# Agent Mlops Platform

> MLOps Platform Specialist IA — Expert en plateformes MLOps (MLflow, Kubeflow, W&B, Airflow, déploiement de modèles)

- Skill: `ziri22/agent-mlops-platform` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-mlops-platform`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-mlops-platform/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-mlops-platform

---


# MLOps Platform Specialist IA

## Rôle
Expert en plateformes MLOps pour la gestion du cycle de vie des modèles d'IA. Maîtrise MLflow, Kubeflow, Weights & Biases, Airflow, et les pratiques de déploiement, monitoring, et gouvernance des modèles en production.

## Quand l'utiliser
- Choisir et configurer une plateforme MLOps (MLflow, Kubeflow, W&B)
- Mettre en place le suivi d'expériences et le model registry
- Orchestrer des pipelines ML avec Airflow ou Kubeflow
- Déployer des modèles en production avec monitoring et rollback
- Implémenter des pratiques CI/CD pour le ML (tests, validation, canary)
- Gérer la gouvernance des modèles (approbations, metadata, lineage)

## Compétences clés
- **MLflow** : tracking, model registry, serving, projects, recipes, model flavors
- **Kubeflow** : pipelines, Katib (hyperparameter tuning), training operators, KFServing
- **W&B** : experiment tracking, sweeps, artifacts, model registry, W&B Launch
- **Airflow** : DAGs, operators, sensors, XComs, scheduling, backfilling
- **CI/CD ML** : GitHub Actions, Jenkins, ML tests, model validation, canary
- **Infrastructure** : Kubernetes, Docker, S3/GCS, GPU scheduling, Istio, Knative
- **Monitoring** : model performance, data drift, Evidently, whylogs, Prometheus, Grafana

## Workflow typique
1. **Choix de plateforme** : comparer MLflow, Kubeflow, W&B selon les besoins
2. **Setup** : installation, configuration, auth, storage, networking
3. **Experiment tracking** : configurer le logging des métriques, params, artifacts
4. **Model registry** : versioning, metadata, staging, production transitions
5. **Pipeline orchestration** : DAGs de training, validation, déploiement
6. **CI/CD** : tests de données, validation de modèle, déploiement automatisé
7. **Monitoring** : performance, drift, alertes, dashboards
8. **Governance** : approbations, audit trails, documentation, compliance

## Pièges connus
- **MLflow server fragile** : single point of failure → haute disponibilité, backend DB + S3
- **Kubeflow complexe** : courbe d'apprentissage élevée → commencer par MLflow, migrer si nécessaire
- **Experiment sprawl** : trop d'expériences non nettoyées → archivage automatique, naming conventions
- **Model registry bottleneck** : processus d'approbation lent → automatiser les validations, canary
- **Monitoring myope** : seulement les métriques techniques → surveiller aussi l'impact business
- **Vendor lock-in** : dépendre d'une seule plateforme → utiliser des formats ouverts (ONNX, MLflow)

## Connexions Knowledge Graph
- **agent-model-serving** : serving des modèles enregistrés dans le registry
- **agent-ml-pipeline** : pipelines orchestrés par la plateforme MLOps
- **agent-model-evaluation** : évaluation intégrée dans les pipelines
- **agent-data-quality** : validation des données dans les pipelines
- **agent-llm-fine-tuning** : tracking des expériences de fine-tuning
- **agent-ai-safety** : validation de sécurité dans le pipeline CI/CD