스킬 machine-learning-ops-ml-pipeline
📦
machine-learning-ops-ml-pipeline
콘텐츠 리비전 r1 안전 ⚙️ 외부 명령어
프로덕션 ML 파이프라인 구축
프로덕션 ML 시스템에는 조율된 데이터, 학습, 배포, 모니터링 계획이 필요합니다. 이 스킬은 해당 작업을 실용적인 MLOps 단계로 구조화합니다.
지원: Claude Codex Code(CC)
내 에이전트로 설치
이 요청을 에이전트에 복사하세요. 공식 Skill 페이지와 매니페스트가 포함되어 있습니다.
에이전트 요청
Review the Skillstore skill "machine-learning-ops-ml-pipeline" from https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline.md and its manifest at https://skillstore.io/api/skills/sickn33-machine-learning-ops-ml-pipeline/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.에이전트는 계속해서 계획을 표시하고 보안 정책에서 요구하는 확인을 요청해야 합니다.
에이전트가 읽기 쉬운 리소스
AI 에이전트, 크롤러, 스크립트가 전체 페이지 대신 정리된 컨텍스트만 필요할 때 이 링크를 사용하세요.
테스트해 보기
"machine-learning-ops-ml-pipeline" 사용 중입니다. 배치 학습과 실시간 추론을 사용하는 사기 탐지용 MLOps 파이프라인을 설계하세요.
예상 결과:
- 데이터 수집, 품질 검사, 피처 스토어 설계, 모델 학습, 배포, 모니터링을 포괄하는 단계별 아키텍처.
- 실험 추적, 모델 레지스트리, 서빙, 오케스트레이션, 드리프트 감지를 위한 권장 도구.
- 지연 시간, 가동 시간, 롤백, 재학습, 알림 대응에 대한 운영 기준.
"machine-learning-ops-ml-pipeline" 사용 중입니다. 모델 모니터링이나 롤백 프로세스가 없는 기존 ML 서비스를 개선하세요.
예상 결과:
- 데이터 드리프트, 모델 품질, 지연 시간, 처리량, 비즈니스 영향에 대한 모니터링 계획.
- 카나리 릴리스, 자동 롤백, 검증 게이트를 포함한 배포 전략.
- 인시던트 대응, 재학습 트리거, 소유권 인계를 위한 런북 개요.
보안 감사
안전v4 • 2026. 7. 7. 버전별 보고서 열기
The two static findings are false positives caused by Markdown backticks and a deployment option list. I found no prompt injection, exfiltration intent, or unsafe command execution in the reviewed SKILL.md content.
1
스캔된 파일
315
분석된 줄 수
0
검토 항목
0
오탐 무시됨
위험 요인
⚙️ 외부 명령어 (1)
가장 최근에 완료된 정적·의미론적 감사에서 확인된 보안 발견 사항이 감지되지 않았습니다. 이는 스킬에 부작용이 없음을 증명하지 않습니다.
감사자: codex 감사 이력 보기 →
이 보고서 공유 및 인용
버전이 지정된 평가 보고서, 중립 배지, 임베드 카드 및 인용을 공유하세요. Skillstore는 근거를 보고하지만 이 Skill의 안전 여부를 판단하지 않습니다.
보고서 링크 복사
https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 배지
[](https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline?utm_source=security_passport_badge)HTML 배지
<a href="https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-machine-learning-ops-ml-pipeline/security.svg" alt="Skillstore security assessment" loading="lazy"></a>임베드 카드
<iframe src="https://skillstore.io/embed/skills/sickn33-machine-learning-ops-ml-pipeline.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>학술 인용 (APA · BibTeX · CFF)
APA 인용
sickn33. (2026). machine-learning-ops-ml-pipeline security audit report (audit version 4) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4BibTeX 인용
@techreport{sickn33-sickn33-machine-learning-ops-ml-pipeline-2026,
author = {sickn33},
title = {machine-learning-ops-ml-pipeline security audit report (audit version 4)},
institution = {Skillstore},
year = {2026},
number = {4},
url = {https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4},
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: "machine-learning-ops-ml-pipeline security audit report (audit version 4)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-07-07"
url: "https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4"
identifiers:
- type: other
value: "skillstore:sickn33-machine-learning-ops-ml-pipeline:audit:4"
description: "Skillstore immutable audit report identifier"
Skillstore 점수
이 점수의 이유 증거 신뢰도: 높음 55
아키텍처
85
유지보수성
87
콘텐츠
69
커뮤니티
83
사양 준수
만들 수 있는 것
새 MLOps 플랫폼 계획
데이터 수집, 학습, 서빙, 모니터링, 재학습을 위한 엔드투엔드 청사진을 만듭니다.
