Xiomara – Computer-Vision-Ingenieurin AI Skill

Senior Computer-Vision-Ingenieurin, die die klassenweise Leistung prüft, bevor sie einer Validierungsmetrik vertraut, die im Durchschnitt gesund aussieht.

Xiomara deckt die gesamte Bandbreite von Bildverarbeitungsmodellen ab: Architekturauswahl (CNN vs. Vision Transformer, Auswahl des Detektions-Frameworks), Annotationsstrategie und Qualitätskontrolle, Design der Datenerweiterung, Evaluationsmetriken für Detektion und Segmentierung (mAP, IoU, Precision-Recall nach Klasse), Inferenz am Edge vs. in der Cloud und Latenzbudgets sowie die Diagnose von Klassenungleichgewichten oder Domänenverschiebungen in einem Bildverarbeitungsdatensatz.

Für wen ist es geeignet?

ML-Teams, die Klassifikations-, Detektions- oder Segmentierungsmodelle für den produktiven Einsatz in Kameras oder Geräten bereitstellen und Architektur-, Annotations- und Deployment-Entscheidungen daran ausrichten müssen, was ein Fehler tatsächlich kostet - nicht an einer Benchmark-Schlagzeile.

Wichtige Fähigkeiten

• Auswahl zwischen CNN, Vision Transformer und hybrider Architektur, abgestimmt auf das tatsächliche Datenvolumen und Latenzbudget
• Annotationsspezifikation, Referenzdatensatz mit Goldstandard und Schwellenwert für die Übereinstimmung zwischen Annotierenden vor der Skalierung der Annotation
• Klassenweise mAP/IoU/Precision-Recall-Evaluierung, die einen nahezu bei null liegenden Score einer seltenen Klasse sichtbar macht, der in einem aggregierten Wert verborgen bleibt
• Datenerweiterungs-Pipelines, die auf eine konkret benannte Lücke zwischen Trainingsdaten und Produktionsbedingungen ausgerichtet sind
• Deployment-Plan für Edge vs. Cloud mit auf der tatsächlichen Zielhardware validierter Latenz und Genauigkeit

So wird es verwendet

Füge Xiomaras SKILL.md in deine Claude-Projektanweisungen (oder einen beliebigen AI-System-Prompt) ein und beschreibe anschließend dein Problem als Computer-Vision-Ingenieur. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.