Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Rilis dilakukan bertahap. Akun Azure Databricks Anda mungkin tidak diperbarui hingga satu minggu setelah tanggal rilis awal.
Detail eksekusi perintah
27 Maret - 3 April 2018: Versi 2.68
Saat Anda menjalankan perintah di buku catatan, Anda sekarang akan melihat informasi kemajuan terperinci.
CLI Databricks mendukung --profile
27 Maret - 3 April 2018: Versi 2.68
Databricks CLI 0.6.1 mendukung --profile di semua posisi.
Lihat Legacy Databricks CLI.
ACL diaktifkan secara default untuk pelanggan SKU Premium baru
27 Maret - 3 April 2018: Versi 2.68
Daftar kontrol akses (ACL) sekarang diaktifkan secara default untuk semua pelanggan baru di Premium SKU. Pelanggan yang sudah ada harus terus mengaktifkan ACL secara manual.
Lihat Daftar kontrol akses tidak dapat lagi dinonaktifkan.
Azure Databricks kini tersedia secara umum
22 Maret 2018
Kami dengan senang hati mengumumkan bahwa Azure Databricks sekarang tersedia secara umum. Dalam beberapa minggu terakhir, kami telah menambahkan fungsionalitas untuk membantu membuat pengalaman Azure Databricks menjadi lebih baik, termasuk:
- Peering jaringan virtual (VNet), yang memungkinkan Anda menggunakan Apache Kafka di HDInsight dengan Azure Databricks
- Microsoft Power BI sekarang menyertakan konektor Spark bawaan
- Konektor Azure Synapse Analytics
- Dukungan Azure Data Factory v2 (pratinjau)
- Manajemen rahasia (pratinjau)
- Lebih banyak wilayah Azure
- Peningkatan performa dan dokumentasi
Dan tentu saja Azure Databricks terus menyediakan integrasi mudah dengan penyimpanan Azure Blob dan Azure Cosmos DB.
Sebagai tambahan untuk dokumentasi yang disediakan di situs ini, learn.microsoft.com menyediakan materi pengantar, informasi tentang manajemen akun Azure, dan tutorial end-to-end.
Tema situs dokumen baru
21 Maret 2018
Kami telah memperbarui tampilan dan nuansa situs dokumentasi kami. Kami harap Anda menyukainya!
Penyimpanan lokal yang berskala otomatis
13-20 Maret 2018: Versi 2.67
Semua kluster di Azure Databricks meluncur dengan memiliki penyimpanan lokal yang dapat diskalakan otomatis. Ini berarti bahwa Azure Databricks secara otomatis melampirkan disk terkelola tambahan ke mesin virtual pekerja kluster setiap kali mereka kehabisan disk.
Lihat Aktifkan penyimpanan lokal dengan penskalaan otomatis untuk informasi selengkapnya.
Interkoneksi jaringan virtual (VNet)
13-20 Maret 2018: Versi 2.67
Menambahkan dukungan untuk peering jaringan virtual (VNet), yang memungkinkan jaringan virtual tempat sumber daya Azure Databricks Anda berjalan untuk terhubung dengan jaringan virtual Azure lainnya.
Lihat Jaringan virtual peer untuk informasi lebih lanjut.
Catatan peristiwa klaster
13-20 Maret 2018: Versi 2.67
Halaman detail kluster memiliki tab Log Peristiwa baru yang menampilkan peristiwa siklus hidup kluster penting. Peristiwa historis dapat dilihat selama 60 hari, yang sebanding dengan waktu retensi data lainnya di Azure Databricks.
Lihat Log peristiwa komputasi untuk informasi selengkapnya.
CLI Databricks: Rilis 0.6.0
13 Maret 2018: databricks-cli 0.6.0
CLI Databricks sekarang mendukung Python 3.
Lihat CLI Databricks versi lama untuk informasi selengkapnya.
Manajemen pelaksanaan pekerjaan
13-20 Maret 2018: Versi 2.67
Anda sekarang dapat menghapus pekerjaan yang dijalankan di halaman detail pekerjaan dan halaman jalankan pekerjaan.
Pelaksanaan pekerjaan Ambil Output pada endpoint adalah GA, dan batas maksimum output yang dikembalikan telah ditingkatkan menjadi 5 MB.
Mengedit izin kluster sekarang memerlukan mode edit
13-20 Maret 2018: Versi 2.67
Sebelumnya dimungkinkan untuk mengedit izin kluster tanpa mengklik Edit, yang tidak konsisten dengan atribut kluster lainnya.
Efek samping dari perubahan ini adalah Anda tidak dapat lagi mengedit izin kluster saat kluster tertunda.
Ekspor Model Databricks ML
1 Maret 2018
Dokumentasi sekarang mencakup cara menggunakan Databricks ML Model Export, yang memungkinkan Anda mengekspor model dan pipa ML penuh dari Apache Spark. Model dan alur yang diekspor ini dapat diimpor ke platform lain (Spark dan non-Spark) untuk melakukan penilaian dan membuat prediksi. Ekspor Model ditujukan untuk aplikasi bertenaga ML yang ringan dan berlatensi rendah.
Catatan
Fitur ini memerlukan Databricks Runtime 4.0+.
Lihat ekspor model MLeap ML untuk informasi lebih lanjut.