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.

Orientation stratégique pour opérationnaliser les modèles d’apprentissage automatique, de l’expérimentation à la production. Couvre le suivi des expériences (MLflow, Weights & Biases), le registre et la gestion des versions des modèles, les magasins de fonctionnalités (Feast, Tecton), les modèles de diffusion de modèles (Seldon, KServe, BentoML), l'orchestration du pipeline ML (Kubeflow, Airflow) et la surveillance des modèles (détection de dérive, observabilité). À utiliser lors de la conception d'une infrastructure ML, de la sélection de plates-formes MLOps, de la mise en œuvre de pipelines de formation continue ou de l'établissement d'une gouvernance de modèle. Source : ancoleman/ai-design-components.

Voir l'original