Option

mle-workflow

affaan-m/ECC affaan-m/ECC

Verwandeln Sie Modellarbeiten in ein produktionsreifes ML-System mit Datenverträgen, wiederholbarem Training, messbaren Qualitätskontrollen, bereitstellbaren Artefakten und operativer Überwachung.

...Alle erweitern
0
Zeit aktualisiert 1. Oktober 2026

Workflow für Machine-Learning-Engineering

Nutzen Sie diese Kompetenz, um Modellarbeit in ein produktionsreifes ML-System mit klaren Datenvereinbarungen, wiederholbarem Training, messbaren Qualitätskontrollen, bereitstellbaren Artefakten und operativer Überwachung umzusetzen.

Wann aktivieren?

  • Bei der Planung oder Überprüfung einer produktionsreifen ML-Funktion, einer Modellaktualisierung, eines Ranking-Systems, eines Empfehlungssystems, eines Klassifikators, eines Embedding-Workflows oder einer Prognose-Pipeline
  • Umwandlung von Notebook-Code in eine wiederverwendbare Pipeline für Training, Bewertung, Batch-Inferenz oder Online-Inferenz
  • Entwurf von Kriterien für die Modellfreigabe, Offline-/Online-Bewertungen, Experimentverfolgung oder Rollback-Pfade
  • Behebung von Fehlern, die durch Datenverschiebung, Label-Leckage, veraltete Merkmale, Artefakt-Inkompatibilität oder inkonsistente Trainings- und Servicing-Logik verursacht werden
  • Einbindung von Modellüberwachung, Canary-Rollout, Shadow-Traffic oder Qualitätsprüfungen nach der Bereitstellung

Anpassung des Anwendungsbereichs

Verwenden Sie nur die „Spuren“, die zu dem vor Ihnen liegenden System passen. Diese Kompetenz ist nützlich für Ranking, Suche, Empfehlungen, Klassifikatoren, Prognosen, Embeddings, LLM-Workflows, Anomalieerkennung und Batch-Analysen, sollte jedoch nicht dazu führen, dass allen diesen Bereichen eine einzige Architektur aufgezwungen wird.

  • Gehen Sie nicht davon aus, dass jedes Modell über überwachte Labels, Online-Bereitstellung, einen Feature-Store, PyTorch, GPUs, manuelle Überprüfung, A/B-Tests oder Echtzeit-Feedback verfügt.
  • Fügen Sie keine schwerfälligen MLOps-Mechanismen hinzu, wenn ein Datenvertrag, eine Baseline, ein Auswertungsskript und eine Rollback-Notiz die Änderung bereits überprüfbar machen.
  • Machen Sie Annahmen explizit, wenn dem Projekt Labels, verzögerte Ergebnisse, Slice-Definitionen, Produktionsdatenverkehr oder Zuständigkeiten für die Überwachung fehlen.
  • Behandeln Sie Beispiele als austauschbare Gerüste. Ersetzen Sie Metriken, Bereitstellungsmodus, Datenspeicher und Rollout-Mechanismen durch die projektbezogenen Entsprechungen.

Verwandte Fähigkeiten

  • python-patterns sowie python-testing für die Python-Implementierung und die pytest-Abdeckung
  • pytorch-patterns für Deep-Learning-Modelle, Datenlader, Gerätehandhabung und Trainingsschleifen
  • eval-harness sowie ai-regression-testing für Promotions-Gates und agentengestützte Regressionsprüfungen
  • database-migrations, postgres-patternssowie clickhouse-io für Datenspeicherung und Analyseoberflächen
  • deployment-patterns, docker-patternssowie security-review für Serving, Secrets, Container und die Absicherung der Produktionsumgebung

Wiederverwendung der SWE-Oberfläche

Behandeln Sie MLE nicht getrennt von der Softwareentwicklung. Die meisten ECC-SWE-Workflows lassen sich direkt auf ML-Systeme anwenden, oft mit strengeren Fehlermodi:

Die empfohlene minimal --with capability:machine-learning Installation hält die Kern-Agent-Oberfläche neben dieser Skill verfügbar. Bei reinen Skill- oder agentenbeschränkten Testumgebungen kombinieren Sie skill:mle-workflow mit agent:mle-reviewer , sofern das Zielsystem Agenten unterstützt.

SWE-Oberfläche MLE-Nutzung
product-capability / architecture-decision-records Setzen Sie Modellarbeit in explizite Produktvereinbarungen um und dokumentieren Sie unwiderrufliche Entscheidungen zu Daten, Modellen und Rollouts
repo-scan / codebase-onboarding / code-tour Identifizieren Sie bestehende Trainings-, Feature-, Serving-, Evaluierungs- und Überwachungspfade, bevor Sie einen parallelen ML-Stack einführen
plan / feature-dev Definieren Sie Modelländerungen als Produktfunktionen mit Phasen für Daten, Bewertung, Bereitstellung und Rollback
tdd-workflow / python-testing Testen Sie Feature-Transformationen, Split-Logik, Metrikberechnungen, das Laden von Artefakten und Inferenzschemata vor der Implementierung
code-reviewer / mle-reviewer Überprüfen Sie die Codequalität sowie ML-spezifische Risiken hinsichtlich Datenlecks, Reproduzierbarkeit, Bereitstellung und Überwachung
build-fix / pr-test-analyzer Diagnose von fehlerhaften CI-Prozessen, unzuverlässigen Auswertungen, fehlenden Fixtures sowie umgebungsspezifischen Modell- oder Abhängigkeitsfehlern
quality-gate / test-coverage Verlangen Sie automatisierte Nachweise für Transformationen, Metriken, Inferenzverträge, Promotions-Gates und Rollback-Verhalten
eval-harness / verification-loop Verwandeln Sie Offline-Metriken, Slice-Prüfungen, Latenzbudgets und Rollback-Tests in wiederholbare Gates
ai-regression-testing Jeden Produktionsfehler als Regression erfassen: fehlende Funktion, veraltete Bezeichnung, fehlerhaftes Artefakt, Schema-Drift oder Servicing-Diskrepanz
api-design / backend-patterns Entwerfen Sie Vorhersage-APIs, Batch-Jobs, idempotente Endpunkte für das Nachtrainieren und Antwort-Envelopes
database-migrations / postgres-patterns / clickhouse-io Versionieren Sie Labels, Feature-Snapshots, Vorhersageprotokolle, Experimentmetriken und Drift-Analysen
deployment-patterns / docker-patterns Bündeln Sie reproduzierbare Trainings- und Auslieferungs-Images mit Zustandsprüfungen, Ressourcenbeschränkungen und Rollback
canary-watch / dashboard-builder Machen Sie den Zustand des Rollouts mit Dashboards zu Modellversionen, Slices, Abweichungen, Latenz, Kosten und verzögerten Labels sichtbar
security-review / security-scan Überprüfen Sie Modellartefakte, Notebooks, Prompts, Datensätze und Protokolle auf Geheimnisse, personenbezogene Daten, unsichere Deserialisierung und Risiken in der Lieferkette
e2e-testing / browser-qa / accessibility Testen Sie kritische Produktabläufe, die Vorhersagen nutzen, einschließlich Erklärbarkeit und Fallback-Zustände der Benutzeroberfläche
benchmark / performance-optimizer Messen Sie Durchsatz, p95-Latenz, Speicherverbrauch, GPU-Auslastung und Kosten pro Vorhersage oder Nachtraining
cost-aware-llm-pipeline / token-budget-advisor Leiten Sie LLM-/Embedding-Workloads nach Qualität, Latenz und Budget weiter, anstatt standardmäßig das größte Modell zu verwenden
documentation-lookup / search-first Überprüfen Sie vor der Programmierung das aktuelle Verhalten der Bibliotheken für den Modellbetrieb, Feature-Stores, Vektordatenbanken und Evaluierungswerkzeuge
git-workflow / github-ops / opensource-pipeline MLE-Änderungen zur Überprüfung bündeln – mit klarem Umfang, ohne generierte Artefakte und mit reproduzierbaren Testnachweisen
strategic-compact / dmux-workflows Teilen Sie umfangreiche ML-Arbeiten in parallele Arbeitsstränge auf: Datenvertrag, Evaluierungs-Harness, Serving-Pfad, Überwachung und Dokumentation

