Fluxo de Trabalho de Engenharia de Machine Learning

Use esta habilidade para transformar o trabalho de modelos em um sistema de ML em produção com contratos de dados claros, treinamento repetível, portões de qualidade mensuráveis, artefatos implantáveis e monitoramento operacional.

Quando Ativar

• Planejando ou revisando um recurso de ML em produção, atualização de modelo, sistema de ranking, recomendador, classificador, fluxo de trabalho de embeddings ou pipeline de previsão.
• Convertendo código de notebook em um pipeline reutilizável de treinamento, avaliação, inferência em lote ou inferência online.
• Projetando critérios de promoção de modelo, avaliações offline/online, rastreamento de experimentos ou caminhos de rollback.
• Depurando falhas causadas por desvio de dados (data drift), vazamento de rótulos (label leakage), recursos desatualizados (stale features), incompatibilidade de artefatos ou lógica inconsistente de treinamento e serviço.
• Adicionando monitoramento de modelo, rollout canário (canary rollout), tráfego sombra (shadow traffic) ou verificações de qualidade pós-implantação.

Calibração de Escopo

Use apenas as trilhas que se encaixam no sistema à sua frente. Esta habilidade é útil para ranking, busca, recomendações, classificadores, previsão, embeddings, fluxos de trabalho de LLM, detecção de anomalias e análise em lote, mas não deve forçar uma arquitetura única para todos eles.

• Não assuma que todo modelo possui rótulos supervisionados, serviço online, um feature store, PyTorch, GPUs, revisão humana, testes A/B ou feedback em tempo real.
• Não adicione maquinário pesado de MLOps quando um contrato de dados, linha de base, script de avaliação e nota de rollback tornariam a mudança revisável.
• Faça suposições explícitas quando o projeto carecer de rótulos, resultados atrasados, definições de fatias (slices), tráfego de produção ou propriedade de monitoramento.
• Trate exemplos como andaimes intercambiáveis. Substitua métricas, modo de serviço, armazenamentos de dados e mecânicas de rollout pelos equivalentes nativos do projeto.

Habilidades Relacionadas

• python-patterns e python-testing para implementação em Python e cobertura pytest.
• pytorch-patterns para modelos de deep learning, carregadores de dados, tratamento de dispositivos e loops de treinamento.
• eval-harness e ai-regression-testing para portões de promoção e verificações de regressão assistidas por agente.
• database-migrations, postgres-patterns e clickhouse-io para armazenamento de dados e superfícies de análise.
• deployment-patterns, docker-patterns e security-review para serviço, segredos, contêineres e endurecimento de produção.

Reutilize a Superfície SWE

Não trate MLE como algo separado da engenharia de software. A maioria dos fluxos de trabalho SWE da ECC se aplica diretamente a sistemas de ML, muitas vezes com modos de falha mais rigorosos:

A instalação recomendada do minimal --with capability:machine-learning mantém a superfície do agente principal disponível ao lado desta habilidade. Para harnesses apenas de habilidade ou com agentes limitados, combine skill:mle-workflow com agent:mle-reviewer onde o alvo suporta agentes.

…