Förstå affärsproblemet
Du arbetar på Proseware, ett ungt nystartat, som syftar till att förbättra hälso- och sjukvården. Tillsammans med data science-teamet har du nyligen avslutat arbetet med att operationalisera en diabetesklassificeringsmodell. Med andra ord har du konverterat notebook-filer till skript som du kan köra som ett Azure Machine Learning-jobb.
Under en presentation av lösningen från slutpunkt till slutpunkt för affärs- och tekniska intressenter på Proseware kom det upp flera frågor om hur man skalar användningen av den här modellen både ur modellskapandesynpunkt och ur förbrukningssynpunkt.
Inom hälso- och sjukvården använder många modeller medicinska data från patienter för att förutsäga sjukdomar. Från tidigare projekt har vi lärt oss att dessa modeller ofta är mycket beroende av den geografiska platsen för den population som modellen tränas på. För att göra den här modellen skalbar måste vi se till att olika versioner av modellen automatiskt kan tränas baserat på olika datasegment.
Under mötet har de affärs- och tekniska intressenterna beslutat att implementera en MLOps-strategi (Machine Learning Operations) för att möjliggöra snabbt skapande, uppdatering och distribution av modeller, till exempel den klassificeringsmodell som datavetenskapsteamet har utvecklat för webbappen för utövare.
Eftersom Proseware använder GitHub för att versionskontrollera sin kod fattades beslutet att använda GitHub Actions som automatiseringskomponent i MLOps-strategin.
Det första steget i implementeringen av automatiseringsprocessen är att utveckla en GitHub-åtgärd för att träna diabetesklassificeringsmodellen med hjälp av Azure Machine Learning-jobb.
Om du vill skapa GitHub-åtgärden för att utlösa modellträning med hjälp av Azure Machine Learning-beräkning vill du:
- Skapa ett huvudnamn för tjänsten med hjälp av Azure CLI.
- Lagra autentiseringsuppgifterna för tjänstens huvudnamn som en hemlighet i GitHub.
- Skapa en GitHub-åtgärd för att träna modellen med hjälp av Azure Machine Learning-beräkning.