Automatische kenmerkzoekfunctie met Databricks Model Serving
Model Serving kan automatisch functiewaarden opzoeken uit gepubliceerde online stores of vanuit online tabellen. Zie Onlinetabellen gebruiken voor realtime-functiebediening voor meer informatie over het maken en werken met onlinetabellen.
Vereisten
- Het model moet zijn geregistreerd met
FeatureEngineeringClient.log_model(voor feature-engineering in Unity Catalog) ofFeatureStoreClient.log_model(voor legacy Workspace Feature Store) en vereist versie 0.3.5 of hoger. - Voor online winkels van derden moet de online winkel worden gepubliceerd met alleen-lezen-gegevens.
Notitie
U kunt de functietabel op elk gewenst moment vóór de modelimplementatie publiceren, inclusief na de modeltraining.
Automatische functiezoekactie
Azure Databricks Model Serving biedt ondersteuning voor het automatisch opzoeken van functies vanuit deze online winkels:
- Databricks Online tabellen
- Azure Cosmos DB (v0.5.0 en hoger)
Automatisch zoeken naar functies wordt ondersteund voor de volgende gegevenstypen:
IntegerTypeFloatTypeBooleanTypeStringTypeDoubleTypeLongTypeTimestampTypeDateTypeShortTypeDecimalTypeArrayTypeMapType
Waarden van functies overschrijven bij online modelscoreberekeningen
Alle kenmerken die vereist zijn voor het model (geregistreerd met FeatureEngineeringClient.log_model of FeatureStoreClient.log_model) worden automatisch opgezocht vanuit online winkels voor modelscores. Als u functiewaarden wilt overschrijven bij het scoren van een model met behulp van een REST API met Model Serving, zorg er dan voor dat de functiewaarden worden opgenomen als onderdeel van de API-lading.
Notitie
De nieuwe functiewaarden moeten voldoen aan het gegevenstype van de functie zoals verwacht door het onderliggende model.
Sla het verrijkte DataFrame op in de inference tabel
Voor eindpunten die zijn gemaakt vanaf februari 2025, kunt u een model voor eindpunten configureren om het uitgebreide DataFrame te registreren dat de opgezoekde functiewaarden en functie-retourwaarden bevat. Het DataFrame wordt opgeslagen in de inferentietabel voor het geserveerde model.
Raadpleeg Logboekfunctie-opzoektabellen voor DataFrames naar inferentietabellenvoor instructies om deze configuratie in te stellen.
Zie Deductietabellen voor het bewaken en opsporen van fouten in modellenvoor meer informatie over deductietabellen.
Notebook-voorbeelden: Unity Catalog
Met Databricks Runtime 13.3 LTS en hoger kan elke Delta-tabel in Unity Catalog met een primaire sleutel worden gebruikt als een functietabel. Wanneer u een tabel gebruikt die is geregistreerd in Unity Catalog als een functietabel, zijn alle Unity Catalog-mogelijkheden automatisch beschikbaar voor de functietabel.
In het volgende notebook wordt geïllustreerd hoe u kenmerken publiceert naar onlinetabellen voor realtime beschikbaarstelling en automatisch opzoeken van kenmerken.
Demo-notitieblok voor online tabellen
In dit voorbeeldnotitieblok ziet u hoe u functies publiceert in een onlinewinkel en vervolgens een getraind model gebruikt waarmee automatisch functies uit de online winkel worden opgezoekd.
Voorbeeld notitieboek van een derden online winkel (Unity Catalog)
Voorbeeld notitieblok: Werkruimte Feature Store (verouderd)
In dit voorbeeldnotitieblok ziet u hoe u functies publiceert in een onlinewinkel en vervolgens een getraind model gebruikt waarmee automatisch functies uit de online winkel worden opgezoekd.