ml-engineer

Umiejętność dla inżynierów ML pracujących nad systemami produkcyjnymi. Obejmuje PyTorch 2.x, TensorFlow, serwowanie modeli, inżynierię cech oraz monitoring. Udzielaj wskazówek dotyczących wdrażania modeli, optymalizacji inferencji i infrastruktury ML. Zawiera playbook implementacyjny z praktycznymi przykładami i listami kontrolnymi.

1. Zdefiniuj cel swojego zadania ML — czy pracujesz nad wdrożeniem modelu, optymalizacją inferencji, czy budową infrastruktury ML. Wyjaśnij ograniczenia, dostępne zasoby i wymagane wejścia (typ modelu, framework, skala).

2. Poproś umiejętność o najlepsze praktyki i wskazówki dla Twojego scenariusza. Może to obejmować architekturę serwowania (TensorFlow Serving, TorchServe, MLflow, BentoML), containeryzację (Docker, Kubernetes) lub optymalizację modelu (torch.compile, mixed precision).

3. Jeśli potrzebujesz konkretnych przykładów implementacji, otwórz plik resources/implementation-playbook.md — zawiera on szczegółowe kroki dla typowych przepływów pracy inżyniera ML.

4. Pracuj z umiejętnością nad wyborem odpowiedniego frameworka (PyTorch 2.x, TensorFlow 2.x, JAX) i bibliotek (Hugging Face Transformers, Ray Train, ONNX) dla Twojego problemu.

5. Zweryfikuj wyniki — umiejętność pomoże Ci w testowaniu, monitorowaniu i walidacji systemu ML w środowisku produkcyjnym, w tym w A/B testowaniu i obserwowaniu modeli.

6. Jeśli zadanie wykracza poza inżynierię ML (np. dotyczy innego domeny lub narzędzia), nie używaj tej umiejętności — wybierz bardziej specjalizowaną.