Conoscere il problema aziendale
Proseware è una giovane startup, che mira a migliorare l'assistenza sanitaria. Un team di Proseware sta lavorando a una nuova applicazione Web che aiuterà i medici a effettuare diagnosi più rapidamente per i pazienti. Dalle ricerche effettuare risulta che il diabete è una delle diagnosi comuni, facilmente rilevabile quando è evidente un determinato modello nei dati medici di un paziente.
Per lanciare la nuova app Web per i medici che li aiuterà a effettuare le diagnosi per i pazienti, la prima funzionalità da implementare nell'app è un rilevatore di diabete. La funzionalità consentirà a un medico di raccogliere dati medici da un paziente, inserirli nell'app e scoprire se esiste un'elevata probabilità che il paziente abbia o meno il diabete. I medici useranno queste informazioni dettagliate insieme alla loro esperienza per dare indicazioni ai pazienti sui passaggi successivi.
Il team di data science ha creato un modello di classificazione che offre previsioni accurate sulla diagnosi di diabete in base a dati anonimizzati. Il training del modello è definito in un notebook di Jupyter. Spetta ora al tecnico di Machine Learning di prendere il lavoro dal team di data science e portarlo in produzione.
Per rendere operativo il modello, sarà necessario:
- Convertire il training del modello in una pipeline affidabile e riproducibile.
- Testare il codice e il modello in un ambiente di sviluppo.
- Distribuire il modello in un ambiente di produzione.
- Automatizzare l'intero processo.
Anche se un notebook di Jupyter è ideale per la sperimentazione, non è adatto per i carichi di lavoro di produzione. La prima attività consisterà nel convertire i notebook in script e nell'eseguire il training del modello come processo di Azure Machine Learning, in modo che il flusso di lavoro possa essere attivato e automatizzato facilmente.