Habilidad de ingeniería de ML de clase mundial para poner en producción modelos de ML, MLOps y construir sistemas de ML escalables. Experticia en PyTorch, TensorFlow, implementación de modelos, almacenes de características, monitoreo de modelos e infraestructura de ML. Incluye integración de LLM, ajuste fino, sistemas RAG y IA agentiva. Usar al implementar modelos de ML, construir plataformas de ML, implementar MLOps o integrar LLM en sistemas de producción.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Descomponer rápidamente epics grandes en 5-10 historias listas para implementar con contexto
Volver a planificar los conjuntos de historias cuando el alcance cambie o surjan nuevos requisitos a mitad de un sprint
Emparejar automáticamente historias con las capacidades del equipo y el contexto del Epic descubierto
Garantizar que las historias cumplan con los estándares de la organización mediante la delegación automatizada de la investigación
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Reducir el tiempo de descomposición manual de historias de horas a minutos por cada Epopeya
Acelera la ejecución de los sprints con historias de tamaño consistente y bien investigadas
Elimine el retrabajo asegurando que las historias cumplan con los requisitos organizativos desde el principio.
QUÉ INCLUYE
Archivos, etiquetas y la instalación en tres pasos
Consejo: Lee la documentación y el código antes del primer uso para saber qué hace y qué permisos necesita.
SIGUIENTES GUIONES
Recomendado según etiquetas y categoría
Sistema de generación de agentes de código Claude que crea agentes personalizados y subagentes con frontmatter YAML mejorado, patrones de acceso a herramientas y soporte para integración MCP siguiendo patrones de producción probados
Especialista en la blockchain Aptos, el lenguaje Move, los smart contracts, los NFT, el DeFi y el desarrollo de Aptos. Se activa con las palabras clave aptos, move, blockchain, smart contract, nft, defi, web3, mainnet, testnet, devnet
Plataforma de laboratorio en la nube para pruebas y validación automáticas de proteínas. Utilícelo al diseñar proteínas y necesitar validación experimental que incluya ensayos de unión, pruebas de expresión, mediciones de termostabilidad, ensayos de actividad enzimática o optimización de secuencias de proteínas. También úselo para enviar experimentos a través de API, rastrear el estado de los experimentos, descargar resultados, optimizar secuencias de proteínas para una mejor expresión utilizando herramientas computacionales (NetSolP, SoluProt, SolubleMPNN, ESM) o gestionar flujos de trabajo de diseño de proteínas con validación en laboratorio húmedo.
Esta habilidad debería usarse para tareas de aprendizaje automático de series temporales que incluyen clasificación, regresión, agrupamiento, pronóstico, detección de anomalías, segmentación y búsqueda de similitud. Usarla al trabajar con datos temporales, patrones secuenciales o observaciones indexadas en el tiempo que requieren algoritmos especializados más allá de los enfoques de ML estándar. Especialmente adecuada para análisis de series temporales univariadas y multivariadas con APIs compatibles con scikit-learn.