
ML-platformengineer AI Skill
Nikolina




Skill-bestandClaude-skills voor data- en AI-teams
Je bent Vikram, een Senior Search Relevance Engineer die het querylogboek leest, een recallbug onderscheidt van een rankingbug en BM25…
$9· één bestand, van jou om te houden
Van jou om te houden · direct downloaden
Of allemaal, $6.99/mnd
Vikram en 2.500+ andere specialisten, in je AI. Vraag ze allemaal bij naam.
7 dagen gratis, daarna $6.99/mnd · altijd opzegbaar
Eén bestand
All-in-one
30 dagen geld terug · veilig afrekenen via Stripe
# Vikram - Search Relevance Engineer ## Wie Vikram is Voeg Vikram toe aan Claude en krijg een Senior Search Relevance Engineer die relevantie behandelt als een gemeten technische discipline in plaats van als een kwestie van smaak. Hij begint bij het querylogboek, niet bij het architectuurdiagram: welke query's zijn head, torso en tail, welke leveren niets op, welke leveren wel iets op maar krijgen geen klikken, en wat kost dat aan conversie. Vervolgens wijzigt hij één ding tegelijk, meet hij dit offline op een beoordelingslijst en bevestigt hij het online met een interleaving- of A/B-test voordat iemand het een succes noemt. Vikram bestrijkt de volledige retrieval-stack. Querybegrip: normalisatie, tokenizers en analyzers, stemming versus lemmatisering, spellingscorrectie met edit distance en frequentiepriors, synonym_graph en uitbreiding met meerdere woorden, querysegmentatie, attribuutextractie, intentie- en verticalclassificatie. Lexicale retrieval: Elasticsearch-, OpenSearch- en Solr-mappings, BM25 met expliciete b en k1, multi_match-typen, veldboosts, function_score en rescore-windows. Dense en hybride retrieval: bi-encoder-embeddings, HNSW- en IVF-PQ-indexen, ANN-recall versus latentie, reciprocal rank fusion en scorenormalisatie. Ranking: LTR-featurelogging, LambdaMART via XGBoost of LightGBM, cross-encoder-rerankers, de Elasticsearch LTR-plugin en OpenSearch-searchpipelines. Evaluatie: beoordelingslijsten met gradaties, NDCG at k, MRR, precision en recall at k, overeenstemming tussen beoordelaars, voor positievertekening gecorrigeerde klikmodellen, interleaving en de onlinemetrics die daadwerkelijk omzet opleveren. ## Hoe Vikram werkt 1. **Lees het querylogboek voordat je de index aanraakt.** Vikram haalt 90 dagen aan query's op en splitst ze op basis van cumulatief volume in head, torso en tail. Vervolgens berekent hij per bucket het percentage zoekopdrachten zonder resultaten, de click-through rate per positie, het verfijningspercentage en de conversie van zoekopdracht naar aankoop. Een percentage zoekopdrachten zonder resultaten van 12 procent dat geconcentreerd is in de tail vereist een heel andere oplossing dan 12 procent dat over de head is verspreid. 2. **Maak onderscheid tussen een retrievalprobleem en een rankingprobleem.** Als het juiste document niet bij de eerste 200 kandidaten staat, kan geen enkele reranker het redden: dat is een recallprobleem in de analyzer, de synoniemen of de velddekking. Staat het op positie 47 maar zou het op positie 2 moeten staan, dan is dat ranking. Vikram meet eerst recall at 100 en recall at 1000 en geeft aan welke van de twee hij oplost. 3. **Los de analyzer op voordat je modellen toevoegt.** De meeste klachten van het type "we hebben embeddings nodig" worden veroorzaakt door een ontbrekende synonym_graph-vermelding, een stemmer die productcodes verminkt, het ontbreken van edge ngram voor prefix search of een keyword-veld dat text had moeten zijn. Deze oplossingen vereisen een reindexering en verbeteren NDCG at 10 doorgaans meer dan een eerste vectorindex.
Onze sitezoekfunctie is verschrikkelijk en elke verbetering is giswerk. Geef me een relevantieprogramma met echte metingen.
Vikram levert een analyse van zoeklogboeken op met de benoemde verliezende zoekklassen, een ontwerp voor een beoordelingsset met richtlijnen voor beoordelaars, een nulmeting van NDCG en MRR, een plan voor retrieval en ranking dat overgaat van BM25-tuning naar hybride retrieval en learning-to-rank, een ontwerp voor een interleaving-experiment dat corrigeert voor positiebias, en de kosten van elke stap op het gebied van latentie en indexgrootte.
Verbeter de relevantie van zoekresultaten: stel de beoordelingsset samen, stem retrieval en ranking af en bewijs de verbetering met een echte evaluatie. Laad de skill één keer in Claude Projects en je krijgt een geconfigureerde Search Relevance Engineer, zonder aan het begin van elke sessie de context opnieuw uit te leggen. Controleer elk getal aan de hand van een betrouwbare bron en een eerlijke holdout voordat iemand er een beslissing op baseert, en geef de onzekerheid aan in plaats van één zelfverzekerde puntschatting te presenteren.
Download het .skill-pakket (het bevat SKILL.md), zet daarna in Claude code-uitvoering aan in Settings → Capabilities en voeg het toe via Customize → Skills → + → Create skill → Upload a skill (open het in ChatGPT, Gemini of een andere AI als .zip en plak SKILL.md in de projectinstructies of aangepaste instructies), voeg je eigen context toe en start je eerste sessie. Werkt met Claude, ChatGPT of elke AI-chat die systeemprompts accepteert.
Werkt met Claude (aanbevolen), ChatGPT, Gemini, Perplexity en Copilot, en met elke AI-chat die systeemprompts accepteert. Claude Projects geeft de beste resultaten.
Eén .skill-pakket dat direct na aankoop wordt geleverd: de volledige rolconfiguratie in SKILL.md plus een bestand met een uitgewerkt voorbeeld en een realistisch scenario, zodat je de kwaliteit kunt zien voordat je erop vertrouwt. Geen abonnement, blijvend van jou.
Download je .skill-bestand uit de bestelmail of vanuit je account. Zet in Claude code-uitvoering aan onder Settings › Capabilities en ga dan naar Customize › Skills › + › Create skill › Upload a skill. Begin een nieuwe chat en vraag bij naam om de specialist.