ビジネス上の問題を把握する
機械学習モデルから価値を得るには、それをデプロイする必要があります。 モデルをデプロイするたびに、必要に応じて予測を生成して分析情報を得ることができます。
あなたは、医療のスタートアップである Proseware で、医師がより迅速に患者の病気を診断するのに役立つ Web アプリケーションの開発を支援してきました。 医師が患者の医療情報を入力すると、その患者が病気である確率の分析情報をアプリから得ることができます。
最初のユース ケースは、医師がより迅速に糖尿病を診断するのに役立つことです。 医療データを調査した後、データ サイエンス チームは、患者に糖尿病の可能性があるかどうかを診断するモデルをトレーニングしました。 モデルは実装に十分な精度を持ちます。 ここでの課題は、Web アプリでモデルを使用して予測を生成することです。
モデルとアプリは、必要に応じて医療従事者を支援するように設計されているため、すべての患者でモデルを使用することは考えていません。 代わりに、患者が糖尿病である可能性があると信じられる理由があるときはいつでも、医師が患者のデータを Web アプリに入力できるようにしたいと考えています。 コストが高く、不要なテストを防ぐために、糖尿病である患者の確率に関するモデルの予測は、誰が検査を受ける必要があり、誰が不要であるかを決定するための最初のフィルターとして機能します。
将来的には、病気の診断に役立つその他の機械学習モデルも Web アプリに追加される予定です。 すべては、患者が病気であることを検証するために実行すべき検査に関して、医師がよりデータドリブンな決定を行うのを助けるためです。
最初のプロジェクトの目的は、医師がアプリで個人の医療情報を入力し、その患者が糖尿病である確率を "直接" 予測できるようにすることです。 直接予測を受け取ることで、医師は患者との問診中に Web アプリを使用して、次のステップの決定に迅速に到達できます。
つまり、モデルをリアルタイム エンドポイントにデプロイする必要があります。 この Web アプリは、患者のデータをエンドポイントに送信し、その代わりに予測を取得できる必要があります。 その後、Web アプリで予測を視覚化して、医師を支援する必要があります。
モデルをデプロイするには、次の手順を実行します。
- モデルを登録します。
- モデルをデプロイします。
- デプロイしたモデルをテストする。