Comprendre le problème de l’entreprise
Pour tirer parti d’un modèle Machine Learning, vous devez le déployer. Chaque fois que vous déployez un modèle, vous pouvez générer des prédictions chaque fois que nécessaire pour obtenir des insights.
Chez Proseware, start-up dans le secteur de la santé, vous avez aidé au développement d’une application web destinée à aider les praticiens à diagnostiquer plus rapidement les maladies des patients. Quand un praticien entre les informations médicales d’un patient, l’application est en mesure de donner des insights sur la probabilité que ce patient ait une maladie.
Le premier cas d’usage est d’aider les praticiens à diagnostiquer plus rapidement le diabète. Après avoir recherché des données médicales, l’équipe de science des données a entraîné un modèle pour diagnostiquer si un patient est susceptible d’avoir du diabète. Le modèle est suffisamment précis pour être implémenté. À présent, le défi consiste à utiliser le modèle dans l’application web pour générer des prédictions.
Le modèle et l’application étant conçus pour aider le professionnel de la santé quand cela est nécessaire, vous ne souhaitez pas utiliser le modèle sur tous les patients. Au lieu de cela, vous souhaitez donner au praticien la possibilité d’entrer les données du patient dans l’application web chaque fois qu’il y a une bonne raison de croire que le patient peut avoir du diabète. Pour éviter les tests coûteux et inutiles, les prédictions du modèle sur la probabilité qu’un patient présente du diabète serviront de premier filtre pour décider qui doit être testé et qui ne le doit pas.
À l’avenir, d’autres modèles Machine Learning pour faciliter le diagnostic des maladies seront ajoutés à l’application web. Tout cela vise à aider le praticien à prendre plus de décisions basées sur les données quant aux tests à exécuter pour valider qu’un patient est malade.
L’objectif du premier projet est de s’assurer qu’un praticien peut entrer les informations médicales d’un individu dans l’application et obtenir une prédiction directe sur la probabilité que ce patient ait du diabète. En recevant une prédiction directe, le praticien peut utiliser l’application web pendant une consultation avec le patient pour décider rapidement de la marche à suivre.
En d’autres termes, vous devez déployer le modèle sur un point de terminaison en temps réel. L’application web doit être en mesure d’envoyer les données du patient au point de terminaison et d’obtenir une prédiction en retour. La prédiction doit ensuite être visualisée dans l’application web pour aider le praticien.
Pour déployer un modèle, vous devez effectuer les opérations suivantes :
- Inscrire le modèle.
- Déployer le modèle.
- Tester le modèle déployé