Szolgáltatásfejlesztés és -szolgáltatás

Ez a lap a Unity Cataloghoz engedélyezett munkaterületek funkciótervezési és szolgáltatási képességeit ismerteti. Ha a munkaterület nincs engedélyezve a Unity Cataloghoz, tekintse meg a Munkaterület funkciótárolóját (örökölt) ismertető témakört.

Miért érdemes a Databricks szolgáltatást tárolni?

A Databricks Adatintelligencia-platformmal a modell teljes betanítási munkafolyamata egyetlen platformon zajlik:

• A nyers adatokat betöltést, szolgáltatástáblák létrehozását, modellek betanítását és kötegelt következtetést végző adatfolyamok. Amikor a Unity Catalog szolgáltatásfejlesztésével tanít be és naplóz egy modellt, a modell szolgáltatás-metaadatokkal lesz csomagolva. Amikor a modellt kötegelt pontozáshoz vagy online következtetéshez használja, az automatikusan lekéri a funkcióértékeket. A hívónak nem kell tudnia róluk, és nem kell logikát használnia az új adatok pontozásához szükséges funkciók kereséséhez vagy összekapcsolásához.
• Az egyetlen kattintással elérhető és ezredmásodperc késést biztosító végpontokat kiszolgáló modell és szolgáltatás.
• Adat- és modellfigyelés.

A platform emellett a következőket is biztosítja:

• Funkciófelderítés. A Databricks felhasználói felületén böngészhet és kereshet funkciók között.
• Irányítás. A funkciótáblákat, függvényeket és modelleket a Unity Catalog szabályozza. A modell betanításakor a betanított adatoktól örökli az engedélyeket.
• Származás. Amikor szolgáltatástáblát hoz létre az Azure Databricksben, a szolgáltatástábla létrehozásához használt adatforrások mentése és akadálymentesítése történik. A funkciótáblák minden egyes funkciója esetében elérheti a szolgáltatást használó modelleket, jegyzetfüzeteket, feladatokat és végpontokat.
• Munkaterületek közötti hozzáférés. A szolgáltatástáblák, függvények és modellek automatikusan elérhetők minden olyan munkaterületen, amely hozzáfér a katalógushoz.

Követelmények

• A munkaterületet engedélyezni kell a Unity Cataloghoz.
• A Unity Catalog szolgáltatásfejlesztéséhez a Databricks Runtime 13.3 LTS vagy újabb verziója szükséges.

Ha a munkaterület nem felel meg ezeknek a követelményeknek, tekintse meg a munkaterület funkciótárolóját (örökölt) a munkaterület funkciótárolójának használatáról.

Hogyan működik a Databricks szolgáltatásfejlesztése?

A Databricks szolgáltatásfejlesztését használó tipikus gépi tanulási munkafolyamat az alábbi elérési utat követi:

1. Írjon kódot a nyers adatok funkciókká alakításához, és hozzon létre egy Spark DataFrame-et, amely tartalmazza a kívánt funkciókat.
2. Delta-tábla létrehozása a Unity Catalogban. Az elsődleges kulccsal rendelkező Delta-táblák automatikusan funkciótáblák.
3. Modell betanítása és naplózása a funkciótáblával. Ha ezt teszi, a modell tárolja a betanításhoz használt funkciók specifikációit. Amikor a modellt következtetésre használják, automatikusan összekapcsolja a megfelelő funkciótáblák funkcióit.
4. Modell regisztrálása a Modellregisztrációs adatbázisban.

Mostantól a modell használatával előrejelzéseket készíthet az új adatokról. Köteghasználati esetek esetén a modell automatikusan lekéri a szükséges funkciókat a Feature Store-ból.

A használati esetek valós idejű kiszolgálásához tegye közzé a funkciókat egy online táblában. Harmadik féltől származó online áruházak is támogatottak. Tekintse meg a külső online áruházakat.

A következtetési időpontban a modell beolvassa az előre kiszámított funkciókat az online áruházból, és összekapcsolja őket az ügyfélkérésben megadott adatokkal a végpontot kiszolgáló modellhez.

Funkciófejlesztés használatának megkezdése – példajegyzetfüzetek

Első lépésként próbálja ki ezeket a példajegyzetfüzeteket. Az alapszintű jegyzetfüzet végigvezeti a funkciótáblák létrehozásán, a modell betanításán, majd a kötegelt pontozáson az automatikus funkciókereséssel. Emellett bemutatja a Szolgáltatásmérnöki felhasználói felületet is, és bemutatja, hogyan használhatja a szolgáltatások keresésére, valamint a szolgáltatások létrehozásának és használatának megértésére.

Alapszintű szolgáltatásfejlesztés a Unity Catalog példajegyzetfüzetében

Jegyzetfüzet beszerzése

A taxis példajegyzetfüzet bemutatja a funkciók létrehozásának, frissítésének és a modell betanításához és a kötegkövetkeztetésekhez való használatát.

Funkciófejlesztés a Unity Catalog taxi-példajegyzetfüzetében

Jegyzetfüzet beszerzése

Támogatott adattípusok

A Unity Catalog és a munkaterület funkciótárolójának szolgáltatásfejlesztése a következő PySpark-adattípusokat támogatja:

• IntegerType
• FloatType
• BooleanType
• StringType
• DoubleType
• LongType
• TimestampType
• DateType
• ShortType
• ArrayType
• BinaryType [1]
• DecimalType [1]
• MapType [1]
• StructType [2]

[1] BinaryType, DecimalTypeés MapType a Unity Catalog és a Workspace Feature Store 0.3.5-ös vagy újabb verziójában is támogatott. [2] StructType a Feature Engineering 0.6.0-s vagy újabb verziójában támogatott.

A fent felsorolt adattípusok támogatják a gépi tanulási alkalmazásokban gyakran használt funkciótípusokat. Példa:

• A sűrű vektorokat, tenzorokat és beágyazásokat ArrayTypea következőképpen tárolhatja.
• A ritka vektorokat, tenzorokat és beágyazásokat MapTypea következőképpen tárolhatja.
• A szöveget a következőképpen StringTypetárolhatja: .

Az online áruházakban való közzétételkor a ArrayType MapType szolgáltatások JSON formátumban vannak tárolva.

A Szolgáltatástár felhasználói felülete metaadatokat jelenít meg a funkciók adattípusainál:

További információ

Az ajánlott eljárásokkal kapcsolatos további információkért töltse le a Funkciótárak átfogó útmutatóját.