Data & IA

Skills pour LLM, bases vectorielles, training de modeles et scraping web.

537 skills

# Skill Source Description Δ
1 browser-use browser-use/browser-use Contrôler un navigateur Chrome via CDP pour automatiser des tâches web. 111 268 404
2 open-source browser-use/browser-use Automatiser la navigation web en Python avec des agents IA configurables. 111 268 404
3 airflow-dag-patterns wshobson/agents Orchestrer des pipelines de données Apache Airflow avec patterns, opérateurs et déploiement. 39 177 17
4 data-quality-frameworks wshobson/agents Implémenter des frameworks de qualité de données avec Great Expectations, dbt et contrats. 39 177 17
5 spark-optimization wshobson/agents Optimiser les jobs Apache Spark avec partitionnement, mémoire et gestion des shuffles. 39 177 17
6 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 39 177 17
7 langchain-architecture wshobson/agents Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. 39 177 17
8 llm-evaluation wshobson/agents Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. 39 177 17
9 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 39 177 17
10 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 39 177 17
11 ml-pipeline-workflow wshobson/agents Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production. 39 177 17
12 backtesting-frameworks wshobson/agents Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading. 39 177 17
13 risk-metrics-calculation wshobson/agents Calculer la VaR, CVaR et métriques de risque pour la gestion de portefeuille. 39 177 17
14 spark-environment-setup wshobson/agents Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13. 39 177 17
15 spark-memory-thermal-ops wshobson/agents Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement. 39 177 17
16 spark-training-gotchas wshobson/agents Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10. 39 177 17
17 grpo-rlvr-training wshobson/agents Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables. 39 177 17
18 lora-qlora-recipes wshobson/agents Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé. 39 177 17
19 preference-optimization wshobson/agents Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO). 39 177 17
20 quantized-export wshobson/agents Exporter un checkpoint promu au bon format quantifié selon la cible matérielle. 39 177 17
21 vision-sft wshobson/agents Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale. 39 177 17
22 arize-annotation github/awesome-copilot Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize. 38 295 15
23 arize-experiment github/awesome-copilot Gérer et exporter des expériences d'évaluation de modèles IA via Arize. 38 295 15
24 arize-instrumentation github/awesome-copilot Instrumenter une application avec le tracing Arize AX via une analyse guidée. 38 295 15
25 phoenix-evals github/awesome-copilot Construire et valider des évaluateurs LLM pour applications IA en production. 38 295 15
26 phoenix-tracing github/awesome-copilot Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. 38 295 15
27 bigquery-pipeline-audit github/awesome-copilot Auditer un pipeline BigQuery pour coûts, sécurité et fiabilité en production. 38 295 15
28 mini-context-graph github/awesome-copilot Construire et interroger un graphe de connaissances persistant combinant wiki, entités et sources brutes. 38 295 15
29 agentic-eval github/awesome-copilot Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. 38 295 15
30 datanalysis-credit-risk github/awesome-copilot Nettoyer et sélectionner des variables pour modélisation de risque crédit. 38 295 15
31 eval-driven-dev github/awesome-copilot Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. 38 295 15
32 pinecone-rag github/awesome-copilot Construire un pipeline RAG ou une mémoire d'agent persistante avec Pinecone. 38 295 15
33 upload-parity-experiments harbor-framework/harbor Publier des résultats d'expériences de parité Harbor sur Hugging Face via Git sparse checkout. 4 678 14
34 cognee topoteretes/cognee Gérer des graphes de connaissances avec Cognee via ingestion, enrichissement et recherche. 30 290 12
35 aoti-debug pytorch/pytorch Diagnostiquer et corriger les erreurs courantes d'AOTInductor avec méthode. 102 612 11
36 pt2-bug-basher pytorch/pytorch Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd. 102 612 11
37 accessing-mlflow nvidia/model-optimizer Interroger et comparer des runs MLflow via langage naturel et MCP. 3 494 6
38 deployment nvidia/model-optimizer Déployer un checkpoint de modèle comme endpoint d'inférence compatible OpenAI. 3 494 6
39 eagle3-new-model nvidia/model-optimizer Configurer un pipeline EAGLE3 en 4 tâches pour un nouveau modèle HF. 3 494 6
40 compare-results nvidia/model-optimizer Comparer baseline et candidat quantisé pour évaluer la dégradation de précision. 3 494 6
41 day0-release nvidia/model-optimizer Orchestrer le cycle complet de release d'un checkpoint quantisé jusqu'à la recommandation de publication. 3 494 6
42 eagle3-review-logs nvidia/model-optimizer Analyser les logs d'un pipeline EAGLE3 et produire un rapport de diagnostic structuré. 3 494 6
43 eagle3-triage nvidia/model-optimizer Diagnostiquer et corriger les échecs du pipeline offline EAGLE3 en quatre étapes. 3 494 6
44 eagle3-validate nvidia/model-optimizer Valider un pipeline EAGLE3 et produire un rapport de qualité complet. 3 494 6
45 evaluation nvidia/model-optimizer Configurer, lancer et superviser des évaluations de modèles via NeMo Evaluator Launcher. 3 494 6
46 launching-evals nvidia/model-optimizer Lancer, surveiller et analyser des évaluations de modèles IA via NeMo Evaluator. 3 494 6
47 ptq nvidia/model-optimizer Quantifier un modèle pré-entraîné en checkpoint optimisé via ModelOpt PTQ. 3 494 6
48 quant-recipe-search nvidia/model-optimizer Orchestrer une recherche itérative de recettes de quantisation optimales pour modèles IA. 3 494 6
49 nextflow-development anthropics/knowledge-work-plugins Déployer et exécuter des pipelines bioinformatiques nf-core sur données locales ou publiques. 23 698 5
50 single-cell-rna-qc anthropics/knowledge-work-plugins Automatiser le contrôle qualité de données single-cell RNA-seq selon les bonnes pratiques scverse. 23 698 5

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.