Sunma özellik tabloları

Özellik tabloları iki şekilde sunulabilir:

  • Model sunumu: Özellik tablolarında eğitilmiş bir modeli dağıtın. Aynı uç nokta hem özellik arama hem de model çıkarımı için kullanılır. Uç nokta, model kaydedildiğinde izlenen veri soyağacını kullanarak özellik değerlerini otomatik olarak arar veya hesaplar. Model tahminlerine hizmet etmek için bunu kullanın.
  • Özellik Servisi: Model olmadan doğrudan özellik tablolarına referans veren bir FeatureSpec dağıtın. Uç nokta, istenen özellik çıktılarını döndürür. Bir uygulamanın model tahminleri yerine özellik değerlerine ihtiyacı olduğunda bunu kullanın. Eğer nihayetinde model çıkarımı için öznitelikleri kullanıyorsanız, Databricks doğrudan model servisi kullanmanızı önerir.

Her iki yaklaşım da önceden hesaplanmış ve talep üzerine özellikleri destekler.

Gereksinimler

  • Databricks Runtime 14.2 ML veya üzeri.
  • Python API'sini kullanmak için Özellik Sunma, Databricks Runtime 14.2 ML'de yerleşik olarak bulunan databricks-feature-engineering sürüm 0.1.2 veya üzerini gerektirir. Önceki Databricks Runtime ML sürümleri için, %pip install databricks-feature-engineering>=0.1.2 kullanarak, gerekli sürümü el ile yükleyin. Databricks not defteri kullanıyorsanız, şu komutu yeni bir hücrede çalıştırarak Python çekirdeğini yeniden başlatmanız gerekir: dbutils.library.restartPython().
  • Databricks SDK'sını kullanmak için Özellik Sunmak, 0.18.0 veya daha yüksek bir sürüm gerektirir databricks-sdk. Gerekli sürümü el ile yüklemek için kullanın %pip install databricks-sdk>=0.18.0. Databricks not defteri kullanıyorsanız, şu komutu yeni bir hücrede çalıştırarak Python çekirdeğini yeniden başlatmanız gerekir: dbutils.library.restartPython().

Databricks Özellik Hizmeti, uç noktaları oluşturmak, güncellemek, sorgulamak ve silmek için bir kullanıcı arabirimi ve çeşitli programlı seçenekler sağlar. Bu makale, aşağıdaki seçeneklerin her biri için yönergeler içerir:

  • Databricks kullanıcı arabirimi
  • REST API
  • Python API'si
  • Databricks SDK

REST API veya MLflow Dağıtımları SDK'sını kullanmak için databricks API belirtecine sahip olmanız gerekir.

Önemli

Databricks, üretim senaryoları için en iyi güvenlik uygulaması olarak üretim sırasında kimlik doğrulaması için makineden makineye OAuth belirteçleri kullanmanızı önerir.

Databricks, test ve geliştirme için çalışma alanı kullanıcıları yerine hizmet sorumlularına ait bir kişisel erişim belirteci kullanılmasını önerir. Hizmet sorumlularına yönelik belirteçler oluşturmak için bkz. Hizmet sorumlusu için belirteçleri yönetme.

Özellik Sunma için Kimlik Doğrulaması

Kimlik doğrulaması hakkında bilgi için bkz. Azure Databricks kaynaklarına erişimi yetkilendirme.

FeatureSpec oluşturun

FeatureSpec, kullanıcı tanımlı bir özellik ve işlev kümesidir. Özellikleri ve işlevleri FeatureSpec içindekilerle birleştirebilirsiniz. FeatureSpecs Unity Kataloğu'nda depolanır ve bunlar tarafından yönetilir ve Katalog Gezgini'nde görünür.

içinde FeatureSpec belirtilen tabloların bir çevrimiçi özellik mağazasında veya üçüncü taraf çevrimiçi mağazada yayımlanması gerekir. Bkz. Databricks Online Özellik Mağazaları.

databricks-feature-engineering paketini kullanarak bir FeatureSpec oluşturmanız gerekir.

