senior-ml-engineer
Развертывание production ML моделей с экспертным руководством
也可從以下取得: alirezarezvani
Создание и развертывание ML систем в production требует глубокой экспертизы в MLOps, мониторинге моделей и масштабируемой инфраструктуре. Этот навык предоставляет руководство мирового уровня для внедрения ML моделей в production, реализации RAG систем и интеграции LLM в production рабочие процессы.
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「senior-ml-engineer」。 Помоги мне спроектировать конвейер развертывания модели для моей модели классификации изображений
預期結果:
- ## Архитектура развертывания модели
- - Контейнер: Docker с PyTorch serving
- - Инфраструктура: Kubernetes с HPA автомасштабированием
- - Мониторинг: метрики Prometheus плюс пользовательское обнаружение дрейфа
- - Стратегия: канареечное развертывание с A/B тестированием
正在使用「senior-ml-engineer」。 Как мне настроить RAG систему для моей документации
預期結果:
- ## Компоненты RAG системы
- - Конвейер приема документов со стратегиями разбиения на фрагменты
- - Векторная база данных (Pinecone, Weaviate или pgvector)
- - Выбор и оптимизация модели эмбеддингов
- - Извлечение с гибридным поиском (плотный плюс разреженный)
- - Синтез ответов со сжатием контекста
正在使用「senior-ml-engineer」。 Какой мониторинг мне нужен для моей production ML модели
預期結果:
- ## Фреймворк мониторинга модели
- - Обнаружение дрейфа данных (индекс стабильности популяции)
- - Мониторинг дрейфа предсказаний (сдвиги распределения)
- - Метрики производительности (точность, задержка, пропускная способность)
- - Валидация feature store и проверки согласованности
- - Конфигурация оповещений с интеграцией PagerDuty или Slack
安全審計
低風險Documentation-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.
風險因素
品質評分
你能建構什麼
Production ML системы
Проектирование масштабируемых ML конвейеров с мониторингом, feature stores и автоматическим переобучением для production окружений
Интеграция LLM
Создание RAG систем и интеграция языковых моделей в приложения с использованием отраслевых стандартных фреймворков
ML инфраструктура
Развертывание моделей в Kubernetes с Docker, реализация A/B тестирования и настройка наблюдаемости
試試這些提示
Помоги мне спроектировать конвейер развертывания для моей PyTorch модели. Включи контейнеризацию с Docker, развертывание Kubernetes, версионирование модели и настройку мониторинга.
Создай архитектуру RAG системы для моего корпуса документов. Используй LangChain для оркестрации, векторную базу данных для эмбеддингов и реализуй оптимизацию извлечения.
Спроектируй систему мониторинга модели, которая отслеживает дрейф предсказаний, дрейф данных и метрики производительности модели. Включи оповещения и триггеры автоматического переобучения.
Помоги мне интегрировать модели Claude или GPT в мое production приложение. Включи prompt engineering, ограничение частоты запросов, кэширование и стратегии оптимизации затрат.
最佳實務
- Всегда проектируйте для масштаба 10x с самого начала, а не как запоздалую мысль
- Реализуйте комплексный мониторинг до развертывания, а не после
- Используйте feature stores для обеспечения согласованности между обучением и инференсом
- Автоматизируйте конвейеры переобучения с четкими процедурами отката
避免
- Развертывание моделей без автоматизированного тестирования и шлюзов валидации
- Пропуск мониторинга дрейфа данных до ухудшения производительности
- Жесткое кодирование путей к моделям или конфигурации вместо использования переменных окружения
- Создание монолитной инфраструктуры обслуживания без горизонтального масштабирования