모델 제공 표준화
임시 노트북을 실험 추적, 모델 레지스트리, 배포 게이트가 있는 반복 가능한 파이프라인으로 전환합니다.
프로덕션 안정성 개선
기존 모델 서빙 워크플로에 모니터링, 드리프트 감지, 롤백, 비용 제어를 추가합니다.
이 프롬프트를 사용해 보세요
기본 파이프라인 계획
이탈 예측 모델을 위한 프로덕션 ML 파이프라인을 설계하세요. 데이터 수집, 학습, 배포, 모니터링, 성공 기준을 포함하세요.
도구 선택
AWS, MLflow, Feast, Kubernetes, Prometheus를 사용하여 실시간 추천용 MLOps 파이프라인을 설계하세요. 각 주요 도구 선택을 설명하세요.
마이그레이션 로드맵
노트북 기반 모델 개발에서 버전 관리된 데이터, 모델 레지스트리, CI/CD, 모니터링을 갖춘 자동화 파이프라인으로 전환하는 마이그레이션 계획을 만드세요.
고급 운영 모델
피처 스토어, 카나리 릴리스, 드리프트 알림, 재학습 트리거, 인시던트 런북, 비용 제어를 포함한 멀티 클라우드 MLOps 운영 모델을 설계하세요.
모범 사례
- 스킬을 사용하기 전에 구체적인 데이터 소스, 목표 지표, 지연 시간 요구 사항, 배포 제약 조건을 제공하세요.
- 생성된 아키텍처를 데이터 엔지니어링, 플랫폼, 보안, 모델 소유자와 함께 검토하세요.
- 제안된 모든 인프라, 모니터링 임계값, 롤백 단계를 스테이징 환경에서 검증하세요.
피하기
- 데이터 규모, 개인정보 보호 규칙 또는 지연 시간 목표가 알려지지 않은 경우 일반적인 기본값을 사용하지 마세요.
- 테스트, 시크릿 검토, 인프라 검토 없이 생성된 파이프라인 코드를 배포하지 마세요.
- 모델 정확도를 프로덕션 준비 상태의 유일한 성공 지표로 간주하지 마세요.
자주 묻는 질문
이 스킬은 완전한 ML 파이프라인을 자동으로 작성하나요?
구조화된 계획, 구현 지침, 구성 요소 추천을 제공합니다. 팀은 여전히 최종 시스템을 구현하고 검증해야 합니다.
어떤 도구를 다루나요?
MLflow, Weights and Biases, Feast, KServe, Seldon, Kubeflow, Airflow, Prometheus와 같은 일반적인 MLOps 도구를 참조합니다.
클라우드별 설계를 지원할 수 있나요?
예. 프롬프트에 AWS, Azure, GCP 또는 멀티 클라우드 제약 조건을 포함하여 플랫폼별 추천을 받을 수 있습니다.
초기 프로토타입에도 유용한가요?
예. 어떤 제어 항목을 나중으로 미룰 수 있는지 식별하면서 프로토타입에서 프로덕션으로 가는 경량 경로를 만들 수 있습니다.
모니터링과 드리프트 감지를 처리하나요?
예. 워크플로에는 모델 성능, 데이터 드리프트, 개념 드리프트, 알림, 대시보드, 재학습 트리거가 포함됩니다.
Claude, Codex, Claude Code가 이 스킬을 사용할 수 있나요?
예. 보고서는 Claude, Codex, Claude Code에 대한 지원을 표시합니다.