İlk olarak işlevi tanımlayın:

from unitycatalog.ai.core.databricks import DatabricksFunctionClient

client = DatabricksFunctionClient()

CATALOG = "main"
SCHEMA = "default"

def difference(num_1: float, num_2: float) -> float:
  """
  A function that accepts two floating point numbers, subtracts the second one
  from the first, and returns the result as a float.

  Args:
      num_1 (float): The first number.
      num_2 (float): The second number.

  Returns:
      float: The resulting difference of the two input numbers.
  """
  return num_1 - num_2

client.create_python_function(
  func=difference,
  catalog=CATALOG,
  schema=SCHEMA,
  replace=True
)

Ardından işlevini bir FeatureSpeciçinde kullanabilirsiniz:

from databricks.feature_engineering import (
  FeatureFunction,
  FeatureLookup,
  FeatureEngineeringClient,
)

fe = FeatureEngineeringClient()

features = [
  # Lookup column `average_yearly_spend` and `country` from a table in UC by the input `user_id`.
  FeatureLookup(
    table_name="main.default.customer_profile",
    lookup_key="user_id",
    feature_names=["average_yearly_spend", "country"]
  ),
  # Calculate a new feature called `spending_gap` - the difference between `ytd_spend` and `average_yearly_spend`.
  FeatureFunction(
    udf_name="main.default.difference",
    output_name="spending_gap",
    # Bind the function parameter with input from other features or from request.
    # The function calculates num_1 - num_2.
    input_bindings={"num_1": "ytd_spend", "num_2": "average_yearly_spend"},
  ),
]

# Create a `FeatureSpec` with the features defined above.
# The `FeatureSpec` can be accessed in Unity Catalog as a function.
fe.create_feature_spec(
  name="main.default.customer_features",
  features=features,
)

Varsayılan değerleri belirtme

Özelliklerin varsayılan değerlerini belirtmek için default_values içindeki FeatureLookup parametresini kullanın. Aşağıdaki örneğe bakın:

feature_lookups = [
    FeatureLookup(
        table_name="ml.recommender_system.customer_features",
        feature_names=[
            "membership_tier",
            "age",
            "page_views_count_30days",
        ],
        lookup_key="customer_id",
        default_values={
          "age": 18,
          "membership_tier": "bronze"
        },
    ),
]

Özellik sütunları parametresi kullanılarak rename_outputs yeniden adlandırılıyorsa, default_values yeniden adlandırılan özellik adlarını kullanmalıdır.

FeatureLookup(
  table_name = 'main.default.table',
  feature_names = ['materialized_feature_value'],
  lookup_key = 'id',
  rename_outputs={"materialized_feature_value": "feature_value"},
  default_values={
    "feature_value": 0
  }
)

Python bağımlılıkları ekle

Bir kullanıcı tanımlı işlev (UDF) Python paketlerini içe aktarıyorsa, FeatureSpec oluşturduğunuzda bunları tanımlayın. Parametre extra_pip_requirements için 0.17.0 veya üzeri sürüm gereklidir databricks-feature-engineering . Feature Serving, MLflow'u ve databricks-feature-lookup paketleri otomatik olarak yükler.

Örneğin, özellik spesifikasyonunuzdaki bir UDF NumPy'yi içe aktarıyorsa, gereksinimi spesifikasyona ekleyin:

fe.create_feature_spec(
    name="main.default.customer_features_with_dependencies",
    features=features,
    extra_pip_requirements=["numpy==1.26.4"],
)

Uç noktayı oluştururken spesifikasyon adı olarak kullanınmain.default.customer_features_with_dependencies.

extra_pip_requirements içindeki her giriş, numpy==1.26.4 gibi bir PyPI gereksinim dizesi ya da bir Unity Catalog birimindeki .whl dosyasının yolu olmalıdır. Örneğin, yüklediğiniz bir tekerlek için /Volumes/main/libraries/wheels/custom_features-1.0.0-py3-none-any.whl kullanın. Uç nokta oluşturucusunun birim üzerinde USE CATALOG ile üst katalog ve şeması üzerinde USE SCHEMA ve READ VOLUME izinlerine sahip olması gerekir.

