Data & IA
Skills pour LLM, bases vectorielles, training de modeles et scraping web.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | firecrawl-agent | firecrawl/cli | Extraire automatiquement des données structurées depuis des sites web complexes multi-pages. | 655 | 15h |
| 2 | nemo-fabric-integrate | nvidia/skills | Intégrer NeMo Fabric dans une application Python via son SDK typé et sécurisé. | 3 634 | 20h |
| 3 | working-with-autoresearch | posthog/skills | Prédire quels utilisateurs accompliront une action cible dans un horizon temporel défini. | 74 | 23h |
| 4 | analyzing-offline-evaluations | posthog/skills | Analyser et comparer des évaluations LLM hors ligne stockées dans PostHog. | 74 | 23h |
| 5 | setting-up-data-catalog | posthog/skills | Peupler et maintenir un catalogue de métriques, certifications et jointures de données. | 74 | 23h |
| 6 | langfuse | langfuse/skills | Instrumenter, déboguer et interroger Langfuse via CLI, docs et SDK à jour. | 308 | 1j |
| 7 | firecrawl-search | firecrawl/cli | Rechercher sur le web et récupérer le contenu complet des pages résultantes. | 655 | 1j |
| 8 | tao-token-efficient-execution | nvidia/skills | Réduire massivement les tokens consommés en exécutant des workflows IA par étapes isolées sur disque. | 3 634 | 1j |
| 9 | tao-run-dinov3-ssl-deft | nvidia/skills | Configurer, valider et exécuter un entraînement SSL DEFT avec DINOv3 via DS. | 3 634 | 1j |
| 10 | tao-run-deft-od-aoi | nvidia/skills | Entraîner un détecteur RT-DETR de défauts industriels via un pipeline TAO complet. | 3 634 | 1j |
| 11 | tao-prepare-anomalygennext-inputs | nvidia/skills | Préparer et valider les entrées de génération d'anomalies via AnomalyGenNext avec embeddings et AMP. | 3 634 | 1j |
| 12 | tao-generate-od-defects | nvidia/skills | Générer des défauts OD synthétiques avec AnomalyGenNext et pseudo-labels COCO. | 3 634 | 1j |
| 13 | tao-finetune-kumo-forecast | nvidia/skills | Prévoir des séries temporelles multivariées avec préentraînement Transformer et modes d'interprétabilité avancés. | 3 634 | 1j |
| 14 | tao-finetune-kumo-anomaly | nvidia/skills | Détecter et étiqueter des anomalies dans des séries temporelles multivariées par diffusion. | 3 634 | 1j |
| 15 | tao-finetune-anomalygennext | nvidia/skills | Affiner AnomalyGenNext via LoRA sur un dataset de défauts texturés personnalisé. | 3 634 | 1j |
| 16 | tao-run-deft-pas | nvidia/skills | Exécuter le workflow PAS complet de TAO sur toute plateforme d'exécution supportée. | 3 634 | 1j |
| 17 | tao-train-dinov3 | nvidia/skills | Entraîner, convertir et exporter un backbone DINOv3 sur images non étiquetées. | 3 634 | 1j |
| 18 | tao-run-on-virtualenv | nvidia/skills | Exécuter un script Python natif dans un virtualenv local sans Docker. | 3 634 | 1j |
| 19 | tao-run-deft-object-detection | nvidia/skills | Orchestrer la boucle complète d'augmentation intelligente pour un modèle Grounding DINO. | 3 634 | 1j |
| 20 | 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 |
| 21 | tao-run-deft-aoi-cosmos3 | nvidia/skills | Orchestrer un pipeline DEFT complet avec gestion d'état, GPU et air-gap. | 3 634 | 1j |
| 22 | tao-mine-od-images | nvidia/skills | Lancer le minage TAO pour sélectionner des images uniques via correspondance de voisins. | 3 634 | 1j |
| 23 | tao-generate-image-embeddings | nvidia/skills | Générer des embeddings d'images avec CLIP ou SigLIP via TAO Data Services. | 3 634 | 1j |
| 24 | tao-finetune-video-clip | nvidia/skills | Entraîner, évaluer et déployer InternVideo2-CLIP via le framework TAO de NVIDIA. | 3 634 | 1j |
| 25 | tao-analyze-gaps-od-map | nvidia/skills | Analyser les écarts de détection d'objets TAO en comparant annotations et prédictions par métriques TP/FP/FN/AP50. | 3 634 | 1j |
