Un fournisseur de soins de santé a entraîné un modèle sur des dossiers de patients historiques (antécédents médicaux, données démographiques, traitements) afin de fournir des prédictions en temps réel du risque de réadmission à 30 jours après la sortie. Quelle activité décrit le mieux l'inférence du modèle dans ce scénario ?

L'inférence de modèle fait référence à l'utilisation d'un modèle de machine learning déjà entraîné pour faire des prédictions sur de nouvelles données. Dans ce scénario, cela signifie prendre les informations d'un patient (antécédents médicaux, données démographiques, traitements) et les faire passer par le modèle entraîné pour obtenir une prédiction de son risque de réadmission. Collecter les dossiers historiques de réadmission des patients est une étape de préparation des données pour l'entraînement, pas l'inférence. Évaluer les performances du modèle est une étape de validation après l'entraînement. Analyser les données pour découvrir des schémas est une partie de l'exploration des données ou de l'entraînement initial.