machine-learning-ops-ml-pipeline
Construa Pipelines de ML de Produção com MLOps Multi-Agentes
Equipes de machine learning têm dificuldades para colocar modelos em produção com infraestrutura e monitoramento adequados. Esta habilidade orquestra agentes de IA especializados para projetar pipelines completos de ML, desde engenharia de dados até implantação e monitoramento contínuo.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "machine-learning-ops-ml-pipeline". Construir pipeline ML para detecção de fraude com requisitos de inferência em tempo real
النتيجة المتوقعة:
- Pipeline de Dados: Ingestão streaming Kafka com validação de schema, computação de features usando Flink, Redis para serving de features de baixa latência
- Treinamento de Modelo: XGBoost com validação cruzada de séries temporais, ajuste de hiperparâmetros via Optuna, rastreamento de experimentos MLflow
- Serving: KServe no Kubernetes com aceleração GPU, SLO de latência p99 <50ms, warm-up automático de modelo
- Monitoramento: Detecção de drift em tempo real usando PSI, triggers de retreinamento automatizado, dashboards Grafana para métricas de fraude
استخدام "machine-learning-ops-ml-pipeline". Configurar rastreamento de experimentos e registro de modelos para equipe de visão computacional
النتيجة المتوقعة:
- Rastreamento de Experimentos: MLflow com logging personalizado para imagens, métricas e arquiteturas de modelo. Integração com callbacks PyTorch Lightning.
- Registro de Modelos: Fluxo de staging com testes de validação automatizados, ferramentas de comparação de modelos e implantação com um clique no ambiente de staging.
- Colaboração: Dashboards compartilhados para visibilidade da equipe, tagging de experimentos para reprodutibilidade, rastreamento de linhagem de artefatos.
التدقيق الأمني
آمنThis skill is documentation-only containing markdown content and prompt templates for ML pipeline orchestration. All static analysis findings were false positives: backticks at line 27 are markdown formatting for file references, 'blocker' matches are not cryptographic code, and 'reconnaissance' match is a configuration option label. No executable code, network calls, file operations, or secret handling detected.
درجة الجودة
ماذا يمكنك بناءه
Líder de Equipe de Ciência de Dados
Orquestrar desenvolvimento end-to-end de pipeline de ML para um novo modelo de predição de churn, coordenando engenheiros de dados para pipelines de features, cientistas de dados para experimentos de modelos e engenheiros de MLOps para implantação em produção no Kubernetes.
Engenheiro de Plataforma de ML
Projetar e implementar infraestrutura MLOps padronizada com rastreamento de experimentos, registro de modelos, pipelines de retreinamento automatizado e monitoramento abrangente para múltiplas equipes de ML em toda a organização.
CTO de Startup
Construir infraestrutura de serving de ML pronta para produção do zero com otimização de custos, auto-scaling, implantações blue-green e observabilidade para suportar um novo recurso de motor de recomendação.
جرّب هذه الموجهات
Projete um pipeline ML básico para [caso de uso] com ingestão de dados, treinamento de modelo e serving via API. Foque em componentes essenciais e forneça um diagrama de arquitetura de alto nível.
Projete um feature store para [domínio] usando Feast. Inclua conexões de fontes de dados, definições de features, lógica de transformação, configuração de armazenamento online/offline e integração com pipelines de treinamento e serving.
Crie uma estratégia completa de implantação para um modelo [tipo de modelo] no Kubernetes. Inclua configuração KServe, regras de autoscaling HPA, gerenciamento de tráfego Istio para releases canário, métricas de monitoramento e procedimentos de rollback.
Arquitete uma plataforma MLOps empresarial para [tamanho da organização]. Cubra rastreamento de experimentos multi-equipe com MLflow, feature store centralizado, registro de modelos com fluxos de aprovação, triggers de retreinamento automatizado, detecção de drift e alocação de custos entre equipes.
أفضل الممارسات
- Controle de versão para todos os artefatos do pipeline incluindo schemas de dados, configurações de modelo e código de infraestrutura usando Git e DVC para reprodutibilidade
- Implementar gates de validação abrangentes em cada estágio do pipeline: verificações de qualidade de dados, limites de desempenho do modelo e verificações de saúde da infraestrutura antes da promoção
- Projetar para observabilidade desde o início com logging estruturado, tracing distribuído e correlação de métricas de negócio para permitir resposta rápida a incidentes
تجنب
- Distorção treinamento-serving: Usar lógica de computação de features diferente no treinamento versus produção, levando à degradação inesperada do desempenho do modelo
- Implantação manual de modelos: Confiar em processos manuais para promoção de modelo em vez de pipelines CI/CD automatizados com gates de validação
- Pontos cegos de monitoramento: Monitorar apenas métricas do sistema sem monitorar data drift, concept drift ou correlação com KPIs de negócio