Compreender o problema do negócio

Trabalha na Proseware, uma jovem start-up, com o objetivo de melhorar os cuidados de saúde. Juntamente com a equipe de ciência de dados, você terminou recentemente o trabalho na operacionalização de um modelo de classificação de diabetes. Em outras palavras, você converteu blocos de anotações em scripts que podem ser executados como um trabalho do Azure Machine Learning.

Durante uma apresentação da solução end-to-end para as partes interessadas técnicas e de negócios na Proseware, várias questões surgiram em torno de como escalar o uso desse modelo tanto do ponto de vista da criação do modelo quanto do ponto de vista do consumo.

Nos cuidados de saúde, muitos modelos utilizam dados médicos dos pacientes para prever doenças. Com projetos anteriores, aprendemos que esses modelos geralmente dependem muito da localização geográfica da população na qual o modelo é treinado. Para tornar esse modelo escalável, precisamos garantir que diferentes versões do modelo possam ser treinadas automaticamente com base em diferentes segmentos de dados.

Na reunião, as partes interessadas técnicas e de negócios decidiram implementar uma estratégia de operações de aprendizado de máquina (MLOps) para permitir a rápida criação, atualização e implantação de modelos, como o modelo de classificação que a equipe de ciência de dados desenvolveu para o aplicativo web do profissional.

Como o Proseware usa o GitHub para controlar a versão de seu código, foi tomada a decisão de usar o GitHub Actions como o componente de automação da estratégia MLOps.

A primeira etapa na implementação do processo de automação é desenvolver uma Ação GitHub para treinar o modelo de classificação de diabetes usando trabalhos do Azure Machine Learning.

Para criar a Ação do GitHub para acionar o treinamento de modelo usando a computação do Azure Machine Learning, você deseja:

• Crie uma entidade de serviço usando a CLI do Azure.
• Armazene as credenciais do princípio de serviço como um segredo no GitHub.
• Crie uma Ação do GitHub para treinar o modelo usando a computação do Azure Machine Learning.