Pipelines de données
Orchestration et transformation de donnees : Airflow, dbt, Astronomer, ETL et ELT.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | setting-up-data-catalog | posthog/skills | Peupler et maintenir un catalogue de métriques, certifications et jointures de données. | 74 | 22h |
| 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-generate-video-reasoning-annotations | nvidia/skills | Générer des datasets d'entraînement vidéo avec raisonnement CoT et paires QA annotées. | 3 634 | 1j |
| 4 | tao-mine-od-images | nvidia/skills | Lancer le minage TAO pour sélectionner des images uniques via correspondance de voisins. | 3 634 | 1j |
| 5 | tao-token-efficient-execution | nvidia/skills | Réduire massivement les tokens consommés en exécutant des workflows IA par étapes isolées sur disque. | 3 634 | 1j |
| 6 | omni-query | exploreomni/omni-agent-skills | Interroger la couche sémantique Omni via CLI pour extraire des données structurées. | 44 | 1j |
| 7 | accelerated-computing-cudf | nvidia/skills | Accélérer des DataFrames pandas sur GPU avec cuDF et dask-cuDF. | 3 634 | 2j |
| 8 | genomics-workflow-acceleration | nvidia/skills | Cartographier et accélérer un workflow génomique existant avec NVIDIA Parabricks via bascule GPU optionnelle. | 3 634 | 2j |
| 9 | signals-scout-anomaly-detection | posthog/skills | Détecter et signaler automatiquement les anomalies récentes dans les dashboards analytiques d'une équipe. | 74 | 2j |
| 10 | parabricks | nvidia/skills | Identifier et générer des commandes pbrun Parabricks adaptées à l'outil et à la version cibles. | 3 634 | 3j |
| 11 | resolving-ingestion-warnings | posthog/skills | Diagnostiquer et résoudre les avertissements d'ingestion d'événements PostHog. | 74 | 3j |
| 12 | upgrading-dbt | dbt-labs/dbt-agent-skills | Migrer un projet dbt v1 vers la version 1.12 en appliquant les correctifs adaptés. | 740 | 4j |
| 13 | vss-query-analytics | nvidia-ai-blueprints/video-search-and-summarization | Interroger en lecture seule incidents, alertes et métriques via VA-MCP et Elasticsearch. | 1 931 | 4j |
| 14 | exploring-replay-vision-observations | posthog/skills | Explorer et interpréter les observations collectées par les scanners Replay Vision. | 74 | 4j |
| 15 | signals-scout-replay-vision | posthog/skills | Détecter les dérives silencieuses des scanners de sessions replay via analyse agrégée. | 74 | 4j |
| 16 | omni-model-builder | exploreomni/omni-agent-skills | Créer et modifier un modèle sémantique Omni via l'API YAML en branches sécurisées. | 44 | 4j |
| 17 | downloading-batch-export-files | posthog/skills | Exporter et télécharger des données PostHog en masse via MCP et REST. | 74 | 5j |
| 18 | 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 |
| 19 | auditing-warehouse-view-health | posthog/skills | Auditer la santé des vues matérialisées d'un entrepôt de données et identifier les échecs. | 74 | 8j |
| 20 | nvidia-ontology-management | nvidia/skills | Inspecter et modifier la couche sémantique d'Auto Ontology via API et MCP. | 3 634 | 9j |
| 21 | nvidia-ontology-query | nvidia/skills | Interroger une ontologie sémantique via MCP ou REST pour répondre à des questions structurées. | 3 634 | 9j |
| 22 | benchmark-video-search | nvidia-ai-blueprints/video-search-and-summarization | Évaluer la qualité de récupération vidéo et les performances temporelles d'un déploiement de recherche. | 1 931 | 9j |
| 23 | modeling-dimension-tables | posthog/skills | Modéliser des tables de dimension propres et réutilisables dans un schéma en étoile. | 74 | 9j |
| 24 | metrics-chart | axiomhq/skills | Transformer une réponse de requête métriques en graphique temporel multi-séries. | 16 | 10j |
| 25 | managing-streamlit-apps | posthog/skills | Créer, déployer et gérer des apps Streamlit Python dans PostHog via des outils MCP. | 74 | 10j |
| 26 | authoring-data-quality-checks | posthog/skills | Créer et gérer des contrôles qualité sur des tables et vues de données warehouse. | 74 | 11j |
| 27 | debugging-failed-data-quality-checks | posthog/skills | Diagnostiquer et corriger les échecs de contrôles qualité sur les données. | 74 | 11j |
| 28 | basin | cloudflare/skills | Ingérer, transformer et interroger des événements via des tables Iceberg sur Cloudflare R2. | 3 094 | 16j |
