ML Engineering Workflow
Workflow ML engineering de production : contrats de données, entraînement reproductible, évaluation, déploiement, monitoring et rollback.
- Quoi
- Workflow ML engineering de production : contrats de données, entraînement reproductible, évaluation, déploiement, monitoring et rollback.
- Coût
- Gratuit
- Prérequis
- un projet ML en route vers (ou déjà en) production ; les expériences en notebooks seuls y gagnent peu. Skill de pur guide, rien à installer.
- Niveau
- Débutant — un projet ML en route vers (ou déjà en) production…
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
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.
Version :
Réponse rapide
ML Engineering Workflow est un skill gratuit pour Muse et un flux pour transformer le travail de modèle en systèmes ML de production. Il couvre contrats de données, pipelines d'entraînement reproductibles, évaluation de modèles hors ligne et en ligne avec critères de promotion clairs, suivi d'expériences, artefacts déployables, déploiements canary et trafic fantôme, surveillance opérationnelle, et repli.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit 4eb71d9Version épinglée : installe le code au commit 4eb71d92a39cab44ad40ac9d8a6a5ccb4029d6c2 exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. Utilisez « Workflow ML Engineering » avec votre Muse. Prérequis : un projet ML en route vers (ou déjà en) production ; les expériences en notebooks seuls y gagnent peu. Skill de pur guide, rien à installer. 1. Ouvrez le skill : https://raw.githubusercontent.com/affaan-m/ECC/4eb71d92a39cab44ad40ac9d8a6a5ccb4029d6c2/skills/mle-workflow/SKILL.md et copiez le texte complet du SKILL.md. 2. Collez-le dans un chat avec Muse et ajoutez : « Relis mon pipeline ML au regard de ce workflow : contrats de données, entraînement reproductible, portes d'évaluation, monitoring, rollback. » 3. Pour un incident de production, demandez : « Débogue cette dégradation de modèle avec le guide des pannes : dérive des données, fuite de labels, features périmées, ou divergence entraînement/serving ? » Astuce : commencez par nommer votre setup de serving (batch, en ligne, ou les deux) ; la calibration de portée choisit les bonnes voies. Sécurité : un skill est du texte d'instructions ; il n'exécute rien tout seul. Ne laissez jamais des changements de modèle atteindre la production sans les portes d'évaluation décrites par ce workflow.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- 4eb71d9 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 21 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours un skill avant de l’installer.