# machine-learning-ops-ml-pipeline

Скилл machine-learning-ops-ml-pipeline для проектирования и развёртывания полного ML-конвейера. Координирует специализированные агенты для работы с данными, обучением моделей, их оптимизацией и развёртыванием на production.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 2 установки · ★ 50109 у репозитория
- Автор: sickn33
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/sickn33/agentic-awesome-skills/tree/HEAD/skills/machine-learning-ops-ml-pipeline/SKILL.md
- Обновлён: 2026-10-29
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/machine-learning-ops-ml-pipeline

## Что делает

Скилл разбивает ML-проект на три фазы. Первая — анализ данных и требований: агенты проверяют источники данных, проектируют хранилище и качество, определяют признаки и метрики. Вторая — обучение: ML-инженер реализует конвейер, оптимизирует гиперпараметры, интегрирует MLflow или Weights & Biases для отслеживания экспериментов, другой агент улучшает код для production. Третья — развёртывание: настраивает REST-APIs, batch-обработку, blue-green и canary-релизы, мониторинг дрейфа и повторное обучение.

Каждый этап — это явная передача между агентами с выходными данными предыдущего как входом следующего. Внутри используются инструменты вроде DVC или lakeFS для версионирования данных, Feast для фич-стора, KServe или Seldon для serving. Скилл требует явного одобрения перед отправкой данных, тратой на GPU или развёртыванием в production.

Алерт о дрейфе — это не команда пересчитать модель: скилл просит оценить точность, калибровку, справедливость, отложенные метки и сравнить с baseline. Числовые целевые показатели — примеры, не гарантии.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill machine-learning-ops-ml-pipeline -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/machine-learning-ops-ml-pipeline/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/machine-learning-ops-ml-pipeline/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill machine-learning-ops-ml-pipeline -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/machine-learning-ops-ml-pipeline/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill machine-learning-ops-ml-pipeline -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/machine-learning-ops-ml-pipeline/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install sickn33/agentic-awesome-skills skills/machine-learning-ops-ml-pipeline
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/machine-learning-ops-ml-pipeline/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill machine-learning-ops-ml-pipeline -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/sickn33/agentic-awesome-skills --path skills/machine-learning-ops-ml-pipeline
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/machine-learning-ops-ml-pipeline/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill machine-learning-ops-ml-pipeline -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/sickn33/agentic-awesome-skills/tree/HEAD/skills/machine-learning-ops-ml-pipeline/SKILL.md

## Когда брать
- спроектировать конвейер от сырых данных до serving
- организовать multi-agent работу: от инженера данных до MLOps
- настроить отслеживание экспериментов и версионирование моделей
- развернуть модель с blue-green или canary-стратегией
- обнаружить дрейф данных и дать чёткий процесс переобучения

## Примеры запросов агенту
- Спроектируй ML-конвейер для предсказания churn клиентов по историческим транзакциям за последние 12 месяцев
- Реализуй полный MLOps: от загрузки данных через feature store до А/B-теста в production
- Настрой мониторинг дрейфа модели и процесс валидации перед автоматическим переобучением

## Похожие
- [machine-learning-ops](https://affpapa.org/nevibecode/plugins/machine-learning-ops.md) — плагин · ★ 42780 у репозитория
- [machine-learning-engineer](https://affpapa.org/nevibecode/agents/machine-learning-engineer.md) — субагент · 431 установка
- [ml-pipeline](https://affpapa.org/nevibecode/commands/ml-pipeline.md) — команда · ★ 42780 у репозитория
- [ml-pipeline-automation](https://affpapa.org/nevibecode/skills/ml-pipeline-automation.md) — скилл · 409 установок
- [Machine Learning](https://affpapa.org/nevibecode/skills/pluginagentmarketplace-machine-learning.md) — скилл · 357 установок
- [databricks-model-serving](https://affpapa.org/nevibecode/skills/databricks-model-serving.md) — скилл · 778 установок

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