Zehn MLE-Aufgabensimulationen

Nutzen Sie diese Simulationen als Abdeckungsprüfungen bei der Planung oder Überprüfung von MLE-Arbeiten. Ein solider MLE-Workflow sollte jede Aufgabe auf explizite Verträge, wiederverwendbare SWE-Oberflächen, automatisierte Nachweise und ein überprüfbares Artefakt reduzieren.

ID Häufige MLE-Aufgabe Optimierter ECC-Pfad Erforderliche Ausgabe Abgedeckte Pipeline-Bahnen
MLE-01 Formulierung einer mehrdeutigen Vorhersage-, Ranglisten-, Empfehlungs-, Klassifizierungs-, Einbettungs- oder Prognosefunktion product-capability, plan, architecture-decision-records, mle-workflow Iteration Kompakte Benennung der Verantwortlichen, des Entscheidungsträgers, der Erfolgskennzahl, inakzeptabler Fehler, Annahmen, Einschränkungen und des ersten Experiments Produktvertrag, Verluste der Stakeholder, Risiko, Rollout
MLE-02 Metrische Ziele, Labels, Datenquellen und das Fehlerbudget definieren repo-scan, database-reviewer, database-migrations, postgres-patterns, clickhouse-io Daten- und Metrikvertrag mit Entitätsgranularität, Label-Zeitpunkt, Label-Konfidenz, Merkmalszeitpunkt, zeitpunktbezogene Verknüpfungen, Aufteilungsrichtlinie und Datensatz-Snapshot Datenvertrag, Metrikdesign, Datenverluste, Reproduzierbarkeit
MLE-03 Erstellen Sie ein Basismodell und einen Bewertungspfad, bevor Sie Komplexität hinzufügen tdd-workflow, python-testing, python-patterns, code-reviewer Baseline-Scorer mit Verwechslungsmatrix, Kalibrierungshinweisen, Latenz-/Kostenschätzung, bekannten Schwachstellen sowie Tests zur Score-Form und zum Determinismus Baseline, Bewertung, Testen, Parität im Produktionsbetrieb
MLE-04 Generieren Sie Merkmale aus Hypothesen darüber, was die Ergebnisse voneinander unterscheidet python-patterns, pytorch-patterns, docker-patterns, deployment-patterns Feature-Plan und Transformationsmodul, das Signalquelle, fehlende Werte, Ausreißer, Korrelationen, Leckageprüfungen sowie die Äquivalenz von Training und Betrieb abdeckt Merkmalspipeline, Datenleckage, Training, Artefakte
MLE-05 Anpassung von Schwellenwerten, Konfigurationen und Modellkomplexität unter Berücksichtigung von Kompromissen eval-harness, ai-regression-testing, quality-gate, test-coverage Schwellenwert-/Konfigurationsbericht zum Vergleich von Präzision, Recall, F1, AUC, Kalibrierung, Gruppenschnitten, Latenz, Kosten, Komplexität und akzeptablen Fehlerklassen Bewertung, Schwellenwert, Promotion, Regression
MLE-06 Fehleranalyse durchführen und Fehler in das nächste Experiment einfließen lassen eval-harness, ai-regression-testing, mle-reviewer, silent-failure-hunter Fehlercluster-Bericht zu Falsch-Positiven, Falsch-Negativen, mehrdeutigen Labels, veralteten Merkmalen, fehlenden Signalen und Fehlerverfolgungen mit gewonnenen Erkenntnissen Fehleranalyse, Fehlerverfolgung, Iteration, Regression
MLE-07 Ein Modellartefakt für die Batch- oder Online-Inferenz bündeln api-design, backend-patterns, security-review, security-scan Versioniertes Artefakt-Bundle mit Vorverarbeitung, Konfiguration, Abhängigkeitsbeschränkungen, Schemavalidierung, sicherem Laden und PII-sicheren Protokollen Artefakt, Sicherheit, Inferenzvertrag
MLE-08 Bereitstellung von Online-Serving oder Batch-Scoring mit Erfassung von Feedback api-design, backend-patterns, e2e-testing, browser-qa, accessibility Vorhersage-Endpunkt oder Batch-Job mit Antwort-Envelope, Timeout, Batching, Fallback, Modellversion, Konfidenz, Feedback-Protokollierung und Produktablauf-Tests Serving, Batch-Inferenz, Fallback, Benutzer-Workflow
MLE-09 Modellbereitstellung mit Schattenverkehr, Canary-Test, A/B-Test oder Rollback canary-watch, dashboard-builder, verification-loop, performance-optimizer Rollout-Plan mit Angaben zu Traffic-Aufteilung, Dashboards, p95-Latenz, Kosten, Qualitätssicherungsmaßnahmen, Rollback-Artefakt und Rollback-Auslöser Bereitstellung, Canary, Rollback
MLE-10 Betrieb, Fehlerbehebung und Aktualisierung eines Produktionsmodells nach der Einführung silent-failure-hunter, dashboard-builder, mle-reviewer, doc-updater, github-ops Beobachtungsprotokoll und Aktualisierungsplan mit Drift-Prüfungen, „Delayed-Label“-Zustandsüberwachung, Alarmempfängern, Runbook-Aktualisierungen, Kriterien für das Nachtraining und PR-Nachweisen Überwachung, Incident-Response, Nachtraining

Iterationszusammenfassung

Bevor Sie den Modellcode bearbeiten, fassen Sie die Arbeit in einem überprüfbaren Artefakt zusammen. Dieses sollte kurz genug sein, um in eine PR-Beschreibung zu passen, und präzise genug, damit ein anderer Entwickler die Kompromisse hinterfragen kann.

