Remarque
L’accès à cette page requiert une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page requiert une autorisation. Vous pouvez essayer de modifier des répertoires.
Model Service peut rechercher automatiquement des valeurs de fonctionnalités à partir d’un magasin de fonctionnalités Databricks Online ou d’un magasin en ligne tiers. Pour la mise en service en temps réel des valeurs de caractéristiques, Databricks recommande d’utiliser des Magasins de caractéristiques en ligne Databricks.
Spécifications
- Le modèle doit avoir été enregistré avec
FeatureEngineeringClient.log_model(pour l'ingénierie des fonctionnalités dans le catalogue Unity) ouFeatureStoreClient.log_model(pour le magasin de fonctionnalités d’espace de travail hérité). Il nécessite la version 0.3.5 et ultérieure.
- Pour les boutiques en ligne tierces, la boutique en ligne doit être publiée avec des identifiants en lecture seule.
Remarque
Vous pouvez publier la table de caractéristiques à tout moment avant le déploiement du modèle, y compris après l’entraînement de ce dernier.
Recherche automatique de caractéristiques
Le service de modèles Azure Databricks prend en charge la recherche automatique de variables dans les magasins en ligne suivants :
- Magasin de fonctionnalités Databricks Online
- Azure Cosmos DB (v0.5.0 et versions ultérieures)
La recherche automatique de caractéristiques est prise en charge pour les types de données suivants :
IntegerTypeFloatTypeBooleanTypeStringTypeDoubleTypeLongTypeTimestampTypeDateTypeShortTypeArrayTypeMapType
Remplacer les valeurs des caractéristiques lors de l’évaluation en ligne du modèle
Toutes les caractéristiques requises par le modèle (consignées avec FeatureEngineeringClient.log_model ou FeatureStoreClient.log_model) sont automatiquement récupérées depuis des boutiques en ligne pour l’évaluation du modèle. Pour remplacer des valeurs de caractéristiques lors du scoring d’un modèle avec une API REST avec Mise en service de modèles, incluez les valeurs de caractéristiques dans le cadre de la charge utile de l’API.
Remarque
Les nouvelles valeurs de fonctionnalité doivent être conformes au type de données de la fonctionnalité comme prévu par le modèle sous-jacent.
Enregistrer le DataFrame augmenté dans la table d’inférence
Pour les points de terminaison créés à partir de février 2025, vous pouvez configurer un modèle servant un point de terminaison pour consigner le DataFrame augmenté qui contient les valeurs de fonctionnalité recherchées et les valeurs de retour de fonction. Le DataFrame est enregistré dans la table d’inférence pour le modèle servi.
Pour obtenir des instructions sur le paramétrage de cette configuration, consultez DataFrames de recherche de fonctionnalités de journal des tables d’inférence.
Pour plus d’informations sur les tables d’inférence, consultez Surveiller les modèles servis à l’aide de tables d’inférence compatibles avec la passerelle AI.
Exemples de cahiers
Avec Databricks Runtime 13.3 LTS et versions ultérieures, toute table Delta dans Unity Catalog avec une clé primaire peut être utilisée comme table de caractéristiques. Lorsque vous utilisez une table enregistrée dans Unity Catalog en tant que table de fonctionnalités, toutes les fonctionnalités de Unity Catalog sont automatiquement disponibles pour la table de fonctionnalités.
Magasin de fonctionnalités Databricks Online
Le bloc-notes suivant montre comment publier des fonctionnalités dans un Feature Store Databricks Online pour un service en temps réel et une recherche de fonctionnalités automatisée.
Bloc-notes de démonstration du magasin en ligne Databricks
Magasins tiers en ligne
Cet exemple de notebook montre comment publier des fonctionnalités dans un magasin en ligne tiers, puis servir un modèle formé qui recherche automatiquement des fonctionnalités à partir du magasin en ligne.
Carnet d’exemple pour une boutique en ligne tierce (Unity Catalog)
Magasin de caractéristiques de l’espace de travail (hérité)
Cet exemple de notebook montre comment publier des fonctionnalités dans un magasin en ligne, puis servir un modèle formé qui recherche automatiquement des fonctionnalités à partir du magasin en ligne.