ML Engineering Workflow

Sélectionné par Skill Harbor : un skill de workflow pour transformer le travail de modélisation en systèmes ML de production. Il couvre les contrats de données, les pipelines d'entraînement reproductibles, l'évaluation hors ligne et en ligne avec critères de promotion clairs, le suivi d'expériences, les artefacts déployables, les déploiements canary et le trafic fantôme, le monitoring opérationnel (dérive des données, fuite de labels, features périmées) et les chemins de rollback quand la qualité se dégrade. Sa calibration de portée est un point fort : n'utiliser que les voies adaptées au système devant vous, qu'il s'agisse de ranking, recommandations, classifieurs, prévisions, embeddings ou workflows LLM, sans imposer une architecture unique à tout. Le guide de débogage cible les pannes classiques de production : dérive des données, fuite de labels, incohérence d'artefacts et divergence entraînement/serving. Par @affaan-m, listé ici avec crédit à son créateur. Tiré du dépôt affaan-m/ECC (MIT, déclaré dans le frontmatter). Bémols honnêtes : pur guide, rien à installer ; suppose du travail ML au-delà des notebooks ponctuels ; agnostique des frameworks, adaptez les voies à votre stack. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage.