senior-ml-engineer
Umiejętność seniora ML: wdrażaj modele, buduj systemy MLOps i integruj LLM w produkcji
Instalacja
Wybierz klienta i sklonuj repozytorium do odpowiedniego katalogu skilli.
Instalacja
O skillu
Zaawansowana umiejętność dla inżynierów ML zajmujących się produktywizacją modeli i budową skalowalnych systemów. Obejmuje wdrażanie modeli, MLOps, monitoring, integrację LLM, fine-tuning oraz systemy RAG. Wspiera PyTorch, TensorFlow, Kubernetes, Airflow i narzędzia chmurowe. Idealna do automatyzacji pipeline'ów ML, optymalizacji wydajności i zarządzania infrastrukturą uczenia maszynowego.
Jak używać
Sklonuj repozytorium ze skilla senior-ml-engineer z GitHub. Upewnij się, że masz zainstalowane Python oraz wymagane biblioteki: PyTorch, TensorFlow, Spark, Airflow i narzędzia do monitorowania (MLflow, Weights & Biases).
Przygotuj dane wejściowe w katalogu data/ — mogą to być surowe dane, modele do wdrożenia lub konfiguracje istniejących systemów ML.
Dla wdrażania modeli uruchom skrypt model_deployment_pipeline.py z flagą --input wskazującą na katalog danych oraz --output dla katalogu wyników. Skrypt obsługuje Docker i Kubernetes do produkcyjnego wdrożenia.
Jeśli budujesz system RAG lub integrujesz LLM, użyj rag_system_builder.py z flagą --target wskazującą na katalog projektu oraz --analyze do analizy struktury systemu.
Do monitorowania modeli w produkcji uruchom ml_monitoring_suite.py z plikiem konfiguracyjnym (config.yaml) i flagą --deploy. Narzędzie integruje się z MLflow i Prometheus do śledzenia metryk i wydajności.
Dostosuj konfiguracje do swojej infrastruktury (AWS, GCP, Azure) i zespołu — skill wspiera best practices MLOps, optymalizację kosztów oraz wzorce bezpieczeństwa dla systemów produkcyjnych.