implementing-mlops

SKILL.md

Operationalize machine learning models from experimentation to production deployment and monitoring.

Provide strategic guidance for ML engineers and platform teams to build production-grade ML infrastructure. Cover the complete lifecycle: experiment tracking, model registry, feature stores, deployment patterns, pipeline orchestration, and monitoring.

Track experiments systematically to ensure reproducibility and collaboration.

Orientación estratégica para poner en funcionamiento modelos de aprendizaje automático desde la experimentación hasta la producción. Cubre el seguimiento de experimentos (MLflow, Weights & Biases), registro y control de versiones de modelos, almacenes de características (Feast, Tecton), patrones de servicio de modelos (Seldon, KServe, BentoML), orquestación de canalizaciones de ML (Kubeflow, Airflow) y monitoreo de modelos (detección de deriva, observabilidad). Úselo al diseñar infraestructura de aprendizaje automático, seleccionar plataformas MLOps, implementar canales de capacitación continua o establecer un modelo de gobernanza. Fuente: ancoleman/ai-design-components.

Ver original