Serviço de modelos com pesquisa automática de características

Model Serving pode procurar automaticamente valores de características de uma Databricks Online Feature Store ou de uma loja online de terceiros. Para veiculação em tempo real de valores de recursos, a Databricks recomenda o uso das Lojas de Recursos Online Databricks.

Requisitos

  • O modelo deve ter sido registado com FeatureEngineeringClient.log_model (para Feature Engineering no Unity Catalog) ou FeatureStoreClient.log_model (para Workspace Feature Store). Requer a versão v0.3.5 ou superior.
  • Para lojas online de terceiros, a loja online deve ser publicada com credenciais só de leitura.

Nota

Você pode publicar a tabela de recursos a qualquer momento antes da implantação do modelo, inclusive após o treinamento do modelo.

Pesquisa automática de funcionalidades

O Azure Databricks Model Serving suporta a pesquisa automática de funcionalidades a partir destas lojas online:

A pesquisa automática de recursos é suportada para os seguintes tipos de dados:

  • IntegerType
  • FloatType
  • BooleanType
  • StringType
  • DoubleType
  • LongType
  • TimestampType
  • DateType
  • ShortType
  • DecimalType
  • ArrayType
  • MapType

Sobrepor valores das características na pontuação de modelos em linha

Todas as funcionalidades exigidas pelo modelo (identificadas com FeatureEngineeringClient.log_model ou FeatureStoreClient.log_model) são automaticamente procuradas em lojas online para a pontuação do modelo. Para substituir os valores das características ao avaliar um modelo usando uma API REST com Model Serving, inclua os valores das características como parte do payload da API.

Nota

Os novos valores de recurso devem estar em conformidade com o tipo de dados do recurso, conforme esperado pelo modelo subjacente.

Salve o DataFrame aumentado na tabela de inferência

Para endpoints criados a partir de fevereiro de 2025, pode configurar um endpoint de serviço de modelo para registar o DataFrame aumentado que contém os valores de funcionalidades consultados e os valores de retorno de função. O DataFrame é salvo na tabela de inferência para o modelo servido.

Para obter instruções sobre como definir esta configuração, consulte Registar DataFrames de consulta de funcionalidades em tabelas de inferência.

Para informações sobre tabelas de inferência, consulte Monitorar modelos servidos usando tabelas de inferência habilitadas pelo Unity AI Gateway.

Exemplos de blocos de notas

Com o Databricks Runtime 13.3 LTS e superior, qualquer tabela Delta no Unity Catalog com uma chave primária pode ser usada como uma tabela de recursos. Quando você usa uma tabela registrada no Unity Catalog como uma tabela de recursos, todos os recursos do Unity Catalog ficam automaticamente disponíveis para a tabela de recursos.

Armazém Online de Funcionalidades Databricks

O seguinte notebook ilustra como publicar funcionalidades numa Databricks Online Feature Store para fornecimento em tempo real e pesquisa automatizada de funcionalidades.

Bloco de notas demo da loja online Databricks

Obter caderno

Lojas online de terceiros

Este caderno de exemplo ilustra como publicar funcionalidades numa loja online de terceiros e depois servir um modelo treinado que procura automaticamente funcionalidades na loja online.

Bloco de anotações de exemplo de loja online de terceiros (Unity Catalog)

Obter caderno

Repositório de recursos do espaço de trabalho (legado)

Este bloco de anotações de exemplo ilustra como publicar recursos em uma loja online e, em seguida, veicular um modelo treinado que procura automaticamente recursos da loja online.

Bloco de anotações de exemplo de loja online de terceiros (Workspace Feature Store)

Obter caderno

  • Last updated on