senior-ml-engineer
전문가 지침으로 프로덕션 ML 모델 배포하기
Également disponible depuis: alirezarezvani
ML 시스템을 프로덕션에 구축하고 배포하려면 MLOps, 모델 모니터링 및 확장 가능한 인프라에 대한 전문 지식이 필요합니다. 이 스킬은 ML 모델을 프로덕션 환경에 적용하고, RAG 시스템을 구현하며, LLM을 프로덕션 워크플로에 통합하는 데 세계적 수준의 지침을 제공합니다.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "senior-ml-engineer". 이미지 분류 모델의 모델 배포 파이프라인을 설계하는 것을 도와주세요
Résultat attendu:
- ## 모델 배포 아키텍처
- - 컨테이너: PyTorch 서빙이 포함된 Docker
- - 인프라: HPA 오토스케일링이 포함된 Kubernetes
- - 모니터링: Prometheus 메트릭 + 커스텀 드리프트 탐지
- - 전략: A/B 테스트가 포함된 카나리 배포
Utilisation de "senior-ml-engineer". 문서용 RAG 시스템을 어떻게 설정하나요
Résultat attendu:
- ## RAG 시스템 컴포넌트
- - 청킹 전략이 포함된 문서 수집 파이프라인
- - 벡터 데이터베이스 (Pinecone, Weaviate, 또는 pgvector)
- - 임베딩 모델 선택 및 최적화
- - 하이브리드 검색 (밀집 + 스파스)
- - 컨텍스트 압축을 사용한 응답 합성
Utilisation de "senior-ml-engineer". 프로덕션 ML 모델에 어떤 모니터링이 필요한가요
Résultat attendu:
- ## 모델 모니터링 프레임워크
- - 데이터 드리프트 탐지 (인구 안정성 지수)
- - 예측 드리프트 모니터링 (분포 변화)
- - 성능 지표 (정확도, 지연시간, 처리량)
- - 피처 스토어 검증 및 일관성 검사
- - PagerDuty 또는 Slack 통합이 포함된 알림 구성
Audit de sécurité
Risque faibleDocumentation-heavy skill with placeholder Python scripts and reference guides. Static findings are false positives triggered by documentation text about security best practices and markdown code formatting. The scanner flagged documentation mentions of 'encryption', 'circuit breakers', and backtick formatting as security threats. Actual code contains no network calls, no external commands, no cryptographic implementations. The three Python scripts are skeleton templates using only standard libraries with placeholder implementations.
Facteurs de risque
⚡ Contient des scripts (3)
📁 Accès au système de fichiers (3)
Score de qualité
Ce que vous pouvez construire
프로덕션 ML 시스템
프로덕션 환경을 위한 모니터링, 피처 스토어, 자동화된 재학습이 포함된 확장 가능한 ML 파이프라인 설계
LLM 통합
산업 표준 프레임워크를 사용하여 RAG 시스템을 구축하고 언어 모델을 애플리케이션에 통합
ML 인프라
Docker로 Kubernetes에 모델 배포, A/B 테스트 구현, 옵저버빌리티 설정
Essayez ces prompts
PyTorch 모델의 배포 파이프라인을 설계하는 것을 도와주세요. Docker로 컨테이너화, Kubernetes 배포, 모델 버전 관리, 모니터링 설정을 포함해주세요.
문서 컬렉션을 위한 RAG 시스템 아키텍처를 만들어주세요. 오케스트레이션에는 LangChain을 사용하고, 임베딩을 위한 벡터 데이터베이스를 사용하며, 검색 최적화를 구현해주세요.
예측 드리프트, 데이터 드리프트, 모델 성능 지표를 추적하는 모델 모니터링 시스템을 설계해주세요. 알림 및 자동화된 재학습 트리거를 포함해주세요.
Claude나 GPT 모델을 프로덕션 애플리케이션에 통합하는 것을 도와주세요. 프롬프트 엔지니어링, 레이트 리미팅, 캐싱, 비용 최적화 전략을 포함해주세요.
Bonnes pratiques
- 처음부터 10배 규모를 설계하고, 나중에 추가하지 마세요
- 배포 전에 포괄적인 모니터를 구현하고, 배포 후가 아니라 전에 구현하세요
- 학습과 추론 간의 일관성을 보장하기 위해 피처 스토어를 사용하세요
- 명확한 롤백 절차와 함께 재학습 파이프라인을 자동화하세요
Éviter
- 자동화된 테스트 및 유효성 검사 게이트 없이 모델 배포
- 성능이 저하될 때까지 데이터 드리프트 모니터링 건너뛰기
- 환경 변수 대신 모델 경로나 설정을 하드코딩
- 수평 확장이 없는 모놀릭 서빙 인프라 구축