Partager via

Mars 2018

  • Article

Les publications se font par étapes. Votre compte Azure Databricks peut ne pas être mis à jour jusqu’à une semaine après la date de publication initiale.

Détails de l’exécution des commandes

27 mars au 3 avril 2018 : Version 2.68

Lorsque vous exécutez une commande dans un notebook, des informations détaillées sur la progression s’affichent.

L’interface CLI Databricks prend en charge --profile

27 mars au 3 avril 2018 : Version 2.68

Databricks CLI 0.6.1 prend en charge --profile dans toutes les positions.

Consultez l’interface CLI Databricks (héritée).

Listes ACL activées par défaut pour les nouveaux clients de la référence SKU Premium

27 mars au 3 avril 2018 : Version 2.68

Les listes de contrôle d’accès (ACL) sont désormais activées par défaut pour tous les nouveaux clients dans la référence SKU Premium. Les clients existants doivent continuer à activer les listes de contrôle d’accès manuellement.

Consultez Les listes de contrôles d’accès ne peuvent plus être désactivées.

Azure Databricks est désormais mis à la disposition générale

22 mars 2018

Nous sommes heureux de vous annoncer qu’Azure Databricks est désormais mis à la disposition de tous. Au cours des dernières semaines, nous avons ajouté des fonctionnalités pour aider à améliorer l’expérience Azure Databricks, notamment :

Et bien sûr, Azure Databricks continue de fournir des intégrations faciles avec Stockage Azure Blob, Azure Data Lake Store et Azure Cosmos DB.

En complément de la documentation fournie sur ce site, learn.microsoft.com fournit des documents de présentation, des informations sur la gestion des comptes Azure et des didacticiels complets.

Nouveau thème pour le site de la documentation

21 mars 2018

Nous avons mis à jour l’apparence de notre site de documentation. Nous espérons que vous appréciez !

Mise à l’échelle automatique du stockage local

13-20 mars 2018 : Version 2.67

Tous les clusters sur Azure Databricks sont lancés avec la mise à l’échelle automatique du stockage local activé. Cela signifie qu’Azure Databricks associe automatiquement des disques managés supplémentaires aux machines virtuelles Worker de cluster chaque fois qu’elles s’exécutent sur un disque faible.

Pour plus d’informations, consultez Activer la mise à l’échelle automatique du stockage local.

Peering de réseau virtuel (VNet)

13-20 mars 2018 : Version 2.67

Ajoute une prise en charge pour le peering du réseau virtuel, qui permet au réseau virtuel dans lequel s’exécute votre ressource Azure Databricks de s’appairer avec un autre réseau virtuel Azure.

Pour plus d’informations, consultez Réseaux virtuels homologues.

Journal des événements du cluster

13-20 mars 2018 : Version 2.67

La page Détails du cluster contient un nouvel onglet Journal des événements qui affiche les événements importants du cycle de vie du cluster. Les événements d’historique peuvent être affichés pendant 60 jours, ce qui est comparable à d’autres temps de conservation des données dans Azure Databricks.

Pour plus d’informations, consultez Journaux des événements de calcul.

Databricks CLI : version 0.6.0

13 mars 2018 : databricks-cli 0.6.0

Databricks CLI prend désormais en charge Python 3.

Pour plus d’informations, consultez Interface CLI Databricks (héritée).

Gestion des exécutions de travaux

13-20 mars 2018 : Version 2.67

Vous pouvez maintenant supprimer une exécution de travail dans la page Détails du travail et la page Exécution du travail.

Le point de terminaison d’exécution de la tâche Get Output est GA et la sortie maximale retournée a été augmentée à 5 Mo.

La modification des autorisations d’un cluster nécessite désormais le mode édition

13-20 mars 2018 : Version 2.67

Auparavant, il était possible de modifier les autorisations d’un cluster sans cliquer sur Modifier, ce qui était incohérent avec d’attributs de cluster.

Avec cette modification, vous ne pouvez plus modifier les autorisations de cluster lorsqu’un cluster est en attente.

Exportation du modèle ML Databricks

1 mars 2018

La documentation explique désormais comment utiliser l’Exportation du modèle ML Databricks, ce qui vous permet d’exporter des modèles et des pipelines ML complets à partir d’Apache Spark. Ces modèles et pipelines exportés peuvent être importés dans d’autres plateformes (Spark et non Spark) pour procéder au scoring et faire des prédictions. L’Exportation du modèle est destinée aux applications optimisées ML à faible latence et légères.

Notes

Cette fonctionnalité requiert Databricks Runtime 4.0+.

Pour plus d’informations, consultez Exportation de modèle ML MLeap.