Modellbereitstellung mit automatischer Merkmalsuche

Model Serving kann Feature-Werte automatisch aus einem Databricks Online Feature Store oder einem Online-Speicher eines Drittanbieters abfragen. Für die Echtzeitbereitstellung von Featurewerten empfiehlt Databricks die Verwendung von Databricks Online Feature Stores.

Anforderungen

  • Das Modell muss mit FeatureEngineeringClient.log_model (für Feature Engineering im Unity-Katalog) oder FeatureStoreClient.log_model (für den Legacy Workspace Feature Store) protokolliert sein. Es erfordert Version 0.3.5 oder höher.
  • Für Onlineshops von Drittanbietern muss der Onlineshop mit Anmeldedaten mit reinem Lesezugriff veröffentlicht werden.

Hinweis

Sie können die Featuretabelle jederzeit vor der Modellbereitstellung veröffentlichen, auch nach dem Modelltraining.

Automatische Funktionssuche

Azure Databricks-Modellbereitstellung unterstützt die automatische Featuresuche aus den folgenden Onlineshops:

Die automatische Featuresuche wird für die folgenden Datentypen unterstützt:

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

Featurewerte bei der Onlinebewertung von Modellen überschreiben

Alle vom Modell benötigten Features (protokolliert mit FeatureEngineeringClient.log_model oder FeatureStoreClient.log_model) werden zur Modellbewertung automatisch aus Online-Stores abgerufen. Um Featurewerte beim Bewerten eines Modells über eine REST-API unter Verwendung von Model Serving zu überschreiben, fügen Sie die Featurewerte als Teil der API-Nutzlast hinzu.

Hinweis

Die neuen Featurewerte müssen dem Datentyp des Features entsprechen, wie es vom zugrunde liegenden Modell erwartet wird.

Speichern des erweiterten DataFrames in der Ableitungstabelle

Für Endpunkte, die ab Februar 2025 erstellt werden, können Sie einen Modellbereitstellungsendpunkt konfigurieren, um den erweiterten DataFrame zu protokollieren, der die nachgeschlagenen Merkmalswerte und Funktionsrückgabewerte enthält. Der DataFrame wird in der Inferenztabelle für das bereitgestellte Modell gespeichert.

Anweisungen zum Festlegen dieser Konfiguration finden Sie unter Protokollfeatures-Lookup DataFrames in Inferencetabellen übertragen.

Informationen zu Inferenztabellen finden Sie unter Bereitgestellte Modelle mithilfe von Inferenztabellen mit aktiviertem Unity AI Gateway überwachen.

Notebook-Beispiele

Mit Databricks Runtime 13.3 LTS und höher kann jede Delta-Tabelle in Unity Catalog mit einem Primärschlüssel als Featuretabelle verwendet werden. Wenn Sie eine in Unity Catalog registrierte Tabelle als Featuretabelle verwenden, sind alle Unity Catalog-Funktionen automatisch für die Featuretabelle verfügbar.

Databricks Online Feature Store für maschinelles Lernen und Datenmanagement

Das folgende Notizbuch veranschaulicht, wie Features in einem Databricks Online Feature Store veröffentlicht werden, um in Echtzeit bedient zu werden und die Featuresuche zu automatisieren.

Das Databricks-Online-Store-Demonstrationsnotizbuch

Notebook abrufen

Drittanbieter-Online-Geschäfte

In diesem Beispielnotizbuch wird veranschaulicht, wie Features in einem Onlinespeicher eines Drittanbieters veröffentlicht und anschließend ein trainiertes Modell bereitgestellt wird, das die Features automatisch aus dem Onlinespeicher abruft.

Beispiel-Notebook für einen Onlineshop eines Drittanbieters (Unity Catalog)

Notebook abrufen

Legacy-Feature-Speicher des Arbeitsbereichs

Dieses Beispielnotebook veranschaulicht, wie Funktionen in einem Online-Shop veröffentlicht und dann ein trainiertes Modell bereitgestellt werden, das automatisch Funktionen aus dem Online-Shop sucht.

Beispielnotizbuch eines Drittanbieter-Online-Shops (Workspace Feature Store)

Notebook abrufen

  • Last updated on