Releaseopmerkingen voor Databricks feature engineering en Werkruimte Feature Store (verouderd)

Op deze pagina vindt u releases van de Databricks Feature Engineering in de Unity Catalog-client en de Databricks Workspace Feature Store-client. Beide clients zijn beschikbaar op PyPI als databricks-feature-engineering.

De bibliotheken worden gebruikt voor het volgende:

• Functietabellen maken, lezen en schrijven.
• Modellen trainen op functiegegevens.
• Functietabellen publiceren naar online platforms voor realtime levering.

Zie Databricks Feature Store voor gebruiksdocumentatie. Zie Python-API voor documentatie over Python-API.

De functie-engineering in de Unity Catalog-client werkt voor functies en functietabellen in Unity Catalog. De Workspace Feature Store-client werkt voor features en featuretabellen in de Workspace Feature Store. Beide clients zijn vooraf geïnstalleerd in Databricks Runtime voor Machine Learning. Ze kunnen ook worden uitgevoerd op Databricks Runtime na installatie databricks-feature-engineering vanuit PