ML Pipeline Creation — reproducible pipelines from data to deployment gates
Une méthode agnostique pour concevoir des pipelines ML reproductibles — DAG d'étapes avec contrats d'artefacts explicites, idempotence, validation de schémas, portes d'évaluation/promotion, observabilité, rollback et tests incrémentaux
- Quoi
- Une méthode agnostique pour concevoir des pipelines ML reproductibles — DAG d'étapes avec contrats d'artefacts explicites, idempotence, validation de schémas, portes d'évaluation/promotion, observabilité, rollback et tests incrémentaux
- Coût
- Gratuit
- Prérequis
- un projet ML existant avec sources de données et environnement cible ; un système d'orchestration ou de CI déjà en usage (Airflow, Kubeflow ou simples runners CI)
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill ml-pipeline-creation de @seb1n, listé ici avec crédit à son créateur : une méthode agnostique permettant à un agent de concevoir, implémenter et valider des pipelines ML reproductibles — en partant des intrants requis (objectif métier, critères d'acceptation mesurables, propriété et cadence de rafraîchissement des données, environnements cibles, contraintes compute/coût/conformité), puis un contrat de sortie (graphe de dépendances des étapes, définition de pipeline versionnée, schémas d'entrée/sortie explicites, règles de versioning données/modèle/environnement, portes d'évaluation et de promotion avec comportement en échec, procédures d'observabilité/retry/backfill/rollback, et un dossier de vérification). Le workflow insiste sur l'inspection de l'environnement avant de choisir les outils (« ne pas introduire une plateforme juste pour la démontrer »), la modélisation du DAG en étapes idempotentes avec artefacts déclarés, le pinning des dépendances et des seeds, des portes qualité qui échouent en fermé, des retries seulement pour les échecs transitoires, et des tests incrémentaux — y compris forcer l'échec d'une étape pour vérifier que les suivantes ne s'exécutent jamais en silence. Il documente aussi les cas limites (données en streaming, entraînement non déterministe, gros backfills, dérive de schéma, promotion partielle). Bémols honnêtes : guidance méthodologique, pas un orchestrateur prêt à l'emploi — votre équipe fournit la plateforme réelle (Airflow, Kubeflow, runners CI) ; les frontières de sécurité sont explicites (pas de données de production en dev sans autorisation, pas de promotion en production sans approbation explicite) mais l'agent ne peut pas les faire respecter à votre place — relis chaque plan. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Réponse rapide
ML Pipeline Creation est un skill gratuit offrant une méthode pour concevoir des pipelines ML. Il part d'objectifs métier et de critères d'acceptation, de la propriété des données et leur cadence de rafraîchissement, et des contraintes compute, coût et conformité, puis définit un graphe de dépendances, une définition, des schémas, des règles de versioning, et des portes d'évaluation et promotion.
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 75865a5Étape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. Prérequis : un projet ML existant avec sources de données et environnement cible ; un système d'orchestration ou de CI déjà en usage (Airflow, Kubeflow ou simples runners CI) Installe-moi « ML Pipeline Creation — pipelines ML reproductibles, de la donnée aux portes de déploiement ». Il donne à mon agent la méthode agnostique de @seb1n pour concevoir des pipelines ML reproductibles : checklist des intrants requis, contrat de sortie (DAG d'étapes, schémas d'artefacts, règles de versioning, portes d'évaluation/promotion, procédures d'observabilité/rollback), un workflow qui privilégie les orchestrateurs existants, idempotence et portes qualité en échec fermé, tests incrémentaux, plus frontières de sécurité et gestion des cas limites. Licence MIT. Dépôt : https://raw.githubusercontent.com/seb1n/awesome-ai-agent-skills/75865a5d037a4cdaa7f409a4ec14ab9b0292920b/ai-ml-operations/ml-pipeline-creation/SKILL.md Version épinglée : installe le code au commit 75865a5d037a4cdaa7f409a4ec14ab9b0292920b 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. 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). C'est un skill méthodologique — toute action exécutable au-delà de la documentation est un signal d'alerte. Ce dépôt ne devrait contenir aucun secret en dur. 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 « ml-pipeline-creation ». 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 mon orchestrateur, définir mes critères d'acceptation et portes de promotion, et relire moi-même chaque plan de pipeline — l'agent ne peut pas faire respecter les frontières de sécurité à ma place). 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.
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
- 75865a5 · 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 · 19 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.