mlops-automation

Skill do podniesienia standardów projektów MLOps poprzez automatyzację zadań, konteneryzację Docker, potoki CI/CD oraz śledzenie eksperymentów. Zawiera gotowe szablony dla task runnera just, pre-commit hooks, optymalizacje obrazów Docker i workflow'i GitHub Actions. Idealne dla zespołów przygotowujących kod do skalowania i wdrożenia w produkcji.

1. Zainstaluj narzędzia wymagane: just (task runner), docker (konteneryzacja), pre-commit (hooki lokalne) oraz mlflow (śledzenie eksperymentów). Upewnij się, że masz Python i uv jako package manager.

2. Skonfiguruj automatyzację zadań, tworząc plik justfile w katalogu głównym projektu. Podziel zadania na moduły w folderze tasks/ (np. tasks/check.just dla linterów i testów, tasks/docker.just dla konteneryzacji). Zdefiniuj podstawowe zadania: check (uruchomienie linterów i testów), package (budowanie wheels), clean (usuwanie artefaktów) oraz install (setup środowiska dev).

3. Dodaj pre-commit hooks, tworząc .pre-commit-config.yaml w katalogu głównym. Skonfiguruj hooki takie jak ruff, bandit, check-yaml i trailing-whitespace. Opcjonalnie dodaj commitizen hook do wymuszania Conventional Commits (np. feat: add new model).

4. Przygotuj Dockerfile z optymalizacją warstw: skopiuj uv.lock i pyproject.toml, uruchom uv sync, a dopiero potem skopiuj kod źródłowy. Użyj wieloetapowej budowy — zbuduj artefakty w jednym etapie i skopiuj tylko dist/*.whl do etapu runtime'u. Wybierz bazowy obraz ghcr.io/astral-sh/uv:python3.1X-bookworm-slim dla minimalnego rozmiaru.

5. Skonfiguruj workflow'i CI/CD w GitHub Actions (lub dostosuj do platformy Twojej firmy). Utwórz check.yml uruchamiany na pull requestach (wykonujący just check) oraz publish.yml na release'ach (budujący obraz Docker i publikujący dokumentację).

6. Integruj śledzenie eksperymentów za pomocą mlflow — skonfiguruj logowanie metryk, parametrów i artefaktów w swoim kodzie treningowym, aby monitorować przebieg eksperymentów i porównywać wyniki między uruchomieniami.