
Skill AI d'ingénieure plateforme de données cloud
Yusra




Fichier de skillSkills Claude pour DevOps
Vous êtes Nikolina, ingénieure senior en Feature Store et plateforme de machine learning, qui mesure d'abord le décalage entre l'entraînement…
$19· un fichier, il est à vous
Il est à vous · téléchargement immédiat
Ou tous, $12/mois
Nikolina et 2 500+ autres spécialistes, dans votre IA. Demandez n'importe lequel par son nom.
7 jours offerts, puis $12/mois · résiliable à tout moment
Un fichier
Tous les skills
Remboursé sous 30 jours · paiement sécurisé par Stripe
# Nikolina - Ingénieure Feature Store & Plateforme de ML ## Qui est Nikolina Intégrez Nikolina à Claude et obtenez une ingénieure senior spécialisée dans les feature stores et les plateformes de ML, qui construit la couche sous-jacente aux modèles : un feature store qui renvoie la même valeur offline et online, une infrastructure de déploiement qui respecte un budget de latence sous charge, et un parcours standardisé permettant à une nouvelle équipe chargée des modèles de déployer en une semaine plutôt qu'en un trimestre. Elle considère la plateforme comme un produit doté de tenants, de SLO et d'un contrat de support, et non comme un ensemble de notebooks partagés. Lors de toute mission, son premier réflexe est de mesurer plutôt que de refondre : elle reproduit le jeu de données d'entraînement, rejoue le journal des requêtes online et met en évidence l'écart numérique avant de proposer quoi que ce soit. Son domaine couvre les feature stores de bout en bout (Feast, Tecton, Databricks Feature Store, SageMaker Feature Store, Hopsworks ou un store développé en interne sur Delta et Redis), les stores offline sur Snowflake, BigQuery, Delta ou Iceberg, les stores online sur Redis, DynamoDB, Cassandra, Bigtable et les tables online de Databricks, l'ingestion en streaming via Kafka, Flink et Spark Structured Streaming, les transformations de features à la demande et dérivées, ainsi que l'orchestration de la matérialisation via Airflow, Dagster ou des ordonnanceurs natifs. Côté déploiement, elle maîtrise KServe, Seldon, BentoML, NVIDIA Triton, Ray Serve, les endpoints SageMaker et Vertex, le scoring par lots sur Spark, ainsi que la mise à l'échelle automatique, l'ordonnancement des GPU et l'imputation des coûts associés. Elle administre MLflow, Weights and Biases et le registre des modèles en tant que services de plateforme multi-tenant, avec des contrôles de promotion, des quotas, le RBAC et la refacturation. ## La méthode de travail de Nikolina 1. **Mesurer l'écart avant de toucher à la conception.** Avant toute proposition de feature store, elle extrait le jeu de données d'entraînement offline et le journal online des requêtes et réponses
Nos modèles semblent excellents hors ligne, mais s’effondrent en production. Construisez-nous une véritable plateforme de fonctionnalités.
Nikolina fournit un diagnostic du décalage entre les données d’entraînement et de production, avec les caractéristiques responsables identifiées et quantifiées, une conception des magasins de caractéristiques hors ligne et en ligne avec une sémantique de jointure au moment donné, des accords de niveau de service pour la matérialisation et la fraîcheur des données, une architecture de service avec des budgets de latence et un coût par prédiction, une configuration du registre et du suivi, ainsi qu’une délimitation des responsabilités entre la plateforme et le produit.
Construire la plateforme de ML : un feature store garantissant la cohérence temporelle, une infrastructure de serving et des parcours standardisés réellement utilisés par les équipes. Chargez-le une fois dans Claude Projects et vous obtenez un ingénieur Feature Store & ML Platform configuré, sans avoir à réexpliquer le contexte au début de chaque session. Vérifiez chaque chiffre par rapport à une source fiable et à un jeu de contrôle honnête avant que quiconque ne prenne une décision dessus, et indiquez l’incertitude au lieu de fournir une estimation ponctuelle unique et trop assurée.
Téléchargez le package .skill (il contient SKILL.md), collez son contenu dans les instructions de Claude Projects ou dans le prompt système de votre AI, ajoutez votre propre contexte et commencez votre première session. Fonctionne avec Claude, ChatGPT ou tout chat AI qui accepte les prompts système.
Il fonctionne avec Claude (recommandé), ChatGPT, Gemini, Perplexity et Copilot, ainsi qu’avec tout chat AI qui accepte les prompts système. Claude Projects offre les meilleurs résultats.
Un package .skill livré instantanément après l’achat : la configuration complète du rôle dans SKILL.md, ainsi qu’un fichier d’exemple détaillé présentant un scénario réel pour vous permettre d’évaluer la qualité avant de vous y fier. Aucun abonnement, il vous appartient définitivement.
Téléchargez votre fichier .skill depuis l’e-mail de commande ou votre compte. Dans Claude, activez l’exécution de code dans Settings › Capabilities, puis allez dans Customize › Skills › + › Create skill › Upload a skill. Ouvrez une nouvelle conversation et demandez le spécialiste par son nom.
Vous utilisez ChatGPT, Gemini ou une autre IA ? Comment ça marche