Comprendre le problème de l’entreprise
Vous travaillez pour Proseware, une jeune start-up spécialisée dans le secteur médical. Avec l’équipe de science des données, vous avez récemment terminé l’opérationnalisation d’un modèle de classification du diabète. En d’autres termes, vous avez converti des notebooks en scripts que vous pouvez exécuter en tant que travail Azure Machine Learning.
Lors d’une présentation de la solution de bout en bout aux parties prenantes métier et techniques de Proseware, plusieurs questions ont été posées concernant la mise à l’échelle de ce modèle, à la fois du point de vue de la création d’un modèle et du point de vue de la consommation.
Dans le secteur de la santé, de nombreux modèles utilisent les données médicales des patients pour prédire des maladies. Lors de projets précédents, nous avons découvert que ces modèles dépendent souvent fortement de l’emplacement géographique de la population utilisée pour l’apprentissage du modèle. Pour rendre ce modèle évolutif, nous devons nous assurer que l’apprentissage de différentes versions du modèle peut s’effectuer automatiquement en fonction des différents segments de données.
Lors de la réunion, les parties prenantes métier et techniques ont décidé d’implémenter une stratégie MLOps (Machine Learning Operations) pour permettre la création, la mise à jour et le déploiement rapides de modèles similaires à celui de classification que l’équipe de science des données a développé pour l’application web médicale.
Comme Proseware utilise GitHub pour la gestion de version de son code, il a été décidé d’utiliser GitHub Actions comme composant d’automatisation de la stratégie MLOps.
La première étape de l’implémentation du processus d’automatisation consiste à développer une action GitHub pour effectuer l’apprentissage du modèle de classification du diabète à l’aide de travaux Azure Machine Learning.
Pour créer l’action GitHub en vue de déclencher l’apprentissage du modèle à l’aide du calcul Azure Machine Learning, vous devez :
- Créer un principal de service avec l’interface Azure CLI.
- Stocker les informations d’identification du principal de service en tant que secret dans GitHub.
- Créer une action GitHub pour effectuer l’apprentissage du modèle à l’aide du calcul Azure Machine Learning.