本文說明如何在你的 端點模型 中使用無伺服器優化部署。 無伺服器優化的部署大幅縮短部署時間，並保持模型服務環境與模型訓練環境不變。
什麼是無伺服器優化部署？
無伺服器優化部署在模型註冊時，利用無伺服器筆記本環境來封裝和暫存模型工件，這樣能加速終端部署，並在訓練和服務間維持環境的一致性。
這與非無伺服器優化部署不同，後者在部署時將模型產物與環境封裝於容器中。 在這種情況下，服務環境可能與模型訓練時所使用的環境不符。
需求
無伺服器優化端點與模型服務端點（見 需求）有相同的需求。 此外：
- 該模型必須是自訂模型（而非 FMAPI）
- 模型必須使用版本 3 或 4，在無伺服器筆記本中登錄並註冊。
- 該模型必須登記並註冊於
mlflow>=3.1 - 該模型必須在 UC 註冊並由 CPU 提供
- 該型號的最大環境容量為 1GB
使用無伺服器優化部署
在記錄和註冊模型時，使用無伺服器筆記本，搭配客戶端 3 或 4 和 mlflow>=3.1。
若要調整無伺服器環境的用戶端版本，請參見 「配置無伺服器環境」。
然後，在註冊模型時，設定 env_pack 參數為所需值。
import mlflow
from mlflow.utils.env_pack import EnvPackConfig
mlflow.register_model(
model_info.model_uri,
model_name,
env_pack=env_pack=EnvPackConfig(name="databricks_model_serving")
)
添加 env_pack 參數後，會在模型註冊時打包並預置模型工件及無伺服器筆記本環境，以便在部署時使用。 這可能會比不包含 env_pack 註冊模型時花費更多時間。
EnvPackConfig預設有一個參數install_dependenciesTrue，用來判斷模型的相依關係是否安裝在目前環境中，以確認該環境是否有效。 如果你想跳過這個步驟，可以將值設為 False。
備註
在沒有網際網路存取的工作區中的端點，或依賴自訂函式庫的端點，若 install_dependencies 設定為 True，則可能會失敗。 在這些情況下，設 install_dependencies 為 False。
你也可以用 EnvPackConfig(...) 作為 "databricks_model_serving" 的簡稱來取代。 這相當於 EnvPackConfig(name="databricks_model_serving", install_dependencies = True)。
註冊完成模型後，你可以將 模型部署到模型服務中。 請注意部署時間縮短，事件日誌不再顯示容器建置。