Anmerkung
Der Zugriff auf diese Seite erfordert eine Genehmigung. Du kannst versuchen, dich anzumelden oder die Verzeichnisse zu wechseln.
Der Zugriff auf diese Seite erfordert eine Genehmigung. Du kannst versuchen , die Verzeichnisse zu wechseln.
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.
Von Bedeutung
Databricks-Onlinetabellen (Legacy) sind veraltet und können nach dem 15. Januar 2026 nicht mehr zugänglich sein. Wenn Sie über Onlinetabellen verfügen, empfiehlt Databricks, diese in den Databricks Online Feature Store zu migrieren. Siehe Migrieren von Legacy- und Drittanbieter-Online-Tabellen.
Anforderungen
- Das Modell muss mit
FeatureEngineeringClient.log_model(für Feature Engineering im Unity-Katalog) oderFeatureStoreClient.log_model(für den Legacy Workspace Feature Store) protokolliert sein. Es erfordert Version 0.3.5 oder höher. - Für Onlinespeicher von Drittanbietern muss der Onlinespeicher mit schreibgeschützten Anmeldeinformationen veröffentlicht werden.
Hinweis
Sie können die Featuretabelle jederzeit vor der Modellbereitstellung veröffentlichen, auch nach dem Modelltraining.
Automatische Featuresuche
Azure Databricks-Modellbereitstellung unterstützt die automatische Featuresuche aus den folgenden Onlineshops:
- Databricks Online Feature Store
- Azure Cosmos DB (v0.5.0 und höher)
Die automatische Featuresuche wird für die folgenden Datentypen unterstützt:
IntegerTypeFloatTypeBooleanTypeStringTypeDoubleTypeLongTypeTimestampTypeDateTypeShortTypeDecimalTypeArrayTypeMapType
Überschreiben von Featurewerten bei der Onlinemodellbewertung
Alle Features, die für das Modell erforderlich sind (protokolliert mit FeatureEngineeringClient.log_model oder FeatureStoreClient.log_model), werden automatisch in Onlineshops für die Modellbewertung gesucht. Schließen Sie die Featurewerte als Teil der API-Payload ein, um Featurewerte bei der Bewertung eines Modells mithilfe einer REST-API mit der Modellbereitstellung zu überschreiben.
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 Inferencetabellen finden Sie unter "Inference tables for monitoring and debugging models".
Notebook-Beispiele: Unity Catalog
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.
Das folgende Notebook veranschaulicht, wie Features in Onlinetabellen veröffentlicht werden, um die Echtzeitbereitstellung zu ermöglichen und automatisierte Featuresuche zu erstellen.
Demonotebook für Onlinetabellen
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.
Beispielnotebook für einen Onlinespeicher eines Drittanbieters (Unity Catalog)
Notizbuchbeispiele: Arbeitsbereich-Feature-Store (Legacy)
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.