Fornire viste delle funzionalità

Importante

Questa funzionalità è in Anteprima Pubblica. Gli amministratori dell'area di lavoro possono controllare l'accesso a questa funzionalità dalla pagina Anteprime . Vedere Gestire le anteprime di Azure Databricks.

È possibile gestire le visualizzazioni delle funzionalità online in due modi:

  • Model serving: Distribuisci un modello addestrato sulle Feature Views. L'endpoint cerca automaticamente i valori delle funzionalità dall'archivio online, usando la derivazione rilevata al momento della registrazione del modello. Usare questa opzione per gestire le stime del modello.
  • Funzionalità di gestione: distribuire un oggetto FeatureSpec che fa riferimento direttamente alle visualizzazioni delle funzionalità, senza un modello. L'endpoint restituisce i valori delle funzionalità ricercati. Usare questa opzione quando un'applicazione richiede valori di funzionalità anziché stime del modello.

Entrambi gli approcci leggono i valori delle funzionalità pre-calcolati da un negozio online, quindi è prima necessario materializzare le funzionalità in un negozio online.

I modelli addestrati usando le caratteristiche di Databricks tengono automaticamente traccia della derivazione dalle caratteristiche su cui sono stati addestrati. Quando viene distribuito come modello che gestisce gli endpoint, questi modelli usano Unity Catalog per cercare le funzionalità dagli store online.

Permissions

Per gestire una funzionalità, l'entità che crea l'endpoint di gestione del modello deve avere SELECT nella tabella del catalogo Unity che esegue il backup della funzionalità materializzata. Le ricerche online vengono lette direttamente dalla tabella materializzata, quindi il livello SELECT di tabella è ciò che concede l'accesso. Per la descrizione dei privilegi, vedere SELECT.

Poiché una tabella materializzata può contenere più di una funzionalità, concedere SELECT su di essa garantisce l'accesso a tutte le funzionalità presenti in quella tabella, non solo a quella che si intende rendere disponibile. Prima di concedere l'accesso, verificare che ogni funzionalità che condivide la tabella possa essere condivisa con l'entità. Per limitare l'esposizione, materializzare separatamente le caratteristiche sensibili.

Per concedere questo accesso senza risolvere le tabelle a mano, usare FeatureEngineeringClient.grant_feature_serving_access. Dato un modello o una specifica di funzionalità, ogni funzionalità viene risolta nella relativa tabella online, concede SELECT (insieme USE CATALOG a e USE SCHEMA) in tali tabelle alle entità specificate e restituisce un report di ogni tabella e le funzionalità aggiuntive esposte dalla concessione. Passa dry_run=True per visualizzare l'anteprima del report prima di concedere l'autorizzazione.

from databricks.feature_engineering import FeatureEngineeringClient

fe = FeatureEngineeringClient()

# Preview the tables and the features each grant would expose.
report = fe.grant_feature_serving_access(
    grant_to=["serving-principal@example.com"],
    model_uri="models:/main.ecommerce.fraud_model/1",
    dry_run=True,
)
print(report)

# Grant SELECT on the resolved online tables.
fe.grant_feature_serving_access(
    grant_to=["serving-principal@example.com"],
    model_uri="models:/main.ecommerce.fraud_model/1",
)

Distribuire un endpoint di gestione di un modello

Usare un endpoint di gestione di un modello esistente o usare Databricks SDK per crearne uno nuovo. Il modello deve essere registrato in Unity Catalog.

