Pipelines de données
Orchestration et transformation de donnees : Airflow, dbt, Astronomer, ETL et ELT.
| # | Skill | Source | Description | Δ | |
|---|---|---|---|---|---|
| 1 | instrument-data-to-allotrope | anthropics/knowledge-work-plugins | Convertir des fichiers instruments au format standardisé Allotrope Simple Model pour LIMS. | 29 852 | 70 |
| 2 | nextflow-development | anthropics/knowledge-work-plugins | Déployer et exécuter des pipelines bioinformatiques nf-core sur données locales ou publiques. | 29 852 | 70 |
| 3 | single-cell-rna-qc | anthropics/knowledge-work-plugins | Automatiser le contrôle qualité de données single-cell RNA-seq selon les bonnes pratiques scverse. | 29 852 | 70 |
| 4 | analyze | anthropics/knowledge-work-plugins | Analyser des données et répondre à toute question métrique, de la simple requête au rapport formel. | 29 852 | 70 |
| 5 | create-viz | anthropics/knowledge-work-plugins | Générer des visualisations de données professionnelles avec Python selon les meilleures pratiques. | 29 852 | 70 |
| 6 | explore-data | anthropics/knowledge-work-plugins | Profiler un dataset pour révéler sa structure, qualité et patterns clés. | 29 852 | 70 |
| 7 | validate-data | anthropics/knowledge-work-plugins | Valider une analyse de données pour détecter erreurs, biais et incohérences avant partage. | 29 852 | 70 |
| 8 | start | anthropics/knowledge-work-plugins | Orienter un chercheur en biologie vers les outils et workflows disponibles du plugin bio-recherche. | 29 852 | 70 |
| 9 | airflow-dag-patterns | wshobson/agents | Orchestrer des pipelines de données Apache Airflow avec patterns, opérateurs et déploiement. | 40 905 | 49 |
| 10 | data-quality-frameworks | wshobson/agents | Implémenter des frameworks de qualité de données avec Great Expectations, dbt et contrats. | 40 905 | 49 |
| 11 | dbt-transformation-patterns | wshobson/agents | Structurer et optimiser des pipelines de transformation dbt en couches analytiques. | 40 905 | 49 |
| 12 | spark-optimization | wshobson/agents | Optimiser les jobs Apache Spark avec partitionnement, mémoire et gestion des shuffles. | 40 905 | 49 |
| 13 | risk-metrics-calculation | wshobson/agents | Calculer la VaR, CVaR et métriques de risque pour la gestion de portefeuille. | 40 905 | 49 |
| 14 | recsys-pipeline-architect | wshobson/agents | Concevoir et scaffolder des pipelines de recommandation en six étapes pour tout système top-K. | 40 905 | 49 |
| 15 | arize-dataset | github/awesome-copilot | Gérer et exporter des datasets versionnés dans l'espace Arize via CLI. | 40 077 | 30 |
| 16 | power-bi-dax-optimization | github/awesome-copilot | Analyser et optimiser des formules DAX Power BI pour de meilleures performances. | 40 077 | 30 |
| 17 | power-bi-model-design-review | github/awesome-copilot | Auditer et optimiser la conception d'un modèle de données Power BI. | 40 077 | 30 |
| 18 | power-bi-performance-troubleshooting | github/awesome-copilot | Diagnostiquer et résoudre les problèmes de performance dans Power BI. | 40 077 | 30 |
| 19 | bigquery-pipeline-audit | github/awesome-copilot | Auditer un pipeline BigQuery pour coûts, sécurité et fiabilité en production. | 40 077 | 30 |
| 20 | powerbi-modeling | github/awesome-copilot | Concevoir et optimiser des modèles sémantiques Power BI selon les bonnes pratiques Microsoft. | 40 077 | 30 |
| 21 | snowflake-semanticview | github/awesome-copilot | Créer, valider et déployer des vues sémantiques Snowflake avec synonymes et commentaires. | 40 077 | 30 |
| 22 | mini-context-graph | github/awesome-copilot | Construire et interroger un graphe de connaissances persistant combinant wiki, entités et sources brutes. | 40 077 | 30 |
| 23 | upload-parity-experiments | harbor-framework/harbor | Publier des résultats d'expériences de parité Harbor sur Hugging Face via Git sparse checkout. | 6 168 | 27 |
| 24 | cuopt-routing-api-python | nvidia/skills | Résoudre des problèmes de routage VRP/TSP/PDP avec l'API Python cuOpt. | 3 613 | 9 |
