Data & IA
Skills pour LLM, bases vectorielles, training de modeles et scraping web.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | nemo-fabric-integrate | nvidia/skills | Intégrer NeMo Fabric dans une application Python via son SDK typé et sécurisé. | 3 634 | 21h |
| 2 | tao-analyze-gaps-visual-changenet | nvidia/skills | Identifier les échantillons les plus faibles d'un modèle VCN TAO pour cibler l'augmentation. | 3 634 | 1j |
| 3 | tao-finetune-clip | nvidia/skills | Entraîner, évaluer et déployer des modèles CLIP pour la classification et la recherche image-texte. | 3 634 | 1j |
| 4 | tao-finetune-cosmos-embed | nvidia/skills | Entraîner, évaluer et exporter un modèle d'embedding vidéo-texte pour la recherche sémantique. | 3 634 | 1j |
| 5 | tao-finetune-cosmos-reason | nvidia/skills | Entraîner, évaluer et inférer sur Cosmos-Reason2-8B pour la compréhension vidéo. | 3 634 | 1j |
| 6 | tao-generate-image-grounding | nvidia/skills | Annoter des images avec expressions référentielles et bounding boxes via un VLM. | 3 634 | 1j |
| 7 | tao-generate-referring-expressions | nvidia/skills | Générer des annotations d'expressions référentielles grondées à partir d'images KITTI via un VLM. | 3 634 | 1j |
| 8 | tao-generate-video-reasoning-annotations | nvidia/skills | Générer des datasets d'entraînement vidéo avec raisonnement CoT et paires QA annotées. | 3 634 | 1j |
| 9 | tao-mine-aoi-images | nvidia/skills | Embarquer des images cibles et miner les voisins les plus proches dans un pool source. | 3 634 | 1j |
| 10 | tao-train-action-recognition | nvidia/skills | Reconnaître des actions humaines dans des vidéos via flux RGB, optique ou combiné. | 3 634 | 1j |
| 11 | tao-train-mask-auto-label | nvidia/skills | Générer des masques de segmentation à partir d'annotations minimales via ViT-MAE. | 3 634 | 1j |
| 12 | tao-train-nvpanoptix3d | nvidia/skills | Reconstruire une scène 3D panoptique en segmentation sémantique et d'instance depuis des images RGB. | 3 634 | 1j |
| 13 | tao-train-pose-classification | nvidia/skills | Classifier des séquences squelettiques en catégories d'actions via ST-GCN. | 3 634 | 1j |
| 14 | tao-train-reid | nvidia/skills | Réidentifier des personnes à travers différentes caméras via des embeddings discriminants. | 3 634 | 1j |
| 15 | tao-train-sparse4d | nvidia/skills | Détecter et suivre des objets 3D multi-caméras avec attention temporelle déformable. | 3 634 | 1j |
| 16 | tao-analyze-detection-kpi | nvidia/skills | Analyser les KPI de détection d'objets en comparant annotations inférées et vérité terrain. | 3 634 | 1j |
| 17 | tao-finetune-anomalygennext | nvidia/skills | Affiner AnomalyGenNext via LoRA sur un dataset de défauts texturés personnalisé. | 3 634 | 1j |
| 18 | tao-finetune-kumo-anomaly | nvidia/skills | Détecter et étiqueter des anomalies dans des séries temporelles multivariées par diffusion. | 3 634 | 1j |
| 19 | tao-finetune-kumo-forecast | nvidia/skills | Prévoir des séries temporelles multivariées avec préentraînement Transformer et modes d'interprétabilité avancés. | 3 634 | 1j |
| 20 | tao-finetune-video-clip | nvidia/skills | Entraîner, évaluer et déployer InternVideo2-CLIP via le framework TAO de NVIDIA. | 3 634 | 1j |
| 21 | tao-generate-image-embeddings | nvidia/skills | Générer des embeddings d'images avec CLIP ou SigLIP via TAO Data Services. | 3 634 | 1j |
| 22 | tao-generate-od-defects | nvidia/skills | Générer des défauts OD synthétiques avec AnomalyGenNext et pseudo-labels COCO. | 3 634 | 1j |
| 23 | tao-mine-od-images | nvidia/skills | Lancer le minage TAO pour sélectionner des images uniques via correspondance de voisins. | 3 634 | 1j |
| 24 | tao-prepare-anomalygennext-inputs | nvidia/skills | Préparer et valider les entrées de génération d'anomalies via AnomalyGenNext avec embeddings et AMP. | 3 634 | 1j |
| 25 | tao-run-deft-aoi-cosmos3 | nvidia/skills | Orchestrer un pipeline DEFT complet avec gestion d'état, GPU et air-gap. | 3 634 | 1j |
| 26 | tao-run-deft-cr-its-mining | nvidia/skills | Orchestrer un pipeline de minage itératif TAO DEFT avec fine-tuning et évaluation automatisés. | 3 634 | 1j |
| 27 | tao-run-deft-object-detection | nvidia/skills | Orchestrer la boucle complète d'augmentation intelligente pour un modèle Grounding DINO. | 3 634 | 1j |
