Implementing MLOps
Mettre des modèles ML en production : suivi d'expériences, registre de modèles, pipelines CI/CD, monitoring de dérive données/modèles, feature stores et progression de maturité MLOps
- Quoi
- Mettre des modèles ML en production : suivi d'expériences, registre de modèles, pipelines CI/CD, monitoring de dérive données/modèles, feature stores et progression de maturité MLOps
- Coût
- Gratuit
- Prérequis
- un projet ML à déployer — outillage au choix (MLflow ou W&B pour le tracking, Docker/Kubernetes ou serverless pour le serving, un compte cloud pour l'infrastructure) ; éditeurs de code et CLI selon besoin
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill implementing-mlops de @ancoleman, listé ici avec crédit à son créateur : un guide complet pour mettre des modèles de machine learning en production. Il couvre le suivi d'expériences (MLflow, Weights & Biases, logging personnalisé), le registre de modèles (versioning, workflows d'approbation, model cards), les pipelines CI/CD pour le ML (GitHub Actions, Jenkins, GitLab CI avec tests spécifiques au ML), les stratégies de déploiement (batch vs temps réel, canary/blue-green, edge), le monitoring et l'observabilité (détection de dérive données et modèles, monitoring de performance, alertes), les feature stores (Feast, Tecton, solutions maison), l'infrastructure (Kubernetes, Docker, serverless) et les modèles de maturité MLOps — avec des templates prêts pour la production, des exemples de code (TensorFlow et PyTorch), un exemple de bout en bout (scikit-learn vers API REST vers Kubernetes) et des checklists de pré-déploiement et de préparation à la production. Bémols honnêtes : l'infrastructure et le tooling sont les vôtres — plateformes cloud (AWS/GCP/Azure), clusters Kubernetes et services de feature stores sont facturés séparément et exigent vos propres comptes ; le skill est des patterns de workflows et des checklists, pas l'infrastructure ; aucune garantie contre les pannes de production — il vous apprend à les monitorer. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : un projet ML à déployer — outillage au choix (MLflow ou W&B pour le tracking, Docker/Kubernetes ou serverless pour le serving, un compte cloud pour l'infrastructure) ; éditeurs de code et CLI selon besoin Installe-moi « Implémenter MLOps ». Il donne à mon agent le guide de ML en production de @ancoleman : suivi d'expériences, registre de modèles avec workflows d'approbation, pipelines CI/CD spécifiques au ML, stratégies de déploiement (batch, temps réel, canary, blue-green, edge), monitoring de dérive et de performance, feature stores, patterns d'infrastructure (Kubernetes, Docker, serverless), modèles de maturité MLOps — avec templates de production, exemples TensorFlow et PyTorch, exemple de bout en bout scikit-learn → API REST → Kubernetes, et checklists de pré-déploiement. Licence MIT. Dépôt : https://github.com/ancoleman/ai-design-components/blob/main/skills/implementing-mlops/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les templates pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur — identifiants cloud uniquement via mes propres variables d'environnement/coffre. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « implementing-mlops ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. choisir ma stack de tracking et de serving ; apporter mon propre compte cloud et cluster Kubernetes ; faire passer la checklist de pré-déploiement à mon modèle avant lancement). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création 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 une création avant de l’installer.