Not
Bu sayfaya erişim yetkilendirme gerektiriyor. Oturum açmayı veya dizinleri değiştirmeyi deneyebilirsiniz.
Bu sayfaya erişim yetkilendirme gerektiriyor. Dizinleri değiştirmeyi deneyebilirsiniz.
Important
Yeni kullanım örnekleri için Databricks aracı kodu, sunucu yapılandırması ve dağıtım iş akışı üzerinde tam denetim için Databricks Uygulamalarına aracı dağıtmanızı önerir. Bkz. Bir yapay zeka aracısı yazma ve Databricks Uygulamalarında dağıtma. Mevcut bir ajanı taşımak için Model Sunumu'ndan Databricks Uygulamalarına ajan göç ettirme bölümüne bakın.
Important
Kullanımdan kaldırma bildirimi: 4 Aralık 2025 itibarıyla Databricks, payload_request_logs ve payload_assessment_logs tablolarını artık otomatik olarak doldurmayacaktır. Bu tablolar kullanım dışı bırakıldı.
- agents.deploy() aracılığıyla yeni dağıtılan aracılar artık request_logs veya assessment_logs tablo oluşturmaz.
- Eski request_logs ve assessment_logs tabloları artık doldurulmaz. Gerçekleştirilmiş görünümleri kullanarak kendi değiştirme tablonuzu oluşturabilirsiniz. Bkz. MLflow 2 için alternatif çözümler.
- Geri bildirim günlüğü için kullanılan eski deneysel API, artık databricks-agents'ın en son sürümüyle dağıtılan aracılar için desteklenmeyecektir. Bunun yerine MLflow 3 Değerlendirmeleri API'sini kullanın.
Eylem gerekli:
- Önerilen: Daha iyi performansla birleşik günlük kaydı sağlayan gerçek zamanlı izlemeyi kullanmak için MLflow 3'e yükseltin .
- Alternatif: MLflow 2'yi kullanmaya devam etmeniz gerekiyorsa, verilerinize erişimi korumak için alternatif çözümlere bakın.
Bir yapay zeka aracısını dağıttığınızda Databricks, aracınıza gelen ve aracınızdan gelen istekleri ve yanıtları otomatik olarak yakalayan üç çıkarım tablosu oluşturur. Bu tablolar performansı izlemenize, sorunları ayıklamanıza ve kullanıcı geri bildirimlerini çözümlemenize yardımcı olur.
| Çıkarım tablosu | Örnek Azure Databricks tablo adı | Tablo içeriği |
|---|---|---|
| Yük | {catalog_name}.{schema_name}.{model_name}_payload |
Ham JSON isteği ve yanıt yükleri |
| Yük verisi isteği günlükleri | {catalog_name}.{schema_name}.{model_name}_payload_request_logs |
Biçimlendirilmiş istek ve yanıtlar. MLflow izlemeleri. Ham yük tablosundan türetilmiştir. |
| Yük değerlendirme günlükleri | {catalog_name}.{schema_name}.{model_name}_payload_assessment_logs |
Her istek için Gözden Geçirme Uygulamasında sağlandığı gibi biçimlendirilmiş geri bildirim Ham yük tablosundan türetilmiştir. |
- Ham JSON verileri, aracınız bir istek aldıktan sonra bir saat içinde yük tablosuna girer.
- İstek günlükleri ve değerlendirme günlükleri tabloları yük tablosundaki verileri işler ve biçimlendirır. Bu ek zaman alır.
- Gerekirse verileri yük tablosundan el ile ayıklayabilir ve işleyebilirsiniz.
- Yük tablosundaki değişiklikler (silmeler veya güncelleştirmeler) türetilmiş tablolarla otomatik olarak eşitlenmez.
Neler değişiyor?
Databricks artık payload_request_logs ve payload_assessment_logs tablolarını otomatik olarak doldurmaz.
Çalışmaya devam eden: Ham payload tablo yeni isteklerden veri almaya devam eder.
MLflow 3'e geçiş yapın ve aracı günlüklerini birleştirmek için gerçek zamanlı izlemeyi kullanın
Databricks, temsilci uç noktalarının MLflow 3'e geçirilmesini kesinlikle önerir. MLflow 3 gerçek zamanlı izleme, tüm aracı günlüklerinizi tek bir izleme konumunda birleştirerek ayrı request_logs ve assessment_logs tablo gereksinimini ortadan kaldırır.
| Miras Gözlemlenebilirlik | MLflow 3 Gözlemlenebilirliği | |
|---|---|---|
| Veri toplama gecikmesi | 1+ saat | <10'lu yıllar |
| Veri Düzenleme | İzlemeler ve kullanıcı geri bildirimleri (değerlendirmeler) ayrı Unity Kataloğu tablolarında (request_logs ve assessment_logs) ayıklanır. |
İzlemeler, geri bildirimler ve değerlendirmeler gibi gözlemlenebilirlikle ilgili tüm verilerinize aynı denemede kolayca erişilebilir. |
| Geri Bildirim Toplama | Yeterince desteklenmiyor. Verileri yük çıkarımı tablosuna yerleştiren deneysel geri bildirim API'sini kullanır. | MLflow 3 değerlendirme, insan etiketleme ve değerlendirme veri kümelerini yönetmeye yönelik basitleştirilmiş API'ler sağlar. |
| Monitoring | Yeterince desteklenmiyor. Destek, eski yerleşik hakimler ve yönergeler yargıcıyla sınırlı olan ve özel ölçüm desteği olmayan artık kullanım dışı bırakılmış eski izleme ile sınırlıdır. Geçmiş izleme, yük isteği günlüklerinin üzerinde çalışır, bu da aracı yanıtlarınızın değerlendirilmesinin 1 saatten fazla süreceği anlamına gelir. |
İzleme, herhangi bir Puanlayıcıyı destekleyen MLflow 3'e yerel olarak entegre edilmiştir.
