了解业务问题
若要从机器学习模型获取值，必须部署它。 无论何时部署模型，都可以在必要时生成预测，以提供见解。
在医疗保健领域的初创公司 Proseware，你一直在帮助开发一个 Web 应用程序，该应用程序将帮助从业者更快地诊断患者的疾病。 当从业者输入患者的医疗信息时，该应用将能够深入了解该患者患有疾病的概率。
第一个用例是帮助从业者更快地诊断糖尿病。 数据科学团队在研究了医学数据后，训练了一个模型来诊断患者是否可能患有糖尿病。 该模型足够准确，可以实现。 现在，挑战在于使用 Web 应用中的模型生成预测。
由于模型和应用旨在在需要时帮助医疗保健从业者，因此你不希望在所有患者上使用模型。 相反，你希望让从业者在有理由相信患者可能患有糖尿病时，将患者的数据输入到该 Web 应用中。 为了防止高昂的成本和不必要的测试，模型对患有糖尿病的患者概率的预测将作为第一个筛选器，以确定谁应该接受测试，谁不应该。
将来，将向 Web 应用添加更多有助于诊断疾病的机器学习模型。 所有这些都是为了帮助从业者做出更多数据驱动的决策，决定应该运行哪些测试来验证患者是否患有疾病。
第一个项目的目的是确保从业者可以在应用中输入个人的医疗信息，并获得对该患者患糖尿病概率的直接预测。 通过接收直接预测，从业者可以在与患者进行咨询期间使用该 Web 应用，以快速做出下一步决定。
换句话说，需要将模型部署到实时终结点。 该 Web 应用应能够将患者的数据发送到终结点，并返回一个预测。 然后，应在 Web 应用中可视化预测，以帮助从业者。
若要部署模型，需要：
- 注册模型。
- 部署模型。
- 测试已部署的模型。