeline ML de base utilisant Kubeflow qui inclut les étapes de prétraitement des données, d'entraînement du modèle et d'évaluation du modèle. Inclure la configuration pour le suivi des expériences avec MLflow.
Configurer le suivi des expériences MLflow pour un projet d'entraînement PyTorch. Inclure la configuration pour l'enregistrement des métriques, le stockage des artefacts et la versioning des modèles.
Concevoir une architecture de déploiement ML en production sur AWS SageMaker avec la mise à l'échelle automatique, la surveillance et les capacités de déploiement blue-green. Inclure des stratégies d'optimisation des coûts.
Concevoir une architecture de plateforme MLOps complète incluant : le feature store, le suivi des expériences, le pipeline CI/CD, la surveillance, le registre de modèles, la détection de dérive. Spécifier les outils et les points d'intégration pour AWS ou GCP.
أفضل الممارسات
- Commencez par le suivi des expériences avant de construire des pipelines complexes pour comprendre le comportement des données et des modèles
- Implémentez la surveillance et les alertes dès le déploiement initial, pas après coup
- Utilisez l'infrastructure en tant que code (Terraform, CloudFormation) pour des environnements ML reproductibles
تجنب
- Déployer des modèles sans tests automatisés ou portes de validation
- Ignorer les contrôles de qualité des données avant l'entraînement du modèle conduit à de mauvaises performances du modèle
- Utiliser un seul fournisseur cloud sans considérer le verrouillage fournisseur pour les systèmes ML critiques