Określenie problemu biznesowego
Proseware to młody start-up, mający na celu poprawę opieki zdrowotnej. Jeden zespół w firmie Proseware pracuje nad nową aplikacją internetową, która pomoże lekarzom szybciej diagnozować pacjentów. Badania wykazały, że cukrzyca jest jedną z diagnoz, które są powszechne i łatwo wykrywane, gdy określony wzorzec w danych medycznych pacjenta jest widoczny.
Aby uruchomić nową aplikację internetową dla lekarzy, które pomogą im diagnozować pacjentów, pierwszą funkcją do wdrożenia w aplikacji jest detektor cukrzycy. Ta funkcja umożliwi lekarzowi zbieranie danych medycznych od pacjenta, wypełnienie go w aplikacji i poznanie, czy pacjent ma duże szanse na cukrzycę tak, czy nie. Lekarze będą używać tych szczegółowych informacji ze swoją wiedzą, aby udzielić pacjentom porad dotyczących następnych kroków.
Zespół ds. nauki o danych utworzył model klasyfikacji, który dokładnie przewiduje, czy ktoś ma cukrzycę, czy nie na podstawie anonimowych danych. Trenowanie modelu jest definiowane w notesie Jupyter. Teraz jesteś inżynierem uczenia maszynowego, aby podjąć pracę od zespołu ds. nauki o danych i przenieść go do środowiska produkcyjnego.
Aby operacjonalizować model, należy wykonać następujące działania:
- Przekonwertuj trenowanie modelu na niezawodny i powtarzalny potok.
- Przetestuj kod i model w środowisku projektowym.
- Wdrażanie modelu w środowisku produkcyjnym .
- Automatyzacja kompleksowego procesu.
Chociaż notes Jupyter jest idealny do eksperymentowania, nie jest dobrym rozwiązaniem w przypadku obciążeń produkcyjnych. Pierwszym zadaniem będzie przekonwertowanie notesów na skrypty i uruchomienie trenowania modelu jako zadania usługi Azure Machine Learning w celu łatwego wyzwolenia i zautomatyzowania przepływu pracy.