Il codice seguente illustra come creare un nuovo endpoint di gestione del modello. Per altre informazioni, vedere Creare endpoint di gestione di modelli personalizzati.

from databricks.sdk import WorkspaceClient
from databricks.sdk.service.serving import EndpointCoreConfigInput, ServedEntityInput

w = WorkspaceClient()

endpoint_name = "fraud-detection-endpoint"
model_name = "main.ecommerce.fraud_model"

w.serving_endpoints.create(
    name=endpoint_name,
    config=EndpointCoreConfigInput(
        name=endpoint_name,
        served_entities=[
            ServedEntityInput(
                entity_name=model_name,
                entity_version=1,
                max_provisioned_concurrency=4,
                min_provisioned_concurrency=0,
            )
        ],
    ),
)

Eseguire una query sull'endpoint

from databricks.sdk import WorkspaceClient

w = WorkspaceClient()

response = w.serving_endpoints.query(
    name="fraud-detection-endpoint",
    dataframe_records=[
        {"user_id": "user_123", "transaction_time": "2026-03-01T12:00:00"},
    ],
)

Eseguire query sull'endpoint con le funzionalità RequestSource

Se i modelli sono stati addestrati con RequestSource caratteristiche, il payload della richiesta deve includere anche tutte le RequestSource colonne. Queste colonne sono state aggiunte alla firma del modello MLflow durante log_model, quindi lo schema dell'API dell'endpoint riflette i campi di richiesta richiesti.

response = w.serving_endpoints.query(
    name="fraud-detection-endpoint",
    dataframe_records=[
        {
            "user_id": "user_123",
            "transaction_time": "2026-03-01T12:00:00",
            "transaction_amount": 275.30,  # RequestSource column
            "vendor_id": "v_42",           # RequestSource column (also used as entity key)
        },
    ],
)

Le chiavi di entità vengono usate per cercare le funzionalità supportate da tabelle dall'archivio online. RequestSource le colonne vengono passate direttamente al modello.

È anche possibile usare curl:

curl -X POST "https://<workspace>.cloud.databricks.com/serving-endpoints/<endpoint>/invocations" \
  -H "Authorization: Bearer $DATABRICKS_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "dataframe_records": [
      {
        "user_id": "user_123",
        "transaction_time": "2026-03-01T12:00:00",
        "transaction_amount": 275.30,
        "vendor_id": "v_42"
      }
    ]
  }'

Gestire le funzionalità con un FeatureSpec

Per gestire le visualizzazioni delle funzionalità senza un modello, creare un oggetto FeatureSpec che faccia riferimento alle funzionalità e distribuirlo in un endpoint di gestione delle funzionalità. L'endpoint restituisce i valori delle funzionalità di ricerca per le chiavi di entità nella richiesta.

Le funzionalità devono essere registrate in Unity Catalog e materializzate in un archivio online prima di creare l'endpoint.

Note

Un oggetto FeatureSpec che contiene viste di funzionalità non può contenere anche definizioni di FeatureLookup o di FeatureFunction. Le Feature Views non possono essere mescolate con tali definizioni nello stesso FeatureSpec.

from databricks.feature_engineering import FeatureEngineeringClient
from databricks.feature_engineering.entities.feature_serving_endpoint import (
    EndpointCoreConfig,
    ServedEntity,
)

fe = FeatureEngineeringClient()

# 1. Retrieve a registered Feature View
agg_feature = fe.get_feature(full_name="main.ecommerce.amount_sum_sliding_7d_1d")

# 2. Create a FeatureSpec that includes the Feature View
feature_spec_name = "main.ecommerce.transaction_feature_spec"
fe.create_feature_spec(name=feature_spec_name, features=[agg_feature])

# 3. Deploy a Feature Serving endpoint backed by the FeatureSpec
fe.create_feature_serving_endpoint(
    name="transaction-features",
    config=EndpointCoreConfig(
        served_entities=ServedEntity(
            feature_spec_name=feature_spec_name,
            workload_size="Small",
            scale_to_zero_enabled=True,
        )
    ),
)

Eseguire una query sull'endpoint con le chiavi di entità usate per cercare le funzionalità materializzate:

from databricks.sdk import WorkspaceClient

w = WorkspaceClient()

response = w.serving_endpoints.query(
    name="transaction-features",
    dataframe_records=[{"user_id": "user_123"}],
)

Per altre informazioni sulla gestione delle funzionalità degli endpoint, vedere Feature Serving endpoints (Endpoint di gestione delle funzionalità).

  • Last updated on