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.

実験から本番まで機械学習モデルを運用するための戦略的ガイダンス。実験の追跡 (MLflow、重みとバイアス)、モデルのレジストリとバージョン管理、機能ストア (Feast、Tecton)、モデル提供パターン (Seldon、KServe、BentoML)、ML パイプライン オーケストレーション (Kubeflow、Airflow)、モデルのモニタリング (ドリフト検出、可観測性) をカバーします。 ML インフラストラクチャの設計、MLOps プラットフォームの選択、継続的なトレーニング パイプラインの実装、またはモデル ガバナンスの確立時に使用します。 ソース: ancoleman/ai-design-components。

原文を見る