Özel bir depodan gelen paketler için, çalışma alanı varsayılan paket deposunu yapılandırın. pip komut seçeneklerini, örneğin --index-url, extra_pip_requirements içine koymayın.

Bir Unity Kataloğundaki bağımlılıklar UDF ENVIRONMENT maddesi çevrimdışı SQL yürütme için geçerlidir. Feature Servisi, bunları otomatik olarak kopyalamaz. UDF'lerin ihtiyaç duyduğu her paketi, üst akış özelliklerindeki UDF'ler dahil, özellik spesifikasyonunun gereksinimlerinde belirtin.

Uç nokta dağıtımı başarısız olursa, paket kurulum hataları, sürüm çakışmaları veya tekerlek erişim hataları için derleme loglarını inceleyin. Bkz. Model kalitesini ve uç nokta durumunu izleme.

FeatureViewSource ve CustomUDF ile ilgili bir örnek için Serve CustomUDF özellikleri ve bunların bağımlılıkları bölümüne bakın. Model hizmeti bağımlılıkları için bkz. Özel UDF bağımlılıkları.

Uç nokta oluşturma

uç FeatureSpec noktayı tanımlar. Daha fazla bilgi için bkz. Uç noktaları sunan özel model oluşturma, Python API belgeleri veya Databricks SDK belgeleri.

Not

Gecikme süresine duyarlı olan veya saniye başına yüksek sorgu gerektiren iş yükleri için Model Sunma, uç noktaları sunan özel modelde rota iyileştirmesi sunar. Bkz. Uç noktaları sunmada yol iyileştirme.

Databricks SDK - Python

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

workspace = WorkspaceClient()

# Create endpoint
workspace.serving_endpoints.create(
  name="my-serving-endpoint",
  config = EndpointCoreConfigInput(
    served_entities=[
    ServedEntityInput(
        entity_name="main.default.customer_features",
        scale_to_zero_enabled=True,
        workload_size="Small"
      )
    ]
  )
)

Python API'si

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

fe.create_feature_serving_endpoint(
  name="customer-features",
    config=EndpointCoreConfig(
    served_entities=ServedEntity(
      feature_spec_name="main.default.customer_features",
             workload_size="Small",
             scale_to_zero_enabled=True,
             instance_profile_arn=None,
    )
  )
)

REST API

curl -X POST -u token:$DATABRICKS_API_TOKEN ${WORKSPACE_URL}/api/2.0/serving-endpoints \
    -H 'Content-Type: application/json' \
    -d '"name": "customer-features",
   "config": {
       "served_entities": [
           {
               "entity_name": "main.default.customer_features",
               "workload_size": "Small",
               "scale_to_zero_enabled": true
           }
       ]
   }'

Uç noktayı görmek için Databricks kullanıcı arabiriminin sol kenar çubuğunda Hizmet Verme'ye tıklayın. Durum Hazır olduğunda uç nokta sorgulara yanıt vermeye hazırdır. Model Sunma hakkında daha fazla bilgi edinmek için bkz. Model Sunma.

Genişletilmiş DataFrame'i çıkarım tablosuna kaydetme

Şubat 2025 itibarıyla oluşturulan uç noktalar için, model sunum uç noktasını, aranan özellik değerlerini ve işlev dönüş değerlerini içeren genişletilmiş DataFrame'i günlüğe kaydedecek şekilde yapılandırabilirsiniz. DataFrame, sunulan modelin çıkarım tablosuna kaydedilir.

Bu yapılandırmayı ayarlama yönergeleri için bkz Log özelliği arama DataFrame'lerini çıkarım tablolarına.

