Descripción del problema empresarial
Trabaja en Proseware, una pequeña startup que tiene como objetivo mejorar la asistencia sanitaria. Junto con el equipo de ciencia de datos, ha terminado recientemente de trabajar en la puesta en marcha de un modelo de clasificación de diabetes. En otras palabras, ha convertido cuadernos en scripts que puede ejecutar como un trabajo de Azure Machine Learning.
Durante una presentación de la solución integral a las partes interesadas técnicas y empresariales de Proseware, varias preguntas se plantearon sobre cómo escalar el uso de este modelo desde el punto de vista de la creación de modelos y desde el punto de vista del consumo.
En la atención sanitaria, muchos modelos usan datos médicos de pacientes para predecir enfermedades. A partir de proyectos anteriores, hemos aprendido que estos modelos suelen depender en gran medida de la ubicación geográfica de la población en la que se entrena el modelo. Para que este modelo sea escalable, es necesario asegurarnos de que se puedan entrenar automáticamente diferentes versiones del modelo en función de distintos segmentos de datos.
En la reunión, las partes interesadas empresariales y técnicas han decidido implementar una estrategia de operaciones de aprendizaje automático (MLOps) para permitir la creación, actualización e implementación rápidas de modelos, como el modelo de clasificación que el equipo de ciencia de datos ha desarrollado para la aplicación web del profesional.
Como Proseware usa GitHub para controlar las versiones de su código, se tomó la decisión de usar Acciones de GitHub como componente de automatización de la estrategia de MLOps.
El primer paso para implementar el proceso de automatización es desarrollar una acción de GitHub para entrenar el modelo de clasificación de diabetes mediante trabajos de Azure Machine Learning.
Para crear la acción de GitHub para desencadenar el entrenamiento del modelo mediante el proceso de Azure Machine Learning, deberá:
- Crear una entidad de servicio con la CLI de Azure.
- Almacenar las credenciales de la entidad de servicio como secreto en GitHub.
- Crear una acción de GitHub para entrenar el modelo mediante el proceso de Azure Machine Learning.