Het zakelijke probleem begrijpen
Als u waarde wilt ophalen uit een machine learning-model, moet u dit implementeren . Wanneer u een model implementeert, kunt u waar nodig voorspellingen genereren om u inzicht te geven.
Bij Proseware, een start-up in de gezondheidszorg, hebt u geholpen bij de ontwikkeling van een webtoepassing waarmee beoefenaars ziekten sneller kunnen diagnosticeren bij patiënten. Wanneer een arts de medische gegevens van een patiënt invoert, kan de app inzicht geven in de kans dat die patiënt een ziekte heeft.
De eerste use case is om beoefenaars te helpen diabetes sneller te diagnosticeren. Na het onderzoeken van medische gegevens heeft het data science-team een model getraind om vast te stellen of een patiënt waarschijnlijk diabetes heeft. Het model is nauwkeurig genoeg voor implementatie. Nu is het de uitdaging om het model in de web-app te gebruiken om voorspellingen te genereren.
Aangezien het model en de app zo nodig zijn ontworpen om de zorgverlener te helpen, wilt u het model niet gebruiken voor alle patiënten. In plaats daarvan wilt u de arts de mogelijkheid geven om de gegevens van de patiënt in de web-app in te voeren wanneer er reden is om te geloven dat de patiënt diabetes kan hebben. Om kostbare en onnodige tests te voorkomen, dienen de voorspellingen van het model over de waarschijnlijkheid van een patiënt met diabetes als eerste filter om te bepalen wie moet worden getest en wie dat niet zou moeten.
In de toekomst worden er meer machine learning-modellen toegevoegd om te helpen bij het diagnosticeren van ziekten aan de web-app. Allemaal om de beoefenaar te helpen meer gegevensgestuurde beslissingen te nemen over welke tests moeten worden uitgevoerd om te valideren dat een patiënt een ziekte heeft.
Het doel van het eerste project is ervoor te zorgen dat een arts de medische gegevens van een persoon in de app kan invoeren en een directe voorspelling kan krijgen over de waarschijnlijkheid van die patiënt met diabetes. Door een directe voorspelling te ontvangen, kan de arts de web-app gebruiken tijdens een overleg met de patiënt om snel een beslissing te nemen over de volgende stappen.
Met andere woorden, u moet het model implementeren in een realtime-eindpunt. De web-app moet de gegevens van de patiënt naar het eindpunt kunnen verzenden en een voorspelling kunnen krijgen als resultaat. De voorspelling moet vervolgens worden gevisualiseerd in de web-app om de arts te helpen.
Als u een model wilt implementeren, wilt u het volgende doen:
- Registreer het model.
- Het model implementeren.
- Het geïmplementeerde model testen