Porozumění obchodnímu problému
Pracujete v Proseware, mladém start-upu, jehož cílem je zlepšit zdravotní péči. Společně s týmem pro datové vědy jste nedávno dokončili práci na zprovoznění modelu klasifikace cukrovky. Jinými slovy jste převedli poznámkové bloky na skripty, které můžete spustit jako úlohu azure machine Učení.
Během prezentace komplexního řešení pro firmy a technické účastníky na Proseware se objevilo několik otázek, které se týkají škálování použití tohoto modelu jak z hlediska vytváření modelu, tak z hlediska spotřeby.
V oblasti zdravotní péče mnoho modelů používá lékařské údaje pacientů k predikci onemocnění. Z předchozích projektů jsme se dozvěděli, že tyto modely jsou často vysoce závislé na zeměpisném umístění populace, na které se model natrénuje. Aby byl tento model škálovatelný, musíme zajistit, aby se různé verze modelu mohly automaticky vytrénovat na základě různých datových segmentů.
Na schůzce se obchodní a technické zúčastněné strany rozhodly implementovat strategii pro operace strojového učení (MLOps), která umožňuje rychlé vytváření, aktualizaci a nasazování modelů, jako je klasifikační model, který tým datových věd vyvinul pro webovou aplikaci pro pracovníky.
Vzhledem k tomu, že Proseware používá GitHub ke správě verzí svého kódu, rozhodlo se použít GitHub Actions jako automatizační komponentu strategie MLOps.
Prvním krokem při implementaci procesu automatizace je vývoj akce GitHubu pro trénování modelu klasifikace diabetes pomocí úloh Azure Machine Učení.
Pokud chcete vytvořit akci GitHubu pro aktivaci trénování modelu pomocí služby Azure Machine Učení compute, budete chtít:
- Vytvořte instanční objekt pomocí Azure CLI.
- Uložte přihlašovací údaje instančního objektu jako tajný kód na GitHubu.
- Vytvořte akci GitHubu pro trénování modelu pomocí služby Azure Machine Učení compute.