Goal:
Who cares:
Decision owner:
User or system action changed by the model:
Success metric:
Guardrail metrics:
Mistake budget:
Unacceptable mistakes:
Acceptable mistakes:
Assumptions:
Constraints:
Labels and data snapshot:
Baseline:
Candidate signals:
Threshold or config plan:
Eval slices:
Known risks:
Next experiment:
Rollback or fallback:

Diese Zusammenfassung ist das MLE-Äquivalent einer fundierten SWE-Entwurfsnotiz. Sie verhindert, dass das Team eine Metrik optimiert, der niemand vertraut, Funktionen hinzufügt, die den tatsächlichen Fehlermodus nicht beheben, oder Komplexität ohne Rollback einführt.

Entscheidungszentrum

Verwenden Sie diesen Kreislauf immer dann, wenn die Aufgabe mehrdeutig, von großer Tragweite oder metriklastig ist:

  1. Beginnen Sie mit der Entscheidung, nicht mit dem Modell. Benennen Sie die Maßnahme, die das nachgelagerte Verhalten verändert.
  2. Nennen Sie, wen es betrifft und warum. Verschiedene Stakeholder zahlen unterschiedliche Kosten für Fehlalarme, Fehlnegativmeldungen, Latenz, Rechenaufwand, Intransparenz oder verpasste Chancen.
  3. Wandeln Sie Mehrdeutigkeit in Hypothesen um. Fragen Sie, welches Signal die Ergebnisse unterscheiden würde, welche Beweise es widerlegen würden und welche einfache Basislinie schwer zu übertreffen sein sollte.
  4. Recherchieren Sie den Stand der Technik oder ein ähnliches bekanntes Problem, bevor Sie ein maßgeschneidertes System entwickeln.
  5. Bewerten Sie Optionen anhand von (probability, confidence) x (cost, severity, importance, impact).
  6. Berücksichtigen Sie feindseliges Verhalten, Anreize, selektive Offenlegung, Verschiebungen in der Verteilung und Rückkopplungsschleifen.
  7. Bevorzugen Sie die einfachste Änderung, die den wichtigsten Fehler reduziert. Einfachheit ist keine Faulheit; sie ist ein Weg, Fehler zu minimieren und gleichzeitig die Iterationsgeschwindigkeit zu bewahren.
  8. Halten Sie die Entscheidung, die Belege, das Gegenargument und den nächsten reversiblen Schritt fest.

Metriken und Fehlerökonomie

Wählen Sie Metriken anhand der Fehlerkosten aus, nicht aus Gewohnheit:

  • Setzen Sie frühzeitig eine Verwechslungsmatrix ein, damit das Team konkrete falsch-positive und falsch-negative Ergebnisse diskutieren kann, anstatt sich auf abstrakte Genauigkeit zu konzentrieren.
  • Bevorzugen Sie Präzision, wenn die Kosten einer falschen positiven Entscheidung überwiegen.
  • Bevorzugen Sie den Recall, wenn die Kosten eines übersehenen positiven Ergebnisses überwiegen.
  • Verwenden Sie den F1-Wert nur, wenn der Kompromiss zwischen Präzision und Recall wirklich ausgewogen und erklärbar ist.
  • Verwenden Sie AUC oder Ranking-Kennzahlen, wenn die Reihenfolge der Qualität wichtiger ist als ein einzelner Schwellenwert.
  • Verfolgen Sie Latenz, Durchsatz, Speicherbedarf und Kosten als vorrangige Metriken, da diese die realisierbare Modellkomplexität bestimmen.
  • Vergleichen Sie die Ergebnisse mit einer Baseline und dem aktuellen Produktionsmodell, bevor Sie sich über einen Offline-Gewinn freuen.
  • Behandeln Sie Feedback-Signale aus der Praxis als verzögerte Labels mit Verzerrungen, Verzögerungen und Lücken in der Abdeckung; betrachten Sie sie nicht ohne Analyse als „Ground Truth“.

Jede Wahl einer Metrik sollte darlegen, welchen Fehler sie kostengünstiger macht, welchen Fehler sie wahrscheinlicher macht und wer diese Kosten trägt.

Hypothesen zu Daten und Merkmalen

Merkmale sollten aus einer Trennungstheorie stammen:

  • Text, kategoriale Felder, numerische Zeitreihen, Graphbeziehungen, Aktualität, Häufigkeit und Aggregate sind potenzielle Signalfamilien, keine automatischen Merkmale.
  • Geben Sie für jede Merkmalsfamilie an, warum sie Ergebnisse trennen sollte und wie sie zukünftige Informationen preisgeben könnte.
  • Bei verrauschten Labels sollten Sie Adjudikation, Label-Konfidenz, Soft-Targets oder Konfidenzgewichtung in Betracht ziehen.
  • Bei Klassenungleichgewicht sollten Sie gewichteten Verlust, Resampling, Schwellenwertverschiebung und kalibrierte Entscheidungsregeln vergleichen.
  • Entscheiden Sie bei fehlenden Werten, ob das Fehlen informativ oder imputierbar ist oder einen Grund zur Nichtberücksichtigung darstellt.
  • Entscheiden Sie bei Ausreißern, ob diese beschnitten, in Gruppen zusammengefasst, untersucht oder als seltenes, aber wichtiges Signal beibehalten werden sollen.
  • Bei korrelierten Merkmalen prüfen Sie, ob diese redundant, instabil oder Proxies für einen nicht verfügbaren zukünftigen Zustand sind.

Erhöhen Sie die Modellkomplexität erst dann, wenn die Fehleranalyse zeigt, dass die Baseline aus einem Grund versagt, den zusätzliche Signale oder Kapazitäten plausibel beheben können.