| 26 | tao-analyze-detection-kpi | nvidia/skills | Analyser les KPI de détection d'objets en comparant annotations inférées et vérité terrain. | 3 634 | 1j |
| 27 | tao-train-sparse4d | nvidia/skills | Détecter et suivre des objets 3D multi-caméras avec attention temporelle déformable. | 3 634 | 1j |
| 28 | tao-train-reid | nvidia/skills | Réidentifier des personnes à travers différentes caméras via des embeddings discriminants. | 3 634 | 1j |
| 29 | tao-train-pose-classification | nvidia/skills | Classifier des séquences squelettiques en catégories d'actions via ST-GCN. | 3 634 | 1j |
| 30 | tao-train-nvpanoptix3d | nvidia/skills | Reconstruire une scène 3D panoptique en segmentation sémantique et d'instance depuis des images RGB. | 3 634 | 1j |
| 31 | tao-train-mask-auto-label | nvidia/skills | Générer des masques de segmentation à partir d'annotations minimales via ViT-MAE. | 3 634 | 1j |
| 32 | tao-train-action-recognition | nvidia/skills | Reconnaître des actions humaines dans des vidéos via flux RGB, optique ou combiné. | 3 634 | 1j |
| 33 | tao-run-on-brev | nvidia/skills | Gérer des instances GPU NVIDIA on-demand via le CLI Brev avec authentification automatisée. | 3 634 | 1j |
| 34 | tao-mine-aoi-images | nvidia/skills | Embarquer des images cibles et miner les voisins les plus proches dans un pool source. | 3 634 | 1j |
| 35 | tao-launch-workflow | nvidia/skills | Valider et lancer des workflows TAO après vérification complète des prérequis plateforme. | 3 634 | 1j |
| 36 | tao-generate-video-reasoning-annotations | nvidia/skills | Générer des datasets d'entraînement vidéo avec raisonnement CoT et paires QA annotées. | 3 634 | 1j |
| 37 | tao-generate-referring-expressions | nvidia/skills | Générer des annotations d'expressions référentielles grondées à partir d'images KITTI via un VLM. | 3 634 | 1j |
| 38 | tao-generate-image-grounding | nvidia/skills | Annoter des images avec expressions référentielles et bounding boxes via un VLM. | 3 634 | 1j |
| 39 | tao-finetune-cosmos-reason | nvidia/skills | Entraîner, évaluer et inférer sur Cosmos-Reason2-8B pour la compréhension vidéo. | 3 634 | 1j |
| 40 | tao-finetune-cosmos-embed | nvidia/skills | Entraîner, évaluer et exporter un modèle d'embedding vidéo-texte pour la recherche sémantique. | 3 634 | 1j |
| 41 | tao-finetune-clip | nvidia/skills | Entraîner, évaluer et déployer des modèles CLIP pour la classification et la recherche image-texte. | 3 634 | 1j |
| 42 | 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 |
| 43 | firecrawl-developer-index | firecrawl/cli | Interroger l'index Firecrawl pour répondre à des questions techniques depuis issues, PRs et docs. | 655 | 1j |
| 44 | omni-query | exploreomni/omni-agent-skills | Interroger la couche sémantique Omni via CLI pour extraire des données structurées. | 44 | 1j |
| 45 | tilegym-converting-cutile-to-triton | nvidia/skills | Convertir des kernels cuTile en kernels Triton via un workflow structuré en cinq phases. | 3 634 | 1j |
| 46 | tilegym-cutile-python | nvidia/skills | Écrire, déboguer et optimiser des kernels GPU haute performance avec cuTile Python. | 3 634 | 1j |
| 47 | runway-dev-model-routers | runwayml/skills | Créer, configurer et valider des Model Routers Runway via SDK et MCP. | 74 | 1j |
| 48 | exploring-llm-evaluations | posthog/skills | Gérer et exécuter des évaluations LLM sur des événements de génération IA dans PostHog. | 74 | 1j |
| 49 | browser-use | browser-use/browser-use | Contrôler un navigateur Chrome via CDP pour automatiser des tâches web. | 118 374 | 2j |
| 50 | cuda-streams | pytorch/pytorch | Auditer et choisir la bonne stratégie de synchronisation CUDA entre streams pour éviter les fuites mémoire. | 104 843 | 2j |
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.