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.

실험부터 생산까지 기계 학습 모델을 운영하기 위한 전략적 지침입니다. 실험 추적(MLflow, 가중치 및 편향), 모델 레지스트리 및 버전 관리, 특성 저장소(Feast, Tecton), 모델 제공 패턴(Seldon, KServe, BentoML), ML 파이프라인 조정(Kubeflow, Airflow), 모델 모니터링(드리프트 감지, 관찰 가능성)을 다룹니다. ML 인프라 설계, MLOps 플랫폼 선택, 지속적인 학습 파이프라인 구현 또는 모델 거버넌스 설정 시 사용하세요. 출처: ancoleman/ai-design-components.

원본 보기