| 25 | deepstream-dev | nvidia/skills | Développer des pipelines DeepStream SDK avec les bonnes pratiques et règles d'architecture NVIDIA. | 3 613 | 9 |
| 26 | dali-dynamic-mode | nvidia/skills | Exécuter des pipelines de données DALI en mode impératif Python sans graphe statique. | 3 613 | 9 |
| 27 | omniverse-cad-to-simready | nvidia/skills | Convertir un asset CAD en package SimReady via un pipeline bout-en-bout orchestré. | 3 613 | 9 |
| 28 | earth2studio-data-fetch | nvidia/skills | Télécharger des données météo/climat via les APIs Earth2Studio avec vérification lexicale. | 3 613 | 9 |
| 29 | accelerated-computing-cudf | nvidia/skills | Accélérer des DataFrames pandas sur GPU avec cuDF et dask-cuDF. | 3 613 | 9 |
| 30 | vss-query-analytics | nvidia/skills | Interroger les incidents, métriques et alertes Elasticsearch via le serveur VA-MCP en lecture seule. | 3 613 | 9 |
| 31 | vss-search-archive | nvidia/skills | Rechercher et ingérer des vidéos archivées ou flux RTSP par langage naturel via VSS. | 3 613 | 9 |
| 32 | nemotron-retrieval-recipes | nvidia/skills | Orchestrer les recettes Nemotron d'embedding et de reranking pour optimiser la récupération d'information. | 3 613 | 9 |
| 33 | dicom-metadata-extract | nvidia/skills | Extraire les métadonnées d'un fichier DICOM et détecter la présence de PHI. | 3 613 | 9 |
| 34 | dicom-series-preflight | nvidia/skills | Analyser les en-têtes d'une série DICOM et émettre un verdict de conformité JSON. | 3 613 | 9 |
| 35 | dicom-series-to-volume | nvidia/skills | Convertir une série DICOM CT en volume NIfTI HU avec affine et résumé JSON. | 3 613 | 9 |
| 36 | physical-ai-defect-image-generation | nvidia/skills | Orchestrer des pipelines de génération, augmentation et labeling d'images de défauts pour l'inspection optique automatisée. | 3 613 | 9 |
| 37 | physical-ai-video-data-augmentation | nvidia/skills | Orchestrer un workflow VDA complet sur OSMO, du preflight au téléchargement des sorties. | 3 613 | 9 |
| 38 | data-designer | nvidia/skills | Construire des datasets synthétiques personnalisés via une interface interactive ou automatique. | 3 613 | 9 |
| 39 | tao-analyze-gaps-visual-changenet | nvidia/skills | Identifier les échantillons les plus faibles d'un modèle VCN TAO pour cibler l'augmentation. | 3 613 | 9 |
| 40 | tao-convert-dataset-format | nvidia/skills | Convertir des datasets DAFT entre formats supportés via la CLI tao-daft. | 3 613 | 9 |
| 41 | tao-generate-video-reasoning-annotations | nvidia/skills | Générer des datasets d'entraînement vidéo avec raisonnement CoT et paires QA annotées. | 3 613 | 9 |
| 42 | tao-route-visual-changenet-samples | nvidia/skills | Router les labels de gaps VCN vers les modules k-NN Mining et AnomalyGen de façon auditable. | 3 613 | 9 |
| 43 | tao-validate-dataset-format | nvidia/skills | Valider un dataset DAFT avec tao-daft validate et interpréter les résultats. | 3 613 | 9 |
| 44 | jetson-generate-kb | nvidia/skills | Générer une base de connaissances markdown décrivant la structure BSP et sources d'une cible Jetson. | 3 613 | 9 |
| 45 | cuopt-multi-objective-exploration | nvidia/skills | Tracer une frontière de Pareto multi-objectifs via des solves cuOpt successifs. | 3 613 | 9 |
| 46 | amc-run-video-calibration | nvidia/skills | Calibrer des vidéos MP4 pré-enregistrées via l'API REST AMC sans scripts CLI. | 3 613 | 9 |
| 47 | earth2studio-create-datasource | nvidia/skills | Implémenter de bout en bout un wrapper de source de données pour Earth2Studio. | 3 613 | 9 |
| 48 | i4h-lerobot-viz | nvidia/skills | Lancer le visualiseur HTML interactif d'un dataset LeRobot converti dans le navigateur. | 3 613 | 9 |
| 49 | i4h-workflow-dataset-convert | nvidia/skills | Convertir un enregistrement HDF5 agentic en dataset LeRobot prêt à l'entraînement. | 3 613 | 9 |
| 50 | i4h-workflow-dataset-mimic | nvidia/skills | Augmenter un dataset HDF5 en répliquant des trajectoires avec bruit d'action et d'état. | 3 613 | 9 |
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.