Freigeben über


Quand Azure ML contribue à soigner des malades…

Comme fidèles lectrices et lecteurs de ce blog, il n’est nul besoin de souligner que les données sont porteuses d’informations cruciales pour tout type d’organisation. Mais le champ de l’apprentissage automatique ne s’arrête bien entendu pas à cela. Et s’il pouvait nous aider dans nos prises de décisions quotidiennes ? Comme nous l’avons vu dans le précédent billet, Azure Machine Learning (Azure ML) permet par exemple de faire de la détection de fraudes, de la prévision sur les ventes ou encore de la classification de textes.

L’objectif du présent billet est de vous présenter un autre cas d’usage d’Azure ML: l’aide à la décision dans le domaine médical.

Pour celles et ceux qui n’ont pu assister à la session des Microsoft TechDays 2015 animée par mon collègue Benjamin Guinebertière (@benjguin) et par Reda Mattar de la société Exakis, j’ai aujourd’hui le plaisir de relayer la disponibilité de leur cours MVA (Microsoft Virtual Academy) Aide à la décision avec Azure Machine Learning.

Celui-ci présente de façon complète Azure Machine Learning sur un cas pratique : il s’agit – comme le titre de ce billet le suggère - d’aider un praticien à prédire si un patient souffre d’une maladie en fonction des symptômes observés et d’autres caractéristiques du patient.

image

Ce cours ne suppose aucun prérequis particuliers et permet ainsi à qui le veut de comprendre l’intérêt de l’apprentissage automatique dans un tel cas de figure, d’apprendre comment créer son propre environnement de travail pour ses expériences dans Azure ML, de créer un modèle d’aide à la décision clinique, de l’évaluer, de l’optimiser pour répondre aux besoins métier et enfin de le déployer en tant que service web.

Ce cours s’organise en 4 vidéos :

  1. Présentation du contexte et d’Azure Machine Learning
  2. Préparation des données
  3. Elaboration et évaluation d’un modèle prédictif
  4. Publication d’un service exploitant ce modèle

Vous verrez ainsi que dans cette situation, l’évaluation du modèle ne tourne pas seulement autour du fait de prédire correctement le caractère sain ou malade d’un patient. L’accent est mis sur le fait de ne pas prédire une personne malade comme saine. D’où l’utilisation du « recall » comme mesure d’évaluation.

Bon visionnage !

Je profite enfin de ce billet pour vous inviter également à retrouver Benjamin sur Internet à différents endroits et en particulier ici pour vous guider ;-).