Het zakelijke probleem begrijpen
Proseware is een jonge start-up, gericht op verbetering van de gezondheidszorg. Eén team bij Proseware werkt aan een nieuwe webtoepassing waarmee beoefenaars patiënten sneller kunnen diagnosticeren. Onderzoek heeft aangetoond dat diabetes een van de diagnoses is die gemeenschappelijk zijn en gemakkelijk kunnen worden gedetecteerd wanneer een bepaald patroon in de medische gegevens van een patiënt duidelijk is.
Om de nieuwe web-app te starten voor beoefenaars die hen helpen bij het diagnosticeren van patiënten, is de eerste functie die in de app moet worden geïmplementeerd een diabetesdetector. De functie stelt een arts in staat om medische gegevens van een patiënt te verzamelen, deze in te vullen in de app en te leren of er een hoge kans is dat die patiënt diabetes heeft ja of nee. De beoefenaars gebruiken deze inzichten met hun expertise om hun patiënten advies te geven over de volgende stappen.
Het data science-team heeft een classificatiemodel gemaakt dat nauwkeurig voorspelt of iemand diabetes heeft of niet op basis van geanonimiseerde gegevens. De modeltraining wordt gedefinieerd in een Jupyter-notebook. Het is nu aan u als machine learning-engineer om het werk van het data science-team te nemen en naar productie te brengen.
Als u het model wilt operationeel maken, wilt u het volgende doen:
- Converteer de modeltraining naar een robuuste en reproduceerbare pijplijn.
- Test de code en het model in een ontwikkelomgeving .
- Implementeer het model in een productieomgeving .
- Automatiseer het end-to-end-proces.
Hoewel een Jupyter-notebook ideaal is voor experimenten, is het niet geschikt voor productieworkloads. Uw eerste taak is het converteren van de notebooks naar scripts en het uitvoeren van de modeltraining als een Azure Machine Learning-taak, zodat de werkstroom eenvoudig kan worden geactiveerd en geautomatiseerd.