Weltklasse ML-Engineeringskenntnisse für die Produktionisierung von ML-Modellen, MLOps und den Bau skalierbarer ML-Systeme. Expertise in PyTorch, TensorFlow, Modellbereitstellung, Feature Stores, Modellüberwachung und ML-Infrastruktur. Beinhaltet LLM-Integration, Fine-Tuning, RAG-Systeme und agentische KI. Verwenden, wenn ML-Modelle bereitgestellt werden, ML-Plattformen gebaut werden, MLOps implementiert werden oder LLMs in Produktionssysteme integriert werden.
DAZU WIRST DU
Perfekt für diese Szenarien
Große Epics schnell in 5-10 implementierbare Stories mit Kontext zerlegen
Neuplanung von Story-Sets, wenn sich der Umfang ändert oder neue Anforderungen mittendrin im Sprint auftauchen
Stories automatisch an die Teamfähigkeiten und den entdeckten Epic-Kontext anpassen
Sicherstellen, dass Geschichten die Organisationsstandards über automatisierte Forschungsdelegation einhalten
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Zeit für die manuelle Story-Zerlegung pro Epic von Stunden auf Minuten reduzieren
Beschleunigen Sie die Sprint- Durchführung durch einheitlich große und gut recherchierte User Stories
Vermeiden Sie Nacharbeiten, indem Sie sicherstellen, dass User Stories von Anfang an die Organisationsanforderungen erfüllen.
DEIN EQUIPMENT
Dateien, Tags und die Installation in drei Schritten
Tipp: Lies Dokumentation und Code vor der ersten Nutzung, damit du Funktion und benötigte Berechtigungen kennst.
NÄCHSTE SKRIPTE
Empfohlen basierend auf Tags und Kategorie
Claude Code-Agent-Erzeugungssystem, das benutzerdefinierte Agenten und Sub-Agenten mit erweiterter YAML-Frontmatter, Tools-Zugriffsmustern und MCP-Integrationsunterstützung gemäß bewährten Produktionsmustern erstellt
Experte für die Aptos-Blockchain, Move-Sprache, Smart Contracts, NFTs, DeFi und Aptos-Entwicklung. Ausgelöst durch die Keywords aptos, move, blockchain, smart contract, nft, defi, web3, mainnet, testnet, devnet
Cloud-Laborplatform für automatisierte Proteintests und -validierung. Verwenden Sie sie bei der Proteinentwicklung und bei der Bedürfnislage nach experimenteller Validierung, einschließlich Bindungsassays, Expressionstests, Thermostabilitätsmessungen, Enzymaktivitätsassays oder Proteinssequenzoptimierung. Verwenden Sie sie auch zum Einreichen von Experimenten über API, zum Verfolgen des Experimentstatus, zum Herunterladen von Ergebnissen, zur Optimierung von Proteinsequenzen für eine bessere Expression mit Hilfe von Rechenwerkzeugen (NetSolP, SoluProt, SolubleMPNN, ESM) oder zur Verwaltung von Proteinentwicklungsworkflows mit Nasslaborvalidierung.
Diese Fähigkeit sollte für Zeitreihenmaschinelles Lernen einschließlich Klassifikation, Regression, Clustering, Prognose, Anomalieerkennung, Segmentierung und Ähnlichkeitssuche verwendet werden. Verwenden Sie sie bei der Arbeit mit zeitlichen Daten, sequentiellen Mustern oder zeitindexierten Beobachtungen, die spezialisierte Algorithmen über standardisierte ML-Ansätze hinaus erfordern. Besonders geeignet für die Analyse univariate und multivariate Zeitreihen mit scikit-learn-kompatiblen APIs.