Fehleranalyseschleife

Nach jeder Baseline, jedem Trainingslauf, jeder Schwellenwertänderung oder jeder Konfigurationsänderung:

  1. Unterteilen Sie Fehler in Falsch-Positive, Falsch-Negative, Enthaltungen, Fälle mit geringer Konfidenz und Systemfehler.
  2. Gruppieren Sie Fehler nach gemeinsamen Merkmalen: Sprache, Entitätstyp, Quelle, Zeit, Geografie, Gerät, Sparsität, Aktualität, Aktualität der Merkmale, Quelle der Beschriftung oder Modellversion.
  3. Trennen Sie Modellfehler von Datenfehlern, Mehrdeutigkeiten bei Labels, Mehrdeutigkeiten im Produkt, Lücken in der Instrumentierung und Inkompatibilitäten bei der Bereitstellung.
  4. Jeden größeren Cluster auf eine von vier Maßnahmen zurückführen: bessere Labels, bessere Merkmale, bessere Schwellenwerte/Konfigurationen oder bessere Produkt-Fallback-Lösungen.
  5. Speichern Sie jeden wichtigen Fehler als Regressionstest, Auswertungsausschnitt, Dashboard-Panel oder Runbook-Eintrag.
  6. Formulieren Sie die nächste Iteration als falsifizierbares Experiment und nicht als vage Aufgabe zur „Modellverbesserung“.

Die stärkste MLE-Schleife ist nicht „Trainieren → Metrik → Ausrollen“. Sie lautet: „Fehler → Cluster → Hypothese → Experiment → Beweis → einfacheres System“.

Beobachtungsprotokoll

Führen Sie neben dem Code, dem PR, dem Experimentbericht oder dem Runbook ein kompaktes Protokoll der Entscheidungen und Belege:

Iteration:
Change:
Why this mattered:
Metric movement:
Slice movement:
False positives:
False negatives:
Unexpected errors:
Decision:
Tradeoff accepted:
Lesson captured:
Regression added:
Debt created:
Next iteration:

Nutzen Sie das Protokoll, um die Modellarbeit kumulativ zu gestalten. Das Ziel ist, dass jede Iteration die nächste Entscheidung erleichtert und nicht nur ein weiteres Artefakt hervorbringt.

Kern-Workflow

1. Definieren Sie den Vorhersagevertrag

Erfassen Sie den Vertrag auf Produktebene, bevor Sie den Modellcode schreiben:

  • Vorhersageziel und Entscheidungsträger
  • Eingabeentität, Ausgabeschema, Konfidenz-/Kalibrierungsfelder und zulässige Latenz
  • Batch-, Online-, Streaming- oder Hybrid-Ausgabemodus
  • Ausweichverhalten, wenn das Modell, der Feature-Store oder eine Abhängigkeit nicht verfügbar ist
  • Menschliche Überprüfung oder Übersteuerungsmöglichkeit für Entscheidungen mit erheblichen Auswirkungen
  • Datenschutz-, Aufbewahrungs- und Audit-Anforderungen für Eingaben, Vorhersagen und Labels

Akzeptieren Sie „das Modell verbessern“ nicht als Anforderung. Verknüpfen Sie das Modell mit einem beobachtbaren Produktverhalten und einem messbaren Akzeptanzkriterium.

2. Legen Sie den Datenvertrag fest

Jede ML-Aufgabe benötigt einen expliziten Datenvertrag:

  • Entitätsgranularität und Primärschlüssel
  • Label-Definition, Label-Zeitstempel und Verzögerung bei der Label-Verfügbarkeit
  • Zeitstempel der Merkmale, SLA zur Aktualität und Regeln für zeitpunktbezogene Verknüpfungen
  • Richtlinie zur Aufteilung in Trainings-, Validierungs-, Test- und Backtest-Datensätze
  • Erforderliche Spalten, zulässige Nullwerte, Bereiche, Kategorien und Einheiten
  • PII- oder sensible Felder, die nicht in Trainingsartefakte oder Protokolle gelangen dürfen
  • Datensatzversion oder Snapshot-ID zur Reproduzierbarkeit

Schützen Sie sich zuerst vor Datenlecks. Wenn ein Merkmal zum Zeitpunkt der Vorhersage nicht verfügbar ist oder unter Verwendung zukünftiger Informationen verknüpft wird, entfernen Sie es oder verschieben Sie es in einen reinen Analysepfad.

3. Erstellen Sie eine reproduzierbare Pipeline

Der Trainingscode sollte von einem anderen Entwickler ohne versteckten Notebook-Zustand ausgeführt werden können:

  • Verwenden Sie typisierte Konfigurationsdateien oder Dataklassen für alle Hyperparameter und Pfade
  • Fixieren Sie Paket- und Modellabhängigkeiten
  • Legen Sie Zufalls-Seeds fest und dokumentieren Sie jegliches nichtdeterministische GPU-Verhalten
  • Erfassen Sie die Datensatzversion, den SHA-Hash des Codes, den Konfigurations-Hash, Metriken und die URI des Artefakts
  • Speichern Sie die Vorverarbeitungslogik zusammen mit dem Modell-Artefakt, nicht separat in einem Notebook
  • Stellen Sie sicher, dass Transformationen für Training, Evaluation und Inferenz gemeinsam genutzt oder aus einer Quelle generiert werden
  • Gestalten Sie jeden Schritt idempotent, damit Wiederholungsversuche keine Artefakte oder Metriken beschädigen

Bevorzugen Sie unveränderliche Werte und reine Transformationsfunktionen. Vermeiden Sie es, gemeinsam genutzte Datenrahmen oder globale Konfigurationen während der Merkmalsgenerierung zu verändern.

import hashlib
from dataclasses import dataclass
from pathlib import Path


@dataclass(frozen=True)
class TrainingConfig:
    dataset_uri: str
    model_dir: Path
    seed: int
    learning_rate: float
    batch_size: int


def artifact_name(config: TrainingConfig, code_sha: str) -> str:
    config_key = f"{config.dataset_uri}:{config.seed}:{config.learning_rate}:{config.batch_size}"
    config_hash = hashlib.sha256(config_key.encode("utf-8")).hexdigest()[:12]
    return f"{code_sha[:12]}-{config_hash}"

4. Vor der Bereitstellung bewerten

Die Kriterien für die Überführung sollten vor Abschluss des Trainings festgelegt werden:

