Databricks Özellik Mağazası

Databricks Özellik Deposu, yapay zeka ve ML modellerinizde kullanılan özellikler için merkezi bir kayıt defteridir. Unity Catalog'da özellik ve modelleri kaydettiğinizde, yerleşik yönetim, veri soyağacı, zaman içinde birleştirmeler ve çalışma alanları arası özellik paylaşımı ve keşfi elde edersiniz.

İki strateji kullanarak özellikler oluşturabilirsiniz.

Her ikisi de Unity Kataloğu tarafından yönetilen özellikler üretir ve bu özellikler Online Feature Store'da yayınlanır. Bkz. Bir içerik oluşturma stratejisi seçin.

• Özellikleri deklaratif olarak tanımlayan ve Databricks'in sizin için özellik işlem hatlarını hesaplayıp yönetmesini sağlayan Özellik Görünümleri.
• Özellik tabloları, özellik değerlerini bir Delta tablosuna yazarak kendiniz doldurursunuz.

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

Uyarı

Bu sayfada Unity Kataloğu için etkinleştirilmiş çalışma alanları için Databricks Özellik Deposu açıklanmaktadır. Çalışma alanınız Unity Kataloğu için etkinleştirilmemişse bkz . Çalışma Alanı Özellik Deposu (kullanım dışı).

Kavramsal genel bakış

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

Bir yazarlık stratejisi seçin

Feature Store, özellik yazmanın iki yolunu destekler. Her ikisi de Unity Kataloğu tarafından yönetilen özellikler oluşturur ve her ikisi de Online Feature Store'a yayımlayabilir. Genel olarak, çoğu yeni vaka için Özellik Görünümleri önerilir, ancak esnek, çok aşamalı toplu iş yükleri için özellik tabloları en uygun olanlardır.

Strateji	En iyi kullanım alanları	Nasıl çalışır?
Özellik Görünümü (önerilen)	Çoğu yeni proje, zaman pencereli toplamalar ve akış özellikleri.	Özellikleri Unity Catalog Feature nesneleri olarak deklaratif olarak tanımlayın. Databricks feature pipeline’ları oluşturur ve yönetir. Kayıt öncesi notebook'ta yerel olarak tanımlanmış özellikler üzerinde deneyler yapabilir ve özellik boru hatlarını oluşturabilirsiniz. Stream Feature View, Gerçek zamanlı moddan Online Feature Store'a doğrudan yazma ile saniyenin altında güncellenen güncel özellik verilerini destekler.
Özellik tabloları	Lakeflow veya Spark Declarative Pipelines kullanarak hesapladığınız özellikler ve Delta Sharing, üçüncü taraf bir çevrimiçi mağaza veya yalnızca genel kullanıma sunulan (GA) bir oluşturma yolu gerektiren iş yükleri.	Özellik değerlerini, birincil anahtarı olan Unity Kataloğu'ndaki bir Delta tablosuna yazın. Tabloyu dolduran ve yenileyen işlem hattından sorumlusunuz.

Özellik geliştirme

Özellik	Description
Özellik Görünümleri	Zaman pencereli toplamalar ve akış özellikleri dahil olmak üzere Özellik Görünümleri kullanarak özellikleri deklaratif olarak tanımlayın ve hesaplayın.
Özellik Görünümlerini Materialize Et	Çevrimdışı eğitim veya çevrimiçi sunum için Feature View'ları Materialize edin.
Varlıklar için özellik değerlerini temizleme	Çevrimdışı ve çevrimiçi mağazalardan seçilen varlıklar için maddeleştirilmiş özellik değerlerini kaldırın.
Unity Kataloğu'nda özellik tabloları	Özellik tabloları oluşturun ve bunlarla çalışın.

Özellikleri keşfetme ve paylaşma

Özellik	Description
Unity Kataloğu'nda özellik tablolarını keşfetme	Katalog Gezgini'ni ve Özellikler kullanıcı arabirimini kullanarak özellik tablolarını keşfedin ve yönetin.
Unity Kataloğu'nda etiketleri, özellik tabloları ve özelliklerle birlikte kullanma	Özellik tablolarınızı ve özelliklerinizi kategorilere ayırmak ve yönetmek için basit anahtar-değer çiftlerini kullanın.
Unity Kataloğu'nda Özellik Görünümlerini Keşfetme	Databricks kullanıcı arabiriminde Özellik Görünümü tanımlarına ve gerçekleştirme durumuna göz atın.

Eğitim iş akışlarında özellikleri kullanma

Özellik	Description
Özellik tabloları ile modelleri eğitin	Modelleri eğitmek için özellikleri kullanın.
Zaman noktasındaki özellik birleşimleri	Etiket gözleminin kaydedildiği zamandaki özellik değerlerini yansıtan bir eğitim veri kümesi oluşturmak için zamana özgü doğruluğu kullanın.
Özellik Mühendisliği Python API'si	Python API referansı

Hizmet özellikleri

Özellik	Description
Databricks Online Özellik Mağazalar	Özellik verilerini çevrimiçi uygulamalara ve gerçek zamanlı makine öğrenmesi modellerine sunma. Databricks Lakebase tarafından desteklenir.
Otomatik özellik arama ile Model Sunma	Bir çevrimiçi veri deposundan özellik değerlerini otomatik olarak arayın.
Sunma özellik tabloları	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 tabloları ve özellik sunma uç noktalarının nasıl kullanılacağını gösteren, elden geçirilmiş üretim (RAG) uygulamaları için öğretici.

Gereksinimler

Databricks Özellik Deposu'nu kullanmak için çalışma alanınızın Unity Kataloğu için etkinleştirilmesi gerekir. Çalışma alanınız Unity Kataloğu için etkinleştirilmemişse bkz . Çalışma Alanı Özellik Deposu (kullanım dışı).

Desteklenen veri türleri

Databricks Özellik Deposu ve eski Çalışma Alanı Özellik Deposu aşağıdaki PySpark 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.