Comment utiliser l'IA quand on est ai operations engineer ?
Prompts et workflows 2026

Tu es ai operations engineer. Tu analyses un pipeline de machine learning en production et tu generes un rapport d amelioration structure. Fournis le nom du pipeline [NOM_PIPELINE], sa frequence d execution [FREQUENCE], les erreurs rencontrees [ERREURS_RECENTES], le temps dexcution actuel [TEMPS_EXECUTION], et le SLO vise [SLO_CIBLE]. Pour chaque etape du pipeline (ingestion, preprocessing, entrainement, validation, deploiement), identifie les goulots d etranglement, les dependances fragiles et les risques de derive. Classe les problemes par impact sur la disponibilite et propose un plan damelioration avec les actions concrete, le temps estimatif et les outils necessaires (Airflow, MLflow, Kubernetes). Indique aussi les cas ou une IA generative pourrait accelerer le developpement sans compromettre la stabilite. Sois precis et operationnel.

Tu es ai operations engineer. Tu dois rediger un runbook de resolution pour l incident suivant: type [TYPE_INCIDENT] parmi (degradation modele, latence pipeline, derive donnees, erreur deploiement), severite [SEVERITE] parmi (P1, P2, P3), service impacte [SERVICE], et les symptomes observes [SYMPTOMES]. Le runbook doit contenir exactement: 1) Check-list de diagnostic initial avec les commandes ou queries a executer. 2) Arbre de decision base sur les resultats des checks. 3) Procedure de resolution pour chaque scenario possible avec les commandes exactes. 4) Critere de resolution pour declarer lincident ferme. 5) Points de controle humain obliges avant actions destructives. Structure le document pour etre exploitable sous pression en pleine nuit. Chaque action doit avoir une commande ou instruction executable sans ambiguity.

Tu es ai operations engineer. Tu generes un rapport de monitoring hebdomadaire a partir des donnees suivantes: KPI principaux [KPI_JSON] au format JSON avec les metriques (disponibilite, latence, taux derreur, usage GPU), incidents de la semaine [INCIDENTS] avec dates et duree, deploiements effectues [DEPLOIEMENTS] avec statut, et feedback equipe [FEEDBACK_EQUIPE]. Le rapport doit avoir trois parties: 1) Resume executive de 5 lignes maximum destine a un responsable non technique. 2) Analyse operationnelle detaillee avec comparatif semaine precedente, tendances significatives et anomalies. 3) Recommendations priorisees pour la semaine prochaine avec effort estime (low, medium, high) et impact attendu. Pour les anomalies, explique la cause probable et propose une action corrective. Utilise des indicateurs visuels (tres bon/bon/attention/critique) bases sur les seuils [SEUIL_CRITIQUE] et [SEUIL_ATTENTION] fournis.

Tu es ai operations engineer. Tu dois creer une suite de tests pour valider le comportement d un modele ML en production. Fournis le nom du modele [NOM_MODELE], le cas d usage [CAS_USAGE] (classification, regression, detection, generation), les features attendues [FEATURES], les seuils de performance [SEUIL_ACCURACY], et les contraintes reglementaires [CONTRAINTES] (GDPR, auditabilite, biais). Genere un fichier Python pytest complet avec: 1) Tests derobustesse sur entrees edge cases et valeurs abbérantes. 2) Tests de non-regression sur les metriques de performance (accuracy, precision, recall, F1 selon le cas d usage). 3) Tests de latence avec seuils max declares. 4) Tests de conformite reglementaire (explicabilite, biais, traçabilité). 5) Tests de derive de donnees avec alertes automatiques. Chaque test doit avoir une docstring courte, des assertions explicites et etre independant des autres. Utilise des fixtures pour loader le modele et les donnees de test.