  • Vergleich zwischen Basismodell und aktuellem Produktionsmodell
  • Primäre Metrik, die auf das Produktverhalten abgestimmt ist
  • Guardrail-Metriken für Latenz, Kalibrierung, Fairness-Slices, Kosten und Fehlerkonzentration
  • Slice-Kennzahlen für wichtige Kohorten, Regionen, Geräte, Sprachen oder Datenquellen
  • Konfidenzintervalle oder Varianz bei wiederholten Durchläufen, wenn die Kennzahlen schwanken
  • Von einem Menschen überprüfte Fehlerbeispiele für Modelle mit hoher Auswirkung
  • Explizite Schwellenwerte für „Nicht freigeben“
PROMOTION_GATES = {
    "auc": ("min", 0.82),
    "calibration_error": ("max", 0.04),
    "p95_latency_ms": ("max", 80),
}


def assert_promotion_ready(metrics: dict[str, float]) -> None:
    missing = sorted(name for name in PROMOTION_GATES if name not in metrics)
    if missing:
        raise ValueError(f"Model promotion metrics missing required gates: {missing}")

    failures = {
        name: value
        for name, (direction, threshold) in PROMOTION_GATES.items()
        for value in [metrics[name]]
        if (direction == "min" and value < threshold)
        or (direction == "max" and value > threshold)
    }
    if failures:
        raise ValueError(f"Model failed promotion gates: {failures}")

Verwenden Sie Offline-Kennzahlen als Schwellenwerte, nicht als Garantien. Wenn das Modell das Produktverhalten verändert, planen Sie vor der vollständigen Einführung eine Schattenevaluierung, eine Canary-Einführung oder A/B-Tests ein.

5. Vorbereitung für den Einsatz

Ein ML-Artefakt ist erst dann produktionsreif, wenn der Serving-Vertrag testbar ist:

  • Das Modell-Artefakt enthält Version, Referenz auf die Trainingsdaten, Konfiguration und Vorverarbeitung
  • Das Eingabeschema lehnt ungültige, veraltete oder außerhalb des zulässigen Bereichs liegende Merkmale ab
  • Das Ausgabeschema enthält die Modellversion sowie Felder für Konfidenzwerte oder Erklärungen, sofern diese sinnvoll sind
  • Der Ausgabepfad verfügt über Timeout, Batch-Verarbeitung, Ressourcenbeschränkungen und ein Fallback-Verhalten
  • Die CPU-/GPU-Anforderungen sind explizit festgelegt und getestet
  • Vorhersageprotokolle vermeiden personenbezogene Daten (PII) und enthalten genügend Identifikatoren für die Fehlersuche und das Verknüpfen von Labels
  • Integrationstests decken fehlende Merkmale, veraltete Merkmale, fehlerhafte Typen, leere Batches und den Fallback-Pfad ab

Lassen Sie niemals zu, dass sich der Feature-Code für das Training vom Feature-Code für den Betrieb unterscheidet, ohne dass ein Test die Äquivalenz nachweist.

6. Modellbetrieb

Die Modellüberwachung benötigt sowohl System- als auch Qualitätssignale:

  • Verfügbarkeit, Fehlerrate, Timeout-Rate, Warteschlangentiefe sowie p50/p95/p99-Latenz
  • Feature-Nullrate, Bereichsdrift, kategoriale Drift und Aktualitätsdrift
  • Drift der Vorhersageverteilung und Drift der Konfidenzverteilung
  • Zustandsmetriken für die Label-Ankunft und Qualitätsmetriken für Verzögerungen
  • Geschäftliche KPI-Grenzwerte und Rollback-Auslöser
  • Versionsspezifische Dashboards für Canaries und Rollbacks

Jede Bereitstellung sollte über einen Rollback-Plan verfügen, in dem das vorherige Artefakt, die Konfiguration, die Datenabhängigkeiten und der Mechanismus zur Verkehrsumleitung benannt werden.

Checkliste für die Überprüfung

  • Der Vorhersagevertrag ist eindeutig und überprüfbar
  • Der Datenvertrag definiert die Entitätsebene, den Zeitpunkt der Kennzeichnung, den Zeitpunkt der Bereitstellung und den Snapshot/die Version
  • Leckagerisiken wurden anhand der Verfügbarkeit zum Zeitpunkt der Vorhersage überprüft
  • Das Training ist anhand von Code, Konfiguration, Datenversion und Startwert reproduzierbar
  • Metriken werden mit der Baseline und dem aktuellen Produktionsmodell verglichen
  • Für risikoreiche Kohorten sind Slice-Metriken und Schutzmaßnahmen vorgesehen
  • Promotion-Gates sind automatisiert und arbeiten nach dem „Fail-Closed“-Prinzip
  • Transformationen für Training und Servicing werden gemeinsam genutzt oder auf Äquivalenz geprüft
  • Das Modellartefakt enthält Version, Konfiguration, Datensatzreferenz und Vorverarbeitung
  • Der Ausgabepfad validiert Eingaben und verfügt über Timeout-, Fallback- und Rollback-Verhalten
  • Die Überwachung umfasst den Systemzustand, Feature-Drift, Vorhersage-Drift und verzögerte Labels
  • Sensible Daten werden aus Artefakten, Protokollen, Eingabeaufforderungen und Beispielen ausgeschlossen

Anti-Muster

  • Der Zustand des Notebooks ist zur Reproduktion des Modells erforderlich
  • Durch zufällige Aufteilung gelangen zukünftige Daten in Validierungs- oder Testdatensätze
  • Feature-Verbindungen ignorieren die Ereigniszeit und die Verfügbarkeit von Labels
  • Offline-Metriken verbessern sich, während wichtige Slices eine Verschlechterung aufweisen
  • Schwellenwerte werden wiederholt anhand des Testdatensatzes angepasst
  • Die Vorverarbeitung für das Training wird manuell in den Serving-Code kopiert
  • Die Modellversion fehlt in den Vorhersageprotokollen
  • Die Überwachung prüft nur die Verfügbarkeit des Dienstes, nicht die Daten- oder Vorhersagequalität
  • Ein Rollback erfordert ein erneutes Training, anstatt auf ein bekanntermaßen fehlerfreies Artefakt umzuschalten

Erwartete Ergebnisse

Bei der Nutzung dieser Kompetenz sind konkrete Artefakte zu liefern: Datenvertrag, Promotions-Gates, Pipeline-Schritte, Testplan, Bereitstellungsplan oder Ergebnisse aus der Überprüfung. Unbekannte Faktoren, die die Produktionsreife blockieren, sind anzusprechen, anstatt sie mit Annahmen zu füllen.

Auf GitHub ansehen
---
name: mle-workflow
description: Turn model work into a production ML system with data contracts, repeatable training, measurable quality gates, deployable artifacts, and operational monitoring.
---

# Machine Learning Engineering Workflow

Use this skill to turn model work into a production ML system with clear data contracts, repeatable training, measurable quality gates, deployable artifacts, and operational monitoring.