Çıkarım tabloları hakkında bilgi için Sunum uç noktaları için istekleri ve yanıtları günlüğe kaydetme (eski) bölümüne bakın.

Bir uç noktayı al

Bir uç noktanın meta verilerini ve durumunu almak için Databricks SDK'sını veya Python API'sini kullanabilirsiniz.

Databricks SDK - Python

from databricks.sdk import WorkspaceClient
workspace = WorkspaceClient()

endpoint = workspace.serving_endpoints.get(name="customer-features")
# print(endpoint)

Python API'si

endpoint = fe.get_feature_serving_endpoint(name="customer-features")
# print(endpoint)

Uç noktanın şemasını alma

Bir uç noktanın şemasını almak için Databricks SDK'sını veya REST API'sini kullanabilirsiniz. Uç nokta şeması hakkında daha fazla bilgi için bkz. Uç nokta şeması sunan bir model alma.

Databricks SDK - Python

from databricks.sdk import WorkspaceClient
workspace = WorkspaceClient()

# Create endpoint
endpoint = workspace.serving_endpoints.get_open_api(name="customer-features")

REST API

ACCESS_TOKEN=<token>
ENDPOINT_NAME=<endpoint name>

curl "https://example.databricks.com/api/2.0/serving-endpoints/$ENDPOINT_NAME/openapi" -H "Authorization: Bearer $ACCESS_TOKEN" -H "Content-Type: application/json"

Uç noktayı sorgulama

Bir uç noktayı sorgulamak için REST API'yi, MLflow Dağıtımları SDK'sını veya Sunum Kullanıcı Arabirimi'ni kullanabilirsiniz.

Aşağıdaki kod, MLflow Dağıtımları SDK'sını kullanırken kimlik bilgilerinin nasıl ayarlandığını ve istemcinin nasıl oluşturulacağını gösterir.

  # Set up credentials
  export DATABRICKS_HOST=...
  export DATABRICKS_TOKEN=...

  # Set up the client
  import mlflow.deployments

  client = mlflow.deployments.get_deploy_client("databricks")

Not

En iyi güvenlik uygulaması olarak otomatik araçlar, sistemler, betikler ve uygulamalarla kimlik doğrulaması yaptığınızda Databricks, çalışma alanı kullanıcıları yerine hizmet sorumlularına ait kişisel erişim belirteçlerini kullanmanızı önerir. Hizmet sorumlularına yönelik belirteçler oluşturmak için bkz. Hizmet sorumlusu için belirteçleri yönetme.

API'leri kullanarak uç noktayı sorgulama

Bu bölüm, REST API veya MLflow Dağıtımları SDK'sını kullanarak bir uç noktayı sorgulama örnekleri içerir.

MLflow Dağıtımları SDK'sı

Önemli

Aşağıdaki örnek, MLflow Dağıtımları SDK'sından predict()API'yi kullanır. Bu API Deneyseldir ve API tanımı değişebilir.

import mlflow.deployments

client = mlflow.deployments.get_deploy_client("databricks")
response = client.predict(
    endpoint="test-feature-endpoint",
    inputs={
        "dataframe_records": [
            {"user_id": 1, "ytd_spend": 598},
            {"user_id": 2, "ytd_spend": 280},
        ]
    },
)

REST API

curl -X POST -u token:$DATABRICKS_API_TOKEN $ENDPOINT_INVOCATION_URL \
  -H 'Content-Type: application/json' \
  -d '{"dataframe_records": [
          {"user_id": 1, "ytd_spend": 598},
          {"user_id": 2, "ytd_spend": 280}
      ]}'

Kullanıcı arabirimini kullanarak uç noktayı sorgulama

Bir sunum uç noktasını doğrudan Sunum Kullanıcı Arabirimi'nden sorgulayabilirsiniz. Kullanıcı arabirimi, uç noktayı sorgulamak için kullanabileceğiniz oluşturulmuş kod örnekleri içerir.

