Databricks Özellik Deposu

Bu sayfa, Unity Kataloğu ile Databricks Özellik Deposu'nu kullandığınızda kullanılabilen özelliklere genel bir bakış sağlar.

Databricks Özellik Deposu, yapay zeka ve ML modellerinizde kullanılan özellikler için merkezi bir kayıt defteri sağlar. Özellik tabloları ve modelleri Unity Kataloğu'nda kayıtlıdır ve yerleşik idare, köken ve çalışma alanları arası özellik paylaşımı ve bulma sağlar. Databricks ile model eğitim iş akışının tamamı aşağıdakiler dahil olmak üzere tek bir platformda gerçekleşir:

• Ham verileri alan, özellik tabloları oluşturan, modelleri eğiten ve toplu çıkarım gerçekleştiren veri işlem hatları.
• Tek tıklamayla kullanılabilen ve milisaniyelik gecikme süresi sağlayan model ve özellik sunma uç noktaları.
• Veri ve model izleme.

Modelleri eğitmek için özellik deposundaki özellikleri kullandığınızda model, kökenleri eğitimde kullanılan özelliklere göre otomatik olarak izler. Çıkarım zamanında model otomatik olarak en son özellik değerlerini arar. Özellik deposu, gerçek zamanlı uygulamalar için isteğe bağlı özellikler hesaplaması da sağlar. Özellik deposu tüm özellik hesaplama görevlerini işler. Bu, eğitim/hizmet dengesizliğini ortadan kaldırarak çıkarımda kullanılan özellik hesaplamalarının model eğitimi sırasında kullanılanlarla aynı olmasını sağlar. Ayrıca, tüm özellik aramaları ve hesaplamaları özellik deposu tarafından işlenmek üzere istemci tarafı kodunu önemli ölçüde basitleştirir.

Uyarı

Bu sayfa Unity Kataloğu için etkinleştirilen çalışma alanları için özellik mühendisliği ve sunma özelliklerini kapsar. Çalışma alanınız Unity Kataloğu için etkinleştirilmemişse bkz. Çalışma Alanı Özellik Deposu (eski).

Kavramsal genel bakış

Databricks Özellik Deposu'nun nasıl çalıştığına genel bakış ve terimler sözlüğü için bkz . Özellik deposuna genel bakış ve sözlük.

Özellik mühendisliği

Özellik	Description
Unity Kataloğu'nda özellik tablolarıyla çalışma	Özellik tabloları oluşturun ve bunlarla çalışın.

Özellikleri keşfetme ve paylaşma

Özellik	Description
Unity Kataloğu'ndaki özellikleri keşfetme	Katalog Gezgini'ni ve Özellikler kullanıcı arabirimini kullanarak özellik tablolarını keşfedin ve yönetin.
Unity Kataloğu'nda özellik tablolarıyla ve özelliklerle etiketleri kullanma	Özellik tablolarınızı ve özelliklerinizi kategorilere ayırmak ve yönetmek için basit anahtar-değer çiftlerini kullanın.

Eğitim iş akışlarında özellikleri kullanma

Özellik	Description
Modelleri eğitmek için özellikleri kullanma	Modelleri eğitmek için özellikleri kullanın.
Belirli bir noktaya özellik birleşimleri	Etiket gözleminin kaydedildiği zaman itibarıyla özellik değerlerini yansıtan bir eğitim veri kümesi oluşturmak için belirli bir noktaya doğru olma özelliğini kullanın.
Python API'si	Python API başvurusu

Hizmet özellikleri

Özellik	Description
Databricks Online Özellik Depoları	Özellik verilerini çevrimiçi uygulamalara ve gerçek zamanlı makine öğrenmesi modellerine sunma. Databricks Lakebase tarafından desteklenir.
Otomatik özellik arama ile Model Sunma	Bir çevrimiçi mağazadan özellik değerlerini otomatik olarak arayın.
Özellik Sunma uç noktaları	Databricks dışındaki modellere ve uygulamalara özellik sunma.
İsteğe bağlı özellik hesaplaması	Çıkarım sırasında özellik değerlerini hesaplayın.

Özellik yönetimi ve soy izleme

Özellik	Description
Özellik idaresi ve köken	Özellik tablolarına erişimi denetlemek ve özellik tablosu, modeli veya işlevinin kökenini görüntülemek için Unity Kataloğu'nu kullanın.

Tutorials

Tutorial	Description
Başlamak için örnek not defterleri	Temel not defteri. Özellik tablosu oluşturmayı, modeli eğitmek için kullanmayı ve otomatik özellik aramasını kullanarak toplu puanlama çalıştırmayı gösterir. Ayrıca özellik aramak ve kökeni görüntülemek için Özellik Mühendisliği kullanıcı arabirimini gösterir. Taksi örneği not defteri. Model eğitimi ve toplu çıkarım için özellik oluşturma, güncelleştirme ve kullanma sürecini gösterir.
Örnek: Uç nokta sunan bir özelliği dağıtma ve sorgulama	Uç nokta sunan bir özelliği dağıtma ve sorgulamayı gösteren öğretici ve örnek not defteri.
Örnek: Yapılandırılmış RAG uygulamalarıyla özellikleri kullanma	Databricks çevrimiçi tablolarının nasıl kullanılacağını gösteren öğretici ve artırılmış nesil (RAG) uygulamaları için uç noktaları sunan özellikler.

Gereksinimler

• Unity Kataloğu için çalışma alanınızın etkinleştirilmesi gerekir.
• Unity Kataloğu'nda özellik mühendisliği için Databricks Runtime 13.3 LTS veya üzeri gerekir.

Çalışma alanınız bu gereksinimleri karşılamıyorsa, eski Çalışma Alanı Özellik Deposu'kullanma hakkında bilgi için bkz. Çalışma Alanı Özellik Deposu (eski).

Desteklenen veri türleri

Unity Kataloğu ve eski Çalışma Alanı Özellik Deposu'ndaki özellik mühendisliği, numaralı aşağıdakiPySpark veri türlerini destekler:

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

[1] BinaryType, DecimalTypeve MapType , Unity Kataloğu'nda ve Çalışma Alanı Özellik Deposu v0.3.5 veya üzeri sürümlerde Özellik Mühendisliği'nin tüm sürümlerinde desteklenir. [2] StructType Özellik Mühendisliği v0.6.0 veya üzerinde desteklenir.

Yukarıda listelenen veri türleri, makine öğrenmesi uygulamalarında yaygın olan özellik türlerini destekler. Örneğin:

• Yoğun vektörleri, tensörleri ve eklemeleri olarak ArrayTypedepolayabilirsiniz.
• Seyrek vektörleri, tensorları ve eklemeleri olarak MapTypedepolayabilirsiniz.
• Metni olarak StringTypedepolayabilirsiniz.

Çevrimiçi mağazalarda ArrayType yayımlandığında ve MapType özellikler JSON biçiminde depolanır.

Özellik Deposu kullanıcı arabirimi, özellik veri türlerinde meta verileri görüntüler:

Daha Fazla Bilgi

En iyi yöntemler hakkında daha fazla bilgi için Özellik Mağazalarının Kapsamlı Kılavuzu'nu indirin.