| 29 | i4h-lerobot-viz | nvidia/skills | Lancer le visualiseur HTML interactif d'un dataset LeRobot converti dans le navigateur. | 3 634 | 17j |
| 30 | i4h-workflow-dataset-convert | nvidia/skills | Convertir un enregistrement HDF5 agentic en dataset LeRobot prêt à l'entraînement. | 3 634 | 17j |
| 31 | i4h-workflow-dataset-mimic | nvidia/skills | Augmenter un dataset HDF5 en répliquant des trajectoires avec bruit d'action et d'état. | 3 634 | 17j |
| 32 | i4h-workflow-dataset-replay | nvidia/skills | Rejouer un épisode HDF5 enregistré dans Isaac Sim pour vérification visuelle. | 3 634 | 17j |
| 33 | i4h-workflow-dataset-teleop | nvidia/skills | Enregistrer des épisodes de télé-opération robotique en démos HDF5 via clavier, bras leader ou VR. | 3 634 | 17j |
| 34 | tuning-incremental-sync-config | posthog/skills | Modifier la configuration de synchronisation incrémentale d'une table déjà connectée. | 74 | 17j |
| 35 | vss-generate-video-report-rag | nvidia-ai-blueprints/video-search-and-summarization | Générer des rapports vidéo enrichis par RAG avec collecte guidée de paramètres. | 1 931 | 18j |
| 36 | signals-scout-data-warehouse | posthog/skills | Détecter et signaler les imports de data warehouse défaillants ou obsolètes. | 74 | 21j |
| 37 | signals-scout-data-pipelines | posthog/skills | Détecter silencieusement les ruptures de livraison dans les pipelines de données actifs. | 74 | 21j |
| 38 | exploring-mcp-sessions | posthog/skills | Explorer et analyser les sessions MCP d'un agent IA dans PostHog. | 74 | 22j |
| 39 | setting-up-warehouse-properties | posthog/skills | Mapper des colonnes d'entrepôt de données sur des propriétés de personnes ou groupes PostHog. | 74 | 24j |
| 40 | paidf-augmentation | nvidia/skills | Orchestrer un pipeline d'augmentation de données visuelles via des modèles génératifs NVIDIA distants. | 3 634 | 25j |
| 41 | tao-data-io | nvidia/skills | Gérer le transfert de données vers et depuis un conteneur de calcul IA selon la stratégie de… | 3 634 | 25j |
| 42 | tao-mine-nearest-neighbors | nvidia/skills | Exécuter un minage de voisins les plus proches sur des embeddings parquet via TAO Data Services. | 3 634 | 25j |
| 43 | tao-convert-dataset-format | nvidia/skills | Convertir des datasets DAFT entre formats supportés via la CLI tao-daft. | 3 634 | 25j |
| 44 | tao-route-visual-changenet-samples | nvidia/skills | Router les labels de gaps VCN vers les modules k-NN Mining et AnomalyGen de façon auditable. | 3 634 | 25j |
| 45 | tao-validate-dataset-format | nvidia/skills | Valider un dataset DAFT avec tao-daft validate et interpréter les résultats. | 3 634 | 25j |
| 46 | omni-model-explorer | exploreomni/omni-agent-skills | Explorer un modèle sémantique Omni via la CLI pour comprendre sa structure. | 44 | 26j |
| 47 | omni-to-dbt-metricflow | exploreomni/omni-agent-skills | Exporter la logique d'un modèle Omni vers des fichiers YAML dbt MetricFlow. | 44 | 26j |
| 48 | diagnosing-failed-warehouse-syncs | posthog/skills | Diagnostiquer et réparer les synchronisations défaillantes d'un entrepôt de données. | 74 | 1mo |
| 49 | airflow-state-store | astronomer/agents | Gérer l'état des tâches Airflow 3.3 avec des stores clé/valeur crash-safe. | 454 | 1mo |
| 50 | paidf-auto-labeling | nvidia/skills | Router pour lancer, configurer et déboguer des pipelines PAIDF Auto-Labeling sur ses données. | 3 634 | 1mo |
À propos de cette sélection
L'orchestration de données a longtemps reposé sur des scripts fragiles qu'on ne touchait plus par peur de tout casser. Des acteurs comme Astronomer et dbt Labs ont depuis industrialisé la discipline : DAGs versionnés, transformations testables, lignage de bout en bout. Les skills pipelines de données rassemblés ici couvrent des cas concrets, auditer un pipeline BigQuery pour détecter des dérives de coût ou de fraîcheur, modéliser un dataset pour l'exposer proprement à une couche BI sans multiplier les joins à la main. L'outillage disponible est solide, majoritairement Python, et couvre le spectre du prototypage local au déploiement en production supervisé. Ça parle autant aux data engineers qu'aux ML engineers qui branchent des flux en amont de leurs modèles.