Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
O Serviço de Modelo pode pesquisar automaticamente valores de recursos de um Repositório de Recursos do Databricks Online ou de um repositório online de terceiros. Para serviço em tempo real de valores de características, o Databricks recomenda o uso de Repositórios de Características do Databricks Online.
Requisitos
- O modelo deve ter sido registrado em
FeatureEngineeringClient.log_model(para Engenharia de Funcionalidades no Catálogo do Unity) ouFeatureStoreClient.log_model(para o Repositório de Funcionalidades do Workspace herdado), requer v0.3.5 e versões posteriores). - Para lojas online de terceiros, a loja online precisa ser publicada com credenciais de somente leitura.
Observação
Você pode publicar a tabela de recursos a qualquer momento antes da implantação do modelo, incluindo após o treinamento do modelo.
Pesquisa automática de funcionalidades
O Azure Databricks Serviço de Modelos oferece suporte à busca automática de atributos destes armazenamentos online:
- Repositório de Recursos do Databricks Online
- Azure Cosmos DB (v0.5.0 e superior)
Há suporte para consulta automática de atributos nos seguintes tipos de dados:
IntegerTypeFloatTypeBooleanTypeStringTypeDoubleTypeLongTypeTimestampTypeDateTypeShortTypeDecimalTypeArrayTypeMapType
Sobrescrever valores de atributos na pontuação online do modelo
Todos os atributos exigidos pelo modelo (indicados com FeatureEngineeringClient.log_model ou FeatureStoreClient.log_model) são consultados automaticamente em armazenamentos online para a pontuação do modelo. Para sobrescrever os valores das variáveis ao avaliar um modelo usando uma API REST com Model Serving, inclua os valores das variáveis como parte do payload da API.
Observação
Os novos valores de recurso devem estar em conformidade com o tipo de dados do recurso, conforme o esperado pelo modelo subjacente.
Salvar o DataFrame aumentado na tabela de inferência
Para endpoints criados a partir de fevereiro de 2025, você pode configurar um endpoint de serviço de modelo para registrar o DataFrame enriquecido que contém os valores de características consultadas e os valores de retorno de função. O DataFrame é salvo na tabela de inferência do modelo servido.
Para obter instruções sobre como definir essa configuração, confira Registrar DataFrames de pesquisa de recursos em tabelas de inferência.
Para obter informações sobre tabelas de inferência, consulte Monitore modelos servidos usando tabelas de inferência habilitadas para o Unity AI Gateway.
Exemplos de notebook
Com o Databricks Runtime 13.3 LTS e superior, qualquer tabela Delta no Catálogo Unity com uma chave primária pode ser usada como uma tabela de recursos. Quando você usa uma tabela registrada no Catálogo do Unity como uma tabela de recursos, todos os recursos do Catálogo do Unity ficam automaticamente disponíveis para a tabela de recursos.
Repositório de Recursos do Databricks Online
O notebook a seguir ilustra como publicar recursos em um Repositório de Recursos do Databricks Online para atendimento em tempo real e pesquisa automatizada de recursos.
Notebook de demonstração do repositório online do Databricks
Lojas online de terceiros
Este notebook de exemplo ilustra como publicar recursos em uma loja online de terceiros e, em seguida, fornecer um modelo treinado que pesquisa automaticamente os recursos da loja online.
Exemplo de notebook da loja online de terceiros (Catálogo do Unity)
Repositório de Recursos do Workspace (herdado)
Este notebook de exemplo ilustra como publicar recursos em um repositório online e fornecer um modelo treinado que pesquisa automaticamente os recursos do repositório online.