## When to Activate

- Planning or reviewing a production ML feature, model refresh, ranking system, recommender, classifier, embedding workflow, or forecasting pipeline
- Converting notebook code into a reusable training, evaluation, batch inference, or online inference pipeline
- Designing model promotion criteria, offline/online evals, experiment tracking, or rollback paths
- Debugging failures caused by data drift, label leakage, stale features, artifact mismatch, or inconsistent training and serving logic
- Adding model monitoring, canary rollout, shadow traffic, or post-deploy quality checks

## Scope Calibration

Use only the lanes that fit the system in front of you. This skill is useful for ranking, search, recommendations, classifiers, forecasting, embeddings, LLM workflows, anomaly detection, and batch analytics, but it should not force one architecture onto all of them.

- Do not assume every model has supervised labels, online serving, a feature store, PyTorch, GPUs, human review, A/B tests, or real-time feedback.
- Do not add heavyweight MLOps machinery when a data contract, baseline, eval script, and rollback note would make the change reviewable.
- Do make assumptions explicit when the project lacks labels, delayed outcomes, slice definitions, production traffic, or monitoring ownership.
- Treat examples as interchangeable scaffolds. Replace metrics, serving mode, data stores, and rollout mechanics with the project-native equivalents.

## Related Skills

- `python-patterns` and `python-testing` for Python implementation and pytest coverage
- `pytorch-patterns` for deep learning models, data loaders, device handling, and training loops
- `eval-harness` and `ai-regression-testing` for promotion gates and agent-assisted regression checks
- `database-migrations`, `postgres-patterns`, and `clickhouse-io` for data storage and analytics surfaces
- `deployment-patterns`, `docker-patterns`, and `security-review` for serving, secrets, containers, and production hardening

## Reuse the SWE Surface

Do not treat MLE as separate from software engineering. Most ECC SWE workflows apply directly to ML systems, often with stricter failure modes:

The recommended `minimal --with capability:machine-learning` install keeps the core agent surface available alongside this skill. For skill-only or agent-limited harnesses, pair `skill:mle-workflow` with `agent:mle-reviewer` where the target supports agents.

| SWE surface | MLE use |
|-------------|---------|
| `product-capability` / `architecture-decision-records` | Turn model work into explicit product contracts and record irreversible data, model, and rollout choices |
| `repo-scan` / `codebase-onboarding` / `code-tour` | Find existing training, feature, serving, eval, and monitoring paths before introducing a parallel ML stack |
| `plan` / `feature-dev` | Scope model changes as product capabilities with data, eval, serving, and rollback phases |
| `tdd-workflow` / `python-testing` | Test feature transforms, split logic, metric calculations, artifact loading, and inference schemas before implementation |
| `code-reviewer` / `mle-reviewer` | Review code quality plus ML-specific leakage, reproducibility, promotion, and monitoring risks |
| `build-fix` / `pr-test-analyzer` | Diagnose broken CI, flaky evals, missing fixtures, and environment-specific model or dependency failures |
| `quality-gate` / `test-coverage` | Require automated evidence for transforms, metrics, inference contracts, promotion gates, and rollback behavior |
| `eval-harness` / `verification-loop` | Turn offline metrics, slice checks, latency budgets, and rollback drills into repeatable gates |
| `ai-regression-testing` | Preserve every production bug as a regression: missing feature, stale label, bad artifact, schema drift, or serving mismatch |
| `api-design` / `backend-patterns` | Design prediction APIs, batch jobs, idempotent retraining endpoints, and response envelopes |
| `database-migrations` / `postgres-patterns` / `clickhouse-io` | Version labels, feature snapshots, prediction logs, experiment metrics, and drift analytics |
| `deployment-patterns` / `docker-patterns` | Package reproducible training and serving images with health checks, resource limits, and rollback |
| `canary-watch` / `dashboard-builder` | Make rollout health visible with model-version, slice, drift, latency, cost, and delayed-label dashboards |
| `security-review` / `security-scan` | Check model artifacts, notebooks, prompts, datasets, and logs for secrets, PII, unsafe deserialization, and supply-chain risk |
| `e2e-testing` / `browser-qa` / `accessibility` | Test critical product flows that consume predictions, including explainability and fallback UI states |
| `benchmark` / `performance-optimizer` | Measure throughput, p95 latency, memory, GPU utilization, and cost per prediction or retrain |
| `cost-aware-llm-pipeline` / `token-budget-advisor` | Route LLM/embedding workloads by quality, latency, and budget instead of defaulting to the largest model |
| `documentation-lookup` / `search-first` | Verify current library behavior for model serving, feature stores, vector DBs, and eval tooling before coding |
| `git-workflow` / `github-ops` / `opensource-pipeline` | Package MLE changes for review with crisp scope, generated artifacts excluded, and reproducible test evidence |
| `strategic-compact` / `dmux-workflows` | Split long ML work into parallel tracks: data contract, eval harness, serving path, monitoring, and docs |

## Ten MLE Task Simulations

Use these simulations as coverage checks when planning or reviewing MLE work. A strong MLE workflow should reduce each task to explicit contracts, reusable SWE surfaces, automated evidence, and a reviewable artifact.

| ID | Common MLE task | Streamlined ECC path | Required output | Pipeline lanes covered |
|----|-----------------|----------------------|-----------------|------------------------|
| MLE-01 | Frame an ambiguous prediction, ranking, recommender, classifier, embedding, or forecast capability | `product-capability`, `plan`, `architecture-decision-records`, `mle-workflow` | Iteration Compact naming who cares, decision owner, success metric, unacceptable mistakes, assumptions, constraints, and first experiment | product contract, stakeholder loss, risk, rollout |
| MLE-02 | Define metric goals, labels, data sources, and the mistake budget | `repo-scan`, `database-reviewer`, `database-migrations`, `postgres-patterns`, `clickhouse-io` | Data and metric contract with entity grain, label timing, label confidence, feature timing, point-in-time joins, split policy, and dataset snapshot | data contract, metric design, leakage, reproducibility |
| MLE-03 | Build a baseline model and scoring path before adding complexity | `tdd-workflow`, `python-testing`, `python-patterns`, `code-reviewer` | Baseline scorer with confusion matrix, calibration notes, latency/cost estimate, known weaknesses, and tests for score shape and determinism | baseline, scoring, testing, serving parity |
| MLE-04 | Generate features from hypotheses about what separates outcomes | `python-patterns`, `pytorch-patterns`, `docker-patterns`, `deployment-patterns` | Feature plan and transform module covering signal source, missing values, outliers, correlations, leakage checks, and train/serve equivalence | feature pipeline, leakage, training, artifacts |
| MLE-05 | Tune thresholds, configs, and model complexity under tradeoffs | `eval-harness`, `ai-regression-testing`, `quality-gate`, `test-coverage` | Threshold/config report comparing precision, recall, F1, AUC, calibration, group slices, latency, cost, complexity, and acceptable error classes | evaluation, threshold, promotion, regression |
| MLE-06 | Run error analysis and turn mistakes into the next experiment | `eval-harness`, `ai-regression-testing`, `mle-reviewer`, `silent-failure-hunter` | Error cluster report for false positives, false negatives, ambiguous labels, stale features, missing signals, and bug traces with lessons captured | error analysis, bug trace, iteration, regression |
| MLE-07 | Package a model artifact for batch or online inference | `api-design`, `backend-patterns`, `security-review`, `security-scan` | Versioned artifact bundle with preprocessing, config, dependency constraints, schema validation, safe loading, and PII-safe logs | artifact, security, inference contract |
| MLE-08 | Ship online serving or batch scoring with feedback capture | `api-design`, `backend-patterns`, `e2e-testing`, `browser-qa`, `accessibility` | Prediction endpoint or batch job with response envelope, timeout, batching, fallback, model version, confidence, feedback logging, and product-flow tests | serving, batch inference, fallback, user workflow |
| MLE-09 | Roll out a model with shadow traffic, canary, A/B test, or rollback | `canary-watch`, `dashboard-builder`, `verification-loop`, `performance-optimizer` | Rollout plan naming traffic split, dashboards, p95 latency, cost, quality guardrails, rollback artifact, and rollback trigger | deployment, canary, rollback |
| MLE-10 | Operate, debug, and refresh a production model after launch | `silent-failure-hunter`, `dashboard-builder`, `mle-reviewer`, `doc-updater`, `github-ops` | Observation ledger and refresh plan with drift checks, delayed-label health, alert owners, runbook updates, retrain criteria, and PR evidence | monitoring, incident response, retraining |