  1. Azure Databricks çalışma alanının sol kenar çubuğunda Serving öğesine tıklayın.

  2. Sorgulamak istediğiniz uç noktaya tıklayın.

  3. Ekranın sağ üst kısmında Sorgu uç noktası'na tıklayın.

    sorgu uç noktası düğmesi

  4. İstek kutusuna istek gövdesini JSON biçiminde yazın.

  5. İstek gönder'e tıklayın.

// Example of a request body.
{
  "dataframe_records": [
    { "user_id": 1, "ytd_spend": 598 },
    { "user_id": 2, "ytd_spend": 280 }
  ]
}

Query uç noktası iletişim kutusu curl, Python ve SQL'de oluşturulan örnek kodu içerir. Örnek kodu görüntülemek ve kopyalamak için sekmelere tıklayın.

sorgu uç noktası iletişim kutusu

Kodu kopyalamak için metin kutusunun sağ üst kısmındaki kopyala simgesine tıklayın.

sorgu uç noktası iletişim kutusundaki kopyala düğmesi

Uç noktayı güncelleştirme

Önemli

Özellik Sunma uç noktasının yapılandırmasını değiştirmek için (veya iş yükü boyutunu değiştirmek FeatureSpec gibi), her zaman bu bölümde açıklanan güncelleştirme API'lerini kullanın. Değişiklikleri uygulamak için uç noktayı silmeyin ve yeniden oluşturmayın. Canlı bir uç noktanın silinmesi ani bir kesintiye yol açar ve onu sorgulayan tüm uygulamaları kesintiye uğratır.

REST API, Databricks SDK veya Sunum Kullanıcı Arabirimini kullanarak bir uç noktayı güncelleştirebilirsiniz.

API'leri kullanarak uç noktayı güncelleştirme

Databricks SDK - Python

from databricks.sdk import WorkspaceClient
workspace = WorkspaceClient()

workspace.serving_endpoints.update_config(
  name="my-serving-endpoint",
  served_entities=[
    ServedEntityInput(
      entity_name="main.default.customer_features",
      scale_to_zero_enabled=True,
      workload_size="Small"
    )
  ]
)

REST API

curl -X PUT -u token:$DATABRICKS_API_TOKEN ${WORKSPACE_URL}/api/2.0/serving-endpoints/<endpoint_name>/config \
  -H 'Content-Type: application/json' \
  -d '"served_entities": [
        {
            "name": "customer-features",
            "entity_name": "main.default.customer_features_new",
            "workload_size": "Small",
            "scale_to_zero_enabled": True
        }
    ]'

Kullanıcı arabirimini kullanarak uç noktayı güncelleştirme

Hizmet Kullanıcı Arayüzünü kullanmak için şu adımları takip edin:

  1. Azure Databricks çalışma alanının sol kenar çubuğunda Serving öğesine tıklayın.
  2. Tabloda, güncelleştirmek istediğiniz uç noktanın adına tıklayın. Uç nokta ekranı görüntülenir.
  3. Ekranın sağ üst kısmında Uç noktayı düzenle'ye tıklayın.
  4. Sunum uç noktasını düzenle iletişim kutusunda, uç nokta ayarlarını gerektiği gibi düzenleyin.
  5. Değişikliklerinizi kaydetmek için Güncelleştir'e tıklayın.

uç noktayı güncelleştirme

Canlı Özellik Hizmeti uç noktasının bağımlılıklarını güncelle

Bir Özellik Sunma uç noktası, ilk oluşturulup dağıtıldığında bağımlılıklarını çözümler: hizmet sorumlusunun çevrimiçi tabloyu okumak için ihtiyaç duyduğu ayrıcalıklar (USE CATALOG, USE SCHEMA ve SELECT) ve FeatureSpec içinde açıklanan Unity Catalog UDF üzerindeki EXECUTE. Uç nokta, bu izinleri derleme zamanında sabitler ve basit bir yeniden dağıtım veya yeniden başlatma sırasında bunları yeniden çözümlemez. Çevrimiçi tabloyu veya UDF'yi yeniden oluşturursanız, uç nokta bunun üzerindeki iznini kaybeder. UDF'yi yerinde güncellerseniz, uç nokta orijinal sürümü çalıştırmaya devam eder. Özellik sorgulamaları başarısız olabilir veya uç nokta Hazır durumunu bildirmeye devam etse bile eski UDF mantığını sessizce kullanabilir.

