Entender o problema de negócios
A Proseware é uma start-up jovem que visa melhorar o atendimento à saúde. Uma equipe da Proseware está trabalhando em um novo aplicativo Web que ajudará os profissionais a diagnosticar os pacientes mais rapidamente. Pesquisas mostraram que o diabetes é um dos diagnósticos comuns e facilmente detectado quando um determinado padrão nos dados médicos de um paciente é evidente.
Para iniciar o novo aplicativo Web para profissionais que os ajudarão a diagnosticar pacientes, o primeiro recurso a ser implantado no aplicativo é um detector de diabetes. O recurso permitirá que um clínico colete dados médicos de um paciente, preencha-os no aplicativo e saiba se há uma grande chance desse paciente ter diabetes ou não. Os profissionais usarão esses insights com suas experiências para fornecer orientação aos pacientes sobre as próximas etapas.
A equipe de ciência de dados criou um modelo de classificação que prevê com precisão se alguém tem diabetes ou não com base em dados anônimos. O treinamento do modelo é definido em um Jupyter Notebook. Agora, você que é um engenheiro de machine learning, tem que dar prosseguimento ao trabalho da equipe de ciência de dados e colocá-lo em produção.
Para colocar o modelo em operação, você vai:
- Converter o treinamento do modelo em um pipeline robusto e reproduzível.
- Testar o código e o modelo em um ambiente de desenvolvimento.
- Implantar o modelo em um ambiente de produção.
- Automatizar o processo de ponta a ponta.
Embora um Jupyter Notebook seja ideal para experimentação, não é uma boa opção para cargas de trabalho de produção. Sua primeira tarefa será converter os notebooks em scripts e executar o treinamento do modelo como um trabalho do Azure Machine Learning, para que o fluxo de trabalho possa ser facilmente disparado e automatizado.