Model Deployment — ship trained ML models as production APIs
Un workflow de bout en bout pour déployer des modèles ML entraînés — sérialisation (ONNX/TorchScript), serving FastAPI/Flask avec health checks, packaging Docker, déploiement Kubernetes ou serverless, monitoring Prometheus/Grafana, stratégies blue-green et canary
- Quoi
- Un workflow de bout en bout pour déployer des modèles ML entraînés — sérialisation (ONNX/TorchScript), serving FastAPI/Flask avec health checks, packaging Docker, déploiement Kubernetes ou serverless, monitoring Prometheus/Grafana, stratégies blue-green et canary
- Coût
- Gratuit
- Prérequis
- un modèle entraîné avec ses dépendances ; un registre de conteneurs ; une cible de déploiement (cluster Kubernetes, hôte Docker ou plateforme serverless) ; comptes cloud le cas échéant (ressources payantes)
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill model-deployment de @seb1n, listé ici avec crédit à son créateur : un workflow de bout en bout permettant à un agent de prendre un modèle entraîné et de le livrer en service prêt pour la production — sérialisation vers un format portable (ONNX, TorchScript, SavedModel, joblib), construction d'une API de serving avec FastAPI ou Flask (endpoint de health check, validation Pydantic requête/réponse, logging structuré, erreurs HTTP explicites), conteneurisation avec un Dockerfile multi-stage, configuration de Deployments/Services Kubernetes avec sondes readiness/liveness et Horizontal Pod Autoscaler (ou déploiement serverless sur Lambda/Cloud Functions/Cloud Run), et exécution de smoke tests contre l'endpoint live. Il couvre aussi le monitoring avec Prometheus/Grafana (latence, taux d'erreurs, dérive des prédictions), les registres de modèles (MLflow, SageMaker, W&B), et les stratégies de redéploiement (blue-green, canary). Bémols honnêtes : le workflow génère des artefacts de production — les plans de déploiement touchent l'infrastructure live, donc relis chaque manifest et lance toi-même les smoke tests avant de lui faire confiance ; les exemples de code sont de bons points de départ, pas des templates durcis (pine tes dépendances, ajoute de l'auth) ; les ressources cloud créées coûtent de l'argent réel. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : un modèle entraîné avec ses dépendances ; un registre de conteneurs ; une cible de déploiement (cluster Kubernetes, hôte Docker ou plateforme serverless) ; comptes cloud le cas échéant (ressources payantes) Installe-moi « Model Deployment — livrer des modèles ML entraînés en APIs de production ». Il donne à mon agent le workflow de déploiement de bout en bout de @seb1n : sérialiser le modèle (ONNX/TorchScript/SavedModel/joblib), construire une API de serving FastAPI/Flask avec health checks et validation Pydantic, packager avec Docker, déployer sur Kubernetes ou serverless, lancer des smoke tests, puis monitorer avec Prometheus/Grafana en déploiements blue-green ou canary. Licence MIT. Dépôt : https://github.com/seb1n/awesome-ai-agent-skills/blob/main/ai-ml-operations/model-deployment/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 scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Les manifests de déploiement et Dockerfiles s'exécutent contre l'infrastructure live — vérifie les sources d'images et qu'aucun secret n'est embarqué. 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 « model-deployment ». 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. fournir mon artefact de modèle et mes identifiants de registre via le coffre, relire chaque manifest généré avant application, et lancer moi-même les smoke tests — les plans de déploiement touchent l'infrastructure live et créent des ressources facturables). 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.