## Iteration Compact

Before touching model code, compress the work into one reviewable artifact. This should be short enough to fit in a PR description and precise enough that another engineer can challenge the tradeoffs.

```text
Goal:
Who cares:
Decision owner:
User or system action changed by the model:
Success metric:
Guardrail metrics:
Mistake budget:
Unacceptable mistakes:
Acceptable mistakes:
Assumptions:
Constraints:
Labels and data snapshot:
Baseline:
Candidate signals:
Threshold or config plan:
Eval slices:
Known risks:
Next experiment:
Rollback or fallback:
```

This compact is the MLE equivalent of a strong SWE design note. It keeps the team from optimizing a metric no one trusts, adding features that do not address the real error mode, or shipping complexity without a rollback.

## Decision Brain

Use this loop whenever the task is ambiguous, high-impact, or metric-heavy:

1. Start from the decision, not the model. Name the action that changes downstream behavior.
2. Name who cares and why. Different stakeholders pay different costs for false positives, false negatives, latency, compute spend, opacity, or missed opportunities.
3. Convert ambiguity into hypotheses. Ask what signal would separate outcomes, what evidence would disprove it, and what simple baseline should be hard to beat.
4. Research prior art or a nearby known problem before inventing a bespoke system.
5. Score choices with `(probability, confidence) x (cost, severity, importance, impact)`.
6. Consider adversarial behavior, incentives, selective disclosure, distribution shift, and feedback loops.
7. Prefer the simplest change that reduces the most important mistake. Simplicity is not laziness; it is a way to minimize blunders while preserving iteration speed.
8. Capture the decision, evidence, counterargument, and next reversible step.

## Metric and Mistake Economics

Choose metrics from failure costs, not habit:

- Use a confusion matrix early so the team can discuss concrete false positives and false negatives instead of abstract accuracy.
- Favor precision when the cost of an incorrect positive decision dominates.
- Favor recall when the cost of a missed positive dominates.
- Use F1 only when the precision/recall tradeoff is genuinely balanced and explainable.
- Use AUC or ranking metrics when ordering quality matters more than a single threshold.
- Track latency, throughput, memory, and cost as first-class metrics because they shape feasible model complexity.
- Compare against a baseline and the current production model before celebrating an offline gain.
- Treat real-world feedback signals as delayed labels with bias, lag, and coverage gaps; do not treat them as ground truth without analysis.

Every metric choice should state which mistake it makes cheaper, which mistake it makes more likely, and who absorbs that cost.

## Data and Feature Hypotheses

Features should come from a theory of separation:

- Text, categorical fields, numeric histories, graph relationships, recency, frequency, and aggregates are candidate signal families, not automatic features.
- For every feature family, state why it should separate outcomes and how it could leak future information.
- For noisy labels, consider adjudication, label confidence, soft targets, or confidence weighting.
- For class imbalance, compare weighted loss, resampling, threshold movement, and calibrated decision rules.
- For missing values, decide whether absence is informative, imputable, or a reason to abstain.
- For outliers, decide whether to clip, bucket, investigate, or preserve them as rare but important signal.
- For correlated features, check whether they are redundant, unstable, or proxies for unavailable future state.

Do not add model complexity until error analysis shows that the baseline is failing for a reason additional signal or capacity can plausibly fix.

## Error Analysis Loop

After each baseline, training run, threshold change, or config change:

1. Split mistakes into false positives, false negatives, abstentions, low-confidence cases, and system failures.
2. Cluster errors by shared traits: language, entity type, source, time, geography, device, sparsity, recency, feature freshness, label source, or model version.
3. Separate model mistakes from data bugs, label ambiguity, product ambiguity, instrumentation gaps, and serving mismatches.
4. Trace each major cluster to one of four moves: better labels, better features, better threshold/config, or better product fallback.
5. Preserve every important mistake as a regression test, eval slice, dashboard panel, or runbook entry.
6. Write the next iteration as a falsifiable experiment, not a vague "improve model" task.

The strongest MLE loop is not train -> metric -> ship. It is mistake -> cluster -> hypothesis -> experiment -> evidence -> simpler system.

## Observation Ledger

Keep a compact decision and evidence trail beside the code, PR, experiment report, or runbook:

```text
Iteration:
Change:
Why this mattered:
Metric movement:
Slice movement:
False positives:
False negatives:
Unexpected errors:
Decision:
Tradeoff accepted:
Lesson captured:
Regression added:
Debt created:
Next iteration:
```

Use the ledger to make model work cumulative. The goal is for each iteration to make the next decision easier, not merely to produce another artifact.

## Core Workflow

### 1. Define the Prediction Contract

Capture the product-level contract before writing model code:

- Prediction target and decision owner
- Input entity, output schema, confidence/calibration fields, and allowed latency
- Batch, online, streaming, or hybrid serving mode
- Fallback behavior when the model, feature store, or dependency is unavailable
- Human review or override path for high-impact decisions
- Privacy, retention, and audit requirements for inputs, predictions, and labels

Do not accept "improve the model" as a requirement. Tie the model to an observable product behavior and a measurable acceptance gate.