| 28 | tao-run-deft-od-aoi | nvidia/skills | Entraîner un détecteur RT-DETR de défauts industriels via un pipeline TAO complet. | 3 634 | 1j |
| 29 | tao-run-dinov3-ssl-deft | nvidia/skills | Configurer, valider et exécuter un entraînement SSL DEFT avec DINOv3 via DS. | 3 634 | 1j |
| 30 | tao-run-on-virtualenv | nvidia/skills | Exécuter un script Python natif dans un virtualenv local sans Docker. | 3 634 | 1j |
| 31 | tao-train-dinov3 | nvidia/skills | Entraîner, convertir et exporter un backbone DINOv3 sur images non étiquetées. | 3 634 | 1j |
| 32 | tao-run-deft-pas | nvidia/skills | Exécuter le workflow PAS complet de TAO sur toute plateforme d'exécution supportée. | 3 634 | 1j |
| 33 | tilegym-cutile-python | nvidia/skills | Écrire, déboguer et optimiser des kernels GPU haute performance avec cuTile Python. | 3 634 | 1j |
| 34 | tilegym-converting-cutile-to-triton | nvidia/skills | Convertir des kernels cuTile en kernels Triton via un workflow structuré en cinq phases. | 3 634 | 1j |
| 35 | browser-use | browser-use/browser-use | Contrôler un navigateur Chrome via CDP pour automatiser des tâches web. | 118 374 | 2j |
| 36 | cuda-streams | pytorch/pytorch | Auditer et choisir la bonne stratégie de synchronisation CUDA entre streams pour éviter les fuites mémoire. | 104 843 | 2j |
| 37 | accelerated-computing-cudf | nvidia/skills | Accélérer des DataFrames pandas sur GPU avec cuDF et dask-cuDF. | 3 634 | 2j |
| 38 | rtvi-byom-porting | nvidia-ai-blueprints/video-search-and-summarization | Intégrer un modèle VLM personnalisé dans le service RT-VLM de VSS sans modifier le code source. | 1 931 | 3j |
| 39 | parabricks | nvidia/skills | Identifier et générer des commandes pbrun Parabricks adaptées à l'outil et à la version cibles. | 3 634 | 3j |
| 40 | gemini-api-dev | google-gemini/gemini-skills | Intégrer et utiliser l'API Gemini avec les SDK officiels à jour. | 4 294 | 4j |
| 41 | upgrading-dbt | dbt-labs/dbt-agent-skills | Migrer un projet dbt v1 vers la version 1.12 en appliquant les correctifs adaptés. | 740 | 4j |
| 42 | vss-search-archive | nvidia-ai-blueprints/video-search-and-summarization | Rechercher dans des archives vidéo via CLI VSS en respectant les sources exactes. | 1 931 | 8j |
| 43 | codonfm-embed | nvidia/skills | Extraire des embeddings CLS figés de séquences codantes avec le modèle public Encodon. | 3 634 | 8j |
| 44 | codonfm-finetune | nvidia/skills | Affiner le modèle Encodon public avec des données étiquetées de séquences codantes. | 3 634 | 8j |
| 45 | codonfm-score | nvidia/skills | Scorer des variants génomiques avec le modèle masqué Encodon pour produire un signal de recherche. | 3 634 | 8j |
| 46 | codonfm-setup | nvidia/skills | Configurer l'environnement CodonFM et télécharger les checkpoints Encodon publics. | 3 634 | 8j |
| 47 | hf-cli | huggingface/skills | Gérer dépôts, fichiers et authentification sur le Hub Hugging Face via CLI. | 11 180 | 9j |
| 48 | metrics-chart | axiomhq/skills | Transformer une réponse de requête métriques en graphique temporel multi-séries. | 16 | 10j |
| 49 | nemo-automodel-model-onboarding | nvidia/skills | Intégrer de nouvelles architectures de modèles IA dans NeMo AutoModel. | 3 634 | 10j |
| 50 | managing-streamlit-apps | posthog/skills | Créer, déployer et gérer des apps Streamlit Python dans PostHog via des outils MCP. | 74 | 10j |
À propos de cette sélection
L'outillage autour de l'IA générative a mûri vite, mais de façon inégale. Les abstractions haut niveau prolifèrent pendant que le bas niveau (embeddings, kernels GPU, pipelines de fine-tuning) reste souvent sous-documenté et morcelé. Les skills data & IA réunis ici couvrent précisément cette zone. Un ingénieur ML qui veut déboguer un kernel Metal ou optimiser un graphe PyTorch trouvera des ressources issues directement des équipes PyTorch. Un dev backend qui bascule vers du RAG trouvera de quoi brancher Qdrant, construire ses pipelines de vecteurs et interroger des modèles via l'API Claude d'Anthropic. Python domine largement le corpus, ce qui reflète l'état réel de l'écosystème. Les profils data engineers habitués à Astronomer ont aussi leur place, avec des skills couvrant l'orchestration de workflows au plus près de la prod.