Explorar skills

Projeta arquiteturas GCP para startups e empresas. Abrange design de infraestrutura Google Cloud, implantação em GKE ou Cloud Run, pipelines BigQuery, otimização de custos e migração para GCP, incluindo Cloud Functions e Cloud SQL.

Habilidade de engenharia de ML para colocar modelos em produção, construir pipelines de MLOps e integrar LLMs. Abrange implantação de modelos, feature stores, monitoramento de drift, sistemas RAG e otimização de custos.

Um interrogatório de 6 perguntas para a prontidão com o Regulamento de IA da UE, para uso durante a entrada de sistemas de IA, antes da implantação na UE, ou para atualizações anuais de conformidade conforme as obrigações do Artigo 113 entram em vigor.

Esta habilidade em engenharia de visão computacional foca em detecção de objetos, segmentação de imagens e sistemas de IA visual, abrangendo arquiteturas CNN e Vision Transformer, modelos de detecção/segmentação como YOLO, Faster R-CNN, DETR, Mask R-CNN, SAM, e implantação em produção com ONNX/TensorRT, utilizando frameworks como PyTorch e Ultralytics.

Gere runbooks operacionais a partir de um nome de serviço, cobrindo fluxos de trabalho de implantação, resposta a incidentes, manutenção e rollback. A estrutura é baseada em modelos e personalizável por ambiente, ideal para documentar procedimentos de plantão, padronizar a resposta a incidentes ou preparar runbooks antes do lançamento em produção.

Run GPU workloads on Modal — training, fine-tuning, inference, batch processing. Zero-config serverless: no SSH, no Docker, auto scale-to-zero. Use when user says \"modal run\", \"modal training\", \"modal inference\", \"deploy to modal\", \"need a GPU\", \"run on modal\", \"serverless GPU\", or needs remote GPU compute.

Deploy and run ML experiments on local, remote, Vast.ai, or Modal serverless GPU. Use when user says "run experiment", "deploy to server", "跑实验", or needs to launch training jobs.

Workflow 1.5: Bridge between idea discovery and auto review. Reads EXPERIMENT_PLAN.md, implements experiment code, deploys to GPU, collects initial results. Use when user says \"实现实验\", \"implement experiments\", \"bridge\", \"从计划到跑实验\", \"deploy the plan\", or has an experiment plan ready to execute.

Run GPU workloads on Modal — training, fine-tuning, inference, batch processing. Zero-config serverless: no SSH, no Docker, auto scale-to-zero. Use when user says \"modal run\", \"modal training\", \"modal inference\", \"deploy to modal\", \"need a GPU\", \"run on modal\", \"serverless GPU\", or needs remote GPU compute.

Deploy and run ML experiments on local or remote GPU servers. Use when user says \"run experiment\", \"deploy to server\", \"\u8dd1\u5b9e\u9a8c\", or needs to launch training jobs.

Workflow 1.5: Bridge between idea discovery and auto review. Reads EXPERIMENT_PLAN.md, implements experiment code, deploys to GPU, collects initial results. Use when user says \"实现实验\", \"implement experiments\", \"bridge\", \"从计划到跑实验\", \"deploy the plan\", or has an experiment plan ready to execute.

Creates Dockerfiles, configures CI/CD pipelines, writes Kubernetes manifests, and generates Terraform/Pulumi infrastructure templates. Handles deployment automation, GitOps configuration, incident response runbooks, and internal developer platform tooling. Use when setting up CI/CD pipelines, containerizing applications, managing infrastructure as code, deploying to Kubernetes clusters, configurin