data-quality-gate
/data-quality-gate
Projektuje kontrole poprawności zbiorów danych przy pozyskiwaniu, transformacji, łączeniu, eksporcie i wersjonowaniu danych dla systemów ML.
- Autor
- voyager67 ↗
- Repozytorium
- AgentFieldkit ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 30.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 30.10.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
Co robi i kiedy
Projektuje kontrole poprawności zbiorów danych przy pozyskiwaniu, transformacji, łączeniu, eksporcie i wersjonowaniu danych dla systemów ML.
Oryginalny opis (EN)
Design validation checks for structured datasets and data pipelines. Use when ingesting, transforming, joining, exporting, or versioning data used by software or machine-learning systems.
Jak działa
- Procedure
- Deliverable
- Boundaries
Podgląd SKILL.md
--- name: data-quality-gate description: Design validation checks for structured datasets and data pipelines. Use when ingesting, transforming, joining, exporting, or versioning data used by software or machine-learning systems. license: MIT --- # Data Quality Gate ## Procedure 1. Define the intended use, data owner, source, allowable uses, sensitivity class, and expected freshness. Do not assume data is safe to use merely because it is accessible. 2. Write down the schema: field names, types, requiredness, allowed ranges, units, identifiers, timezone conventions, and null semantics. 3. Profile representative samples for missingness, duplicates, outliers, inconsistent categories, encoding problems, invalid dates, and suspicious distribution shifts. 4. Validate joins and identifiers. Check row counts before and after transformations to detect accidental fan-out or dropped records. 5. Define hard failures versus warnings. Make thresholds explicit and explain why they matter to downstream decisions. 6. Preserve lineage: source snapshot, transformation version, timestamps, and deterministic parameters. Avoid recording secrets or personal records in logs. 7. Run validation on a sample first, then on the intended dataset. Save a compact machine-readable summary and meaningful failure examples. ## Deliverable Include schema contract, validation checks, counts, examples of failed rows with sensitive values redacted, and the go/no-go decision. ## Boundaries - Do not silently impute, delete, or rewrite data to make validation pass. - Never upload sensitive datasets to external services without authorization and a valid data-use basis. - Label synthetic or inferred data; never represent it as collected fact.
Wersje
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · voyager67/AgentFieldkit | 100 | MIT |
| testland/qa | 100 | MIT |
Migawka bazy z 13.11.2026 · wersja paczki c5c5305bc9bb (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100data-quality-checker
Wdraża kontrole jakości danych, reguły walidacji i monitoring dla potoków danych oraz governance. - 90clean-validate
Projektuje pipeline walidacji danych: kontrole schematu, walidację zakresów i metryki jakości. - 100data-pipeline-architect
Analizuje i projektuje wsadowe oraz strumieniowe potoki danych z kontraktami, pochodzeniem danych, niezawodnością i kontrolą kosztów dla systemów pobierania i transformacji. - 100data-quality-checker
Prawdopodobnie sprawdza jakość danych w potokach danych. - 100fai-build-etl-pipeline
Projektuje potoki ETL i ELT dla zasilania systemów AI: ekstrakcja, transformacja, kontrole jakości, harmonogramy i idempotentne ładowanie, także dla dokumentów trafiających do RAG. - 100data-quality-audit
Sprawdza integralność, znaczenie i powtarzalność nieznanych zbiorów danych przed analizą, modelowaniem lub badaniem anomalii.