Wissensbeurteilung
- 7 Minuten
Hinweis
Lesen Sie die Fallstudie, um diese Übung abzuschließen. Am Ende werden Sie gebeten, Ratschläge zu geben, indem Sie die Fragen zur Wissensbeurteilung beantworten.
Willkommen bei Proseware! Sie wurden als leitender Data Scientist eingestellt, um uns bei der Entwicklung einer Bereitstellungslösung für maschinelles Lernen zu unterstützen.
Das Problem verstehen
Bei Proseware entwickeln wir eine mobile Anwendung, mit der Ärzte Krankheiten bei Patienten schneller diagnostizieren können. Ein Arzt kann die medizinischen Daten des Patienten in die App eingeben, um eine Diagnose für den Patienten zu erhalten.
Unser erstes geplantes Feature ist, dass die App den Arzt informiert, ob der Patient weiter untersucht oder auf Diabetes behandelt werden soll.
Wir haben bereits Daten gesammelt, die mit Diabetes korrelieren, z. B. die Anzahl der Schwangerschaften, das Alter und den Body Mass Index (BMI). Wir haben auch ein Team von Data Scientists, das daran arbeitet, ein Modell zu trainieren, mit dem klassifiziert werden kann, ob ein Patient wahrscheinlich an Diabetes leidet.
Wir benötigen Ihre Hilfe bei der Entscheidung, wie das Modell in die Produktion gebracht werden soll.
Wir freuen uns auf Ihre Beratung hinsichtlich der Frage, wie die MLOps-Lösung (Machine Learning Operations) für das Modell entworfen werden soll!
Abwägen der Anforderungen
- Berücksichtigen Sie die Umgebungen. Derzeit arbeiten wir in einem kleinen Team, und Sie sind die einzige beteiligte wissenschaftliche Fachkraft für Daten. Wir möchten sehen, ob dieses Projekt erfolgreich ist, bevor wir tatsächlich hochskalieren und ein großes Team einbeziehen.
- Berücksichtigen Sie das Modell. Da das Modell verwendet wird, um Ärzten zu helfen, ist uns Genauigkeit wichtig. Das Modell sollte nur verwendet werden, wenn wir wissen, dass es wie erwartet funktioniert.
- Berücksichtigen Sie die Daten. Wir beginnen klein und verwenden hauptsächlich das bereitgestellte Modell, um unsere Anwendung zu testen. Die Daten, für die das bereitgestellte Modell Vorhersagen generiert, sollten nicht zum erneuten Trainieren des Modells verwendet werden, da es möglicherweise voreingenommen ist.