ml-engineer
Build production ML systems with PyTorch 2.x, TensorFlow, and modern ML frameworks. Implements model serving, feature engineering, A/B testing, and monitoring. Use PROACTIVELY for ML model deployment, inference optimization, or production ML infrastructure.
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Build production ML systems with PyTorch 2.x, TensorFlow, and modern ML frameworks. Implements model serving, feature engineering, A/B testing, and monitoring. Use PROACTIVELY for ML model deployment, inference optimization, or production ML infrastructure.
How to use
Zdefiniuj cel swojego zadania ML — czy pracujesz nad wdrożeniem modelu, optymalizacją inferencji, czy budową infrastruktury ML. Wyjaśnij ograniczenia, dostępne zasoby i wymagane wejścia (typ modelu, framework, skala).
Poproś umiejętność o najlepsze praktyki i wskazówki dla Twojego scenariusza. Może to obejmować architekturę serwowania (TensorFlow Serving, TorchServe, MLflow, BentoML), containeryzację (Docker, Kubernetes) lub optymalizację modelu (torch.compile, mixed precision).
Jeśli potrzebujesz konkretnych przykładów implementacji, otwórz plik
resources/implementation-playbook.md— zawiera on szczegółowe kroki dla typowych przepływów pracy inżyniera ML.Pracuj z umiejętnością nad wyborem odpowiedniego frameworka (PyTorch 2.x, TensorFlow 2.x, JAX) i bibliotek (Hugging Face Transformers, Ray Train, ONNX) dla Twojego problemu.
Zweryfikuj wyniki — umiejętność pomoże Ci w testowaniu, monitorowaniu i walidacji systemu ML w środowisku produkcyjnym, w tym w A/B testowaniu i obserwowaniu modeli.
Jeśli zadanie wykracza poza inżynierię ML (np. dotyczy innego domeny lub narzędzia), nie używaj tej umiejętności — wybierz bardziej specjalizowaną.