Hem çevrimiçi tablolar hem de talep üzerine UDF'ler için Databricks, sürümlü bir göç önerir: bağımlılığın yeni bir sürümü oluşturun, ona karşı yeni bir uç nokta oluşturun ve trafiği yeni uç noktaya taşıyın. Bu, bu bölümde açıklanan kesinti ve arıza modlarından kaçınmanıza yardımcı olur.

Çevrimiçi bir tablo yeniden oluşturun

Uyarı

Canlı Feature Serving uç noktası altında çevrimiçi bir tabloyu silip yeniden oluşturmayın.

Bir uç nokta oluşturduğunuzda, Model Serving uç noktanın hizmet sorumlusuna çevrimiçi tablonun kataloğunda USE CATALOG iznini, şemasında USE SCHEMA iznini ve çevrimiçi tabloda SELECT iznini verir. Tabloyu silip yeniden oluşturmak, aynı adla bile, Unity Kataloğu'nda yeni bir güvenliği yapılandırılabilir nesne oluşturur, bu nedenle SELECT izni aktarılmaz. Hizmet sorumlusu tabloya erişimi kaybeder, OAuth belirteci oluşturma başarısız olur ve çevrimiçi mağazaya bağlantı tekrar şifre doğrulamasına geçer ve başarısız olur. Özellik sorgulamaları daha sonra KeyError: 'OAUTH_TOKEN' veya password authentication failed gibi hatalarla başarısız olur.

Bu hataları kolayca gözden kaçırmak mümkündür: uç nokta hâlâ Hazır bildirir ve senkronizasyon boru hattı başarılı çalışmaları gösterirken, aramalar başarısız olur. Çevrimiçi bir tablonun senkronizasyon modunu (örneğin, SNAPSHOT ile CONTINUOUS arasında) değiştirmek yerinde yapılamaz ve tablonun yeniden oluşturulmasını gerektirir, bu da bu sorunu tetikleyebilir.

Bir uç nokta belirli bir çevrimiçi tabloyu okumaz. FeatureSpec içinde adlandırılan çevrimdışı özellik tablosu aracılığıyla özellikleri arar; bir özellik tablosu birden fazla çevrimiçi tabloya yayımlandığında, uç nokta en eski olanı kullanır. Aynı özellik tablosunu ikinci bir çevrimiçi tabloya yayımlamak, bir uç noktayı yeni çevrimiçi tabloya taşımaz. Online Feature Store sınırlamalarına bakınız.

Kesinti süresini en aza indirmek için, çevrimdışı özellik tablosunu ve çevrimiçi tabloyu sürüme alın:

  1. Yeni bir çevrimdışı özellik tablosu oluşturun ve sürümü adına ekleyin (örneğin, customer_features_v2).
  2. Yeni özellik tablosunu yeni bir çevrimiçi tabloya yayınlayın. Bkz. Özellik tablosu yayımlama.
  3. Yeni özellik tablosunu kullanan yeni bir FeatureSpec oluşturun ve bunu sunan yeni bir Özellik Sunma uç noktası oluşturun.
  4. Trafiği yeni uç noktaya taşıyın. Eski uç nokta artık trafik almadığında, onu ve çevrimiçi tablosunu silin.

Talep üzerine bir UDF'yi güncelle

Uyarı

Bir FeatureSpec tarafından kullanılan Unity Kataloğu UDF'sini yerinde değiştirmeyin.