Geçmiş izlemelere geçmişe dönük olarak yeni ölçümler uygulamak için ölçüm geri doldurma özelliklerini içerir. İzlemeler değerlendirme için MLflow'dan okunur ve izlemenin gecikme süresi 15-30 dakikaya düşer. |
MLflow 3, izlere değerlendirmeler ekler, ardından izleri, tüm yük, yanıt ve ara adım günlükleriyle birlikte MLflow izleme sunucusuna günlüğe kaydeder. Bkz. Geliştirme sırasında etiketleme ve Kavramlar ve veri modeli.
Göç Adımları
- MLflow 3'e yükseltme: Aracınızın MLflow 3.1.3 veya üzerini kullandığına emin olun. MLflow 3 ile aracıları dağıttığınızda izleme otomatik olarak etkinleştirilir.
# Install prerequisites
%pip install mlflow>=3.1.3
# Restart Python to make sure the new packages are picked up
dbutils.library.restartPython()
- Ajanınızı kaydedin: Ajanı normal şekilde kaydedin ve MLflow 3.1.3 veya üzerini gerektirdiğinden emin olun. Ardından modeli UC'ye kaydedin.
# Log your agent
with mlflow.start_run():
logged_agent_info = mlflow.pyfunc.log_model(
name="my_agent",
pip_requirements=[
"mlflow>=3.1.3",
],
...
)
# Register your model to UC
uc_registered_model_info = mlflow.register_model(
model_uri=logged_agent_info.model_uri, name=UC_MODEL_NAME
)
- Ajanınızı kurun: Ajanı normalde kurduğunuz gibi kurun. İsteğe bağlı olarak, izlerin günlüğe kaydedileceği yeri denetlemek için dağıtımdan önce MLflow deneyinizi yapılandırın. Bunu yapmazsanız, izlemeler şu anda etkin olan MLflow denemesine kaydedilir.
import mlflow
from databricks import agents
# Set experiment for trace logging
mlflow.set_experiment("/path/to/your/experiment")
# Deploy with automatic tracing
deployment = agents.deploy(uc_model_name, uc_model_info.version)
# Retrieve the query endpoint URL for making API requests
deployment.query_endpoint
Note
MLflow 3 şu anda hizmet sunma uç noktası başına en çok 100.000 izlemeyi desteklemektedir. Daha yüksek sınırlara ihtiyacınız olduğunu düşünüyorsanız Databricks hesap ekibinize başvurun.
Daha fazla bilgi için bkz. Databricks'te dağıtılan izleme aracıları .
MLflow 2'yi kullanmaya devam etmek için alternatif seçenekler
Important
MLflow 2 alternatif yöntemleri, aracı izleme etkinleştirilmiş uç noktaları desteklemez. İzleme kullanıyorsanız MLflow 3'e geçmeniz ve monitörlerinizi MLflow 3 puanlayıcıları olarak yeniden oluşturmanız gerekir.
MLflow 3'e yükseltemiyorsanız Databricks ham payload tabloyu doldurmaya devam eder. Ancak Databricks artık bu verileri payload_requests_logs ve payload_assessment_logs tablolarına işlemez.
Bunun yerine Databricks, aynı biçimlendirilmiş verileri sağlayan yük tablolarınız üzerinde görünümler oluşturur. Bu verilere erişmek için iki seçeneğiniz vardır. Sağlanan görünümleri kullanın veya maddi görünümler oluşturun.
1. Seçenek: Sağlanan görünümleri kullanma
En basit yöntem, oluşturulan görünümleri payload_request_logs_view kullanmak ve payload_assessment_logs_view kullanım dışı bırakılan tabloların yerine kullanmaktır.
Bu görünümler, aynı biçimlendirilmiş verileri sağlamak için yük tablosunu sorgular ve kurulum gerektirmeden hemen çalışır.
İsteğe bağlı olarak, kod değişikliklerini en aza indirmek için görünümleri özgün tablo adlarınızla eşleşecek şekilde yeniden adlandırın.
2. Seçenek: Gerçekleştirilmiş görünümler oluşturma
Sağlanan görünümler (payload_request_logs_view ve payload_assessment_logs_view) verileri, yük tablosunu sorgulayarak gerçek zamanlı olarak hesaplar. Alternatif olarak, gerçek zamanlı izleme gibi fiziksel Delta tabloları gerektiren senaryolar için maddileştirilmiş görünümler oluşturun.
Görünümlerinizi gerçekleştirilmiş görünümlere dönüştürmek için aşağıdaki not defterini çalıştırın:
Ajan çıkarım günlükleri için maddileştirilmiş görünümler oluşturma
Sık sorulan sorular
Mevcut istek günlüklerimde ve değerlendirme günlüklerimde bulunan verilere ne olur?
Çıkarım tablolarınızdaki mevcut verilere erişilebilir olmaya devam edecektir. Ancak, 4 Aralık 2025'ten sonra request_logs ve assessment_logs tablolarına yeni veri doldurulmayacak.
Aracı dağıtımım bozulacak mı?
Hayır, mevcut ajan dağıtımlarınız çalışmaya devam etmektedir ve veri çıkarım tablolarınız doldurulmaya devam etmektedir. Ancak kullanımdan kaldırma tarihlerinin ardından request_logs ve assessment_logs tablolarında veri almazsınız. Sağlanan görünümleri kullanın veya eşdeğer işlevselliği korumak için MLflow 3'e geçin.
Geçişle ilgili yardıma ihtiyacınız varsa Databricks destek ekibinize başvurun.