ml-pipeline-workflow
Build end-to-end MLOps pipelines from data preparation through model training, validation, and production deployment. Use when creating ML pipelines, implementing MLOps practices, or automating model training and deployment workflows.
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Build end-to-end MLOps pipelines from data preparation through model training, validation, and production deployment. Use when creating ML pipelines, implementing MLOps practices, or automating model training and deployment workflows.
How to use
Zainstaluj skill w swoim środowisku agenta Claude/Copilot, dodając go do konfiguracji dostępnych umiejętności.
Zdefiniuj architekturę pipeline'u, określając kolejność etapów: ingestion danych → przygotowanie → trenowanie → walidacja → deployment. Skill pomaga zaprojektować DAG (directed acyclic graph) z zależnościami między komponentami i strategiami obsługi błędów.
Skonfiguruj etap przygotowania danych, uwzględniając walidację jakości, feature engineering, versionowanie danych oraz podział na zbiory treningowy, walidacyjny i testowy.
Ustaw orchestrację trenowania modelu, włączając zarządzanie hiperparametrami, integrację z narzędziami do śledzenia eksperymentów oraz wzorce dla trenowania rozproszonego.
Wdrażaj modele do produkcji, wybierając strategię deploymentu (canary lub blue-green) i definiując mechanizmy rollbacku na wypadek problemów z wydajnością.
Monitoruj pipeline w działaniu, korzystając z wbudowanych ram do walidacji, A/B testowania i detekcji regresji wydajności modelu.