### 2. Lock the Data Contract

Every ML task needs an explicit data contract:

- Entity grain and primary key
- Label definition, label timestamp, and label availability delay
- Feature timestamp, freshness SLA, and point-in-time join rules
- Train, validation, test, and backtest split policy
- Required columns, allowed nulls, ranges, categories, and units
- PII or sensitive fields that must not enter training artifacts or logs
- Dataset version or snapshot ID for reproducibility

Guard against leakage first. If a feature is not available at prediction time, or is joined using future information, remove it or move it to an analysis-only path.

### 3. Build a Reproducible Pipeline

Training code should be runnable by another engineer without hidden notebook state:

- Use typed config files or dataclasses for all hyperparameters and paths
- Pin package and model dependencies
- Set random seeds and document any nondeterministic GPU behavior
- Record dataset version, code SHA, config hash, metrics, and artifact URI
- Save preprocessing logic with the model artifact, not separately in a notebook
- Keep train, eval, and inference transformations shared or generated from one source
- Make every step idempotent so retries do not corrupt artifacts or metrics

Prefer immutable values and pure transformation functions. Avoid mutating shared data frames or global config during feature generation.

```python
import hashlib
from dataclasses import dataclass
from pathlib import Path


@dataclass(frozen=True)
class TrainingConfig:
    dataset_uri: str
    model_dir: Path
    seed: int
    learning_rate: float
    batch_size: int


def artifact_name(config: TrainingConfig, code_sha: str) -> str:
    config_key = f"{config.dataset_uri}:{config.seed}:{config.learning_rate}:{config.batch_size}"
    config_hash = hashlib.sha256(config_key.encode("utf-8")).hexdigest()[:12]
    return f"{code_sha[:12]}-{config_hash}"
```

### 4. Evaluate Before Promotion

Promotion criteria should be declared before training finishes:

- Baseline model and current production model comparison
- Primary metric aligned to product behavior
- Guardrail metrics for latency, calibration, fairness slices, cost, and error concentration
- Slice metrics for important cohorts, geographies, devices, languages, or data sources
- Confidence intervals or repeated-run variance when metrics are noisy
- Failure examples reviewed by a human for high-impact models
- Explicit "do not ship" thresholds

```python
PROMOTION_GATES = {
    "auc": ("min", 0.82),
    "calibration_error": ("max", 0.04),
    "p95_latency_ms": ("max", 80),
}


def assert_promotion_ready(metrics: dict[str, float]) -> None:
    missing = sorted(name for name in PROMOTION_GATES if name not in metrics)
    if missing:
        raise ValueError(f"Model promotion metrics missing required gates: {missing}")

    failures = {
        name: value
        for name, (direction, threshold) in PROMOTION_GATES.items()
        for value in [metrics[name]]
        if (direction == "min" and value < threshold)
        or (direction == "max" and value > threshold)
    }
    if failures:
        raise ValueError(f"Model failed promotion gates: {failures}")
```

Use offline metrics as gates, not guarantees. When the model changes product behavior, plan shadow evaluation, canary rollout, or A/B testing before full rollout.

### 5. Package for Serving

An ML artifact is production-ready only when the serving contract is testable:

- Model artifact includes version, training data reference, config, and preprocessing
- Input schema rejects invalid, stale, or out-of-range features
- Output schema includes model version and confidence or explanation fields when useful
- Serving path has timeout, batching, resource limits, and fallback behavior
- CPU/GPU requirements are explicit and tested
- Prediction logs avoid PII and include enough identifiers for debugging and label joins
- Integration tests cover missing features, stale features, bad types, empty batches, and fallback path

Never let training-only feature code diverge from serving feature code without a test that proves equivalence.

### 6. Operate the Model

Model monitoring needs both system and quality signals:

- Availability, error rate, timeout rate, queue depth, and p50/p95/p99 latency
- Feature null rate, range drift, categorical drift, and freshness drift
- Prediction distribution drift and confidence distribution drift
- Label arrival health and delayed quality metrics
- Business KPI guardrails and rollback triggers
- Per-version dashboards for canaries and rollbacks

Every deployment should have a rollback plan that names the previous artifact, config, data dependency, and traffic-switch mechanism.

## Review Checklist

- [ ] Prediction contract is explicit and testable
- [ ] Data contract defines entity grain, label timing, feature timing, and snapshot/version
- [ ] Leakage risks were checked against prediction-time availability
- [ ] Training is reproducible from code, config, data version, and seed
- [ ] Metrics compare against baseline and current production model
- [ ] Slice metrics and guardrails are included for high-risk cohorts
- [ ] Promotion gates are automated and fail closed
- [ ] Training and serving transformations are shared or equivalence-tested
- [ ] Model artifact carries version, config, dataset reference, and preprocessing
- [ ] Serving path validates inputs and has timeout, fallback, and rollback behavior
- [ ] Monitoring covers system health, feature drift, prediction drift, and delayed labels
- [ ] Sensitive data is excluded from artifacts, logs, prompts, and examples

## Anti-Patterns

- Notebook state is required to reproduce the model
- Random split leaks future data into validation or test sets
- Feature joins ignore event time and label availability
- Offline metric improves while important slices regress
- Thresholds are tuned on the test set repeatedly
- Training preprocessing is copied manually into serving code
- Model version is missing from prediction logs
- Monitoring only checks service uptime, not data or prediction quality
- Rollback requires retraining instead of switching to a known-good artifact

## Output Expectations

When using this skill, return concrete artifacts: data contract, promotion gates, pipeline steps, test plan, deployment plan, or review findings. Call out unknowns that block production readiness instead of filling them with assumptions.

Alle Dateien

1 Dateien

mle-workflow installieren

Laden Sie die Skill-Dateien herunter und entpacken Sie sie in Ihr Verzeichnis „.claude/skills/“.

ZIP herunterladen

Klonen Sie das Repository und kopieren Sie die Skill-Dateien in Ihr Projekt.

git clone https://github.com/affaan-m/ECC/tree/main/skills/mle-workflow # Copy SKILL.md to your .claude/skills/ directory

Kopieren Kopieren
Schnelle Einrichtung: Kopiere den Skill-Ordner nach .claude/skills/ Claude erkennt den Skill automatisch und nutzt ihn.
Repository affaan-m/ECC

Ähnliche Skills

web-search
Zeit aktualisiert 29. Juni 2026
webapp-testing
Zeit aktualisiert 29. Juni 2026
lark-base
Zeit aktualisiert 5. Juli 2026
agentmail
Zeit aktualisiert 29. Juni 2026
OR