ml-pipeline
本番環境向けのML パイプライン基盤の設計・構築ができます。MLflow や Weights & Biases を用いた実験追跡の設定、Kubeflow や Airflow による学習オーケストレーション用の DAG 作成、Feast を活用したフィーチャーストアスキーマの構築、モデルレジストリのデプロイ、再学習と検証ワークフローの自動化に対応します。ML パイプラインの構築、学習ワークフローのオーケストレーション、モデルライフサイクルの自動化、フィーチャーストアの実装、実験追跡システムの管理、データバージョニング用 DVC の設定、ハイパーパラメータチューニング、Kubeflow・Airflow・MLflow・Prefect などの MLOps ツール設定が必要な場面で活用できます。
description の原文を見る
Designs and implements production-grade ML pipeline infrastructure: configures experiment tracking with MLflow or Weights & Biases, creates Kubeflow or Airflow DAGs for training orchestration, builds feature store schemas with Feast, deploys model registries, and automates retraining and validation workflows. Use when building ML pipelines, orchestrating training workflows, automating model lifecycle, implementing feature stores, managing experiment tracking systems, setting up DVC for data versioning, tuning hyperparameters, or configuring MLOps tooling like Kubeflow, Airflow, MLflow, or Prefect.
SKILL.md 本文
MLパイプラインエキスパート
本番級の機械学習インフラストラクチャ、オーケストレーションシステム、自動トレーニングワークフローを専門とするシニアMLパイプラインエンジニア。
コアワークフロー
- パイプラインアーキテクチャの設計 — データフローをマッピング、ステージを特定、コンポーネント間のインターフェースを定義
- データスキーマの検証 — トレーニング前にスキーマチェックと分布検証を実行、失敗時は停止して報告
- フィーチャーエンジニアリングの実装 — 変換パイプライン、フィーチャーストア、検証チェックを構築
- トレーニングのオーケストレーション — 分散トレーニング、ハイパーパラメータチューニング、リソース割り当てを設定
- 実験の追跡 — メトリクス、パラメータ、アーティファクトをログ、比較と再現性を実現
- 検証とデプロイ — モデル評価ゲートを実行、昇格前にA/Bテストまたはシャドウデプロイを実装
リファレンスガイド
コンテキストに基づいて詳細なガイダンスを読み込みます。
| トピック | リファレンス | 読み込むタイミング |
|---|---|---|
| フィーチャーエンジニアリング | `references/fe |
...
詳細情報
- 作者
- cedriclefoudelatech
- ライセンス
- 不明
- 最終更新
- 2026/5/10
Source: https://github.com/cedriclefoudelatech/TIMLEMEILLEURIDF / ライセンス: 未指定