用途：该技能定位为资深计算机视觉工程师能力，用于构建生产级AI/ML/Data系统，覆盖图像与视频处理、目标检测、分割及视觉AI系统。
主要能力：资料列出高级生产模式与架构、可扩展系统设计、规模化性能优化、MLOps与DataOps实践、实时处理与推理、分布式计算、模型部署与监控、安全合规、成本优化及团队指导。技术栈包括Python、SQL、R、Scala、Go；PyTorch、TensorFlow、Scikit-learn、XGBoost；Spark、Airflow、dbt、Kafka、Databricks；LangChain、LlamaIndex、DSPy；Docker、Kubernetes、AWS/GCP/Azure；MLflow、Weights & Biases、Prometheus；PostgreSQL、BigQuery、Snowflake、Pinecone。
使用方式：资料给出三个核心脚本命令：python scripts/vision_model_trainer.py --input data/ --output results/；python scripts/inference_optimizer.py --target project/ --analyze；python scripts/dataset_pipeline_builder.py --config config.yaml --deploy。另附开发、训练、部署与监控常用命令，如python -m pytest tests/ -v --cov、python scripts/train.py --config prod.yaml、docker build -t service:v1 .、kubectl apply -f k8s/、helm upgrade service ./charts/等。参考文档位于references/computer_vision_architectures.md、references/object_detection_optimization.md、references/production_vision_systems.md。
适用场景：生产视觉系统、目标检测优化、可扩展数据处理、模型部署、实时推理与监控。
限制：资料未提供具体安装步骤、依赖版本、收费与价格、平台支持范围及实际效果数据，相关事实暂未提供。