A FeatureSpec için isteğe bağlı UDF, dağıtım sırasında hizmet veren uç noktaya entegre edilir. Basit bir yenileme veya yeniden dağıtım, aynı UDF'yi o hizmet görüntüsünde tekrar kullanır. Aynı isimle UDF'ye yapılan yerinde bir güncelleme etkili olmaz. UDF'yi bırakıp yeniden oluşturursanız, uç nokta da üzerindeki EXECUTE öğesini kaybeder; bu nedenle UDF kullanan aramalar başarısız olur.

FeatureSpecs ve UDF'lerin sürüm alanı yoktur, bu yüzden isme göre sürümleyin: yeni bir UDF ve yeni bir FeatureSpec oluşturun, yeni FeatureSpec kullanan yeni bir uç nokta oluşturun ve trafiği ona aktarın. Bkz. Bir FeatureSpec oluşturun.

Bkz. Talep üzerine özellik hesaplaması.

Yerinde yapılan bir değişiklikten sonra bir uç noktayı geri yükle

Zaten bir bağımlılığı yerinde değiştirdiyseniz, uç noktayı yeniden oluşturun ki bağımlılıklarını yeniden çözsün. Yeni bir FeatureSpec uç nokta oluşturun (veya Model Serving uç noktası için yeni bir model sürümü kaydedin) ve bunu sunacak şekilde uç noktayı güncelleyin. Uç noktanın hizmet verdiği şeyi değiştirmek, uç noktayı yeniden oluşturur; bu da yeni bir hizmet sorumlusu sağlar ve izin ayarlarını yeniden uygular. Bunların hiçbiri endpoint'i güvenilir şekilde yeniden inşa etmez: durdurup başlatmak, basit bir yeniden dağıtım veya bir ortam değişkenini değiştirmek.

Uç noktayı silme

Uyarı

Bu eylem geri alınamaz. Özellik Sunma uç noktasının silinmesi, onu sorgulayan tüm uygulamalarda anında kesinti yaşanmasına neden olur. Uç noktanın yapılandırmasını değiştirmek istiyorsanız, uç noktayı silip yeniden oluşturmak yerine Uç noktayı güncelleştir'i kullanın.

REST API, Databricks SDK, Python API veya Sunum Kullanıcı Arabirimi kullanarak bir uç noktayı silebilirsiniz.

API'leri kullanarak uç noktayı silme

Databricks SDK - Python

from databricks.sdk import WorkspaceClient
workspace = WorkspaceClient()

workspace.serving_endpoints.delete(name="customer-features")

Python API'si

fe.delete_feature_serving_endpoint(name="customer-features")

REST API

curl -X DELETE -u token:$DATABRICKS_API_TOKEN ${WORKSPACE_URL}/api/2.0/serving-endpoints/<endpoint_name>

Kullanıcı arabirimini kullanarak uç noktayı silme

Sunum Kullanıcı Arabirimini kullanarak bir uç noktayı silmek için şu adımları izleyin:

  1. Azure Databricks çalışma alanının sol kenar çubuğunda Serving öğesine tıklayın.
  2. Tabloda, silmek istediğiniz uç noktanın adına tıklayın. Uç nokta ekranı görüntülenir.
  3. Ekranın sağ üst kısmında kebap menüsü Kebap menü simgesine tıklayın ve Sil'i seçin.

uç noktayı silme

Uç noktanın durumunu izleme

Özellik Sunma uç noktaları için kullanılabilen günlükler ve ölçümler hakkında bilgi için bkz. Model kalitesini ve uç nokta durumunu izleme.

Erişim denetimi

Bir Model Sunma uç noktasındaki izinler hakkında bilgi için bkz. Model sunma uç noktasındaki izinleri yönetme.

Örnek not defteri

Bu not defteri Databricks Çevrimiçi Özellik Deposu kullanarak Özellik Sunma uç noktası oluşturmak için Databricks SDK'sının nasıl kullanılacağını gösterir.

Özellik Çevrimiçi mağaza ile örnek not defteri sunma

Not defterini alma

  • Son güncelleştirme: