Przejdź do treści
Biblioteka skilli
Dane i analityka · Przegląd i audyt

data-quality-gate

/data-quality-gate

Projektuje kontrole poprawności zbiorów danych przy pozyskiwaniu, transformacji, łączeniu, eksporcie i wersjonowaniu danych dla systemów ML.

Repozytorium
AgentFieldkit ↗
Licencja
MIT
Ostatnia zmiana repozytorium
30.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 30.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

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

  1. Procedure
  2. Deliverable
  3. Boundaries
Sekcje z nagłówków SKILL.md, w oryginale · 20 linii, 208 słów
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

RepozytoriumWynikLicencja
Ta strona · voyager67/AgentFieldkit100MIT
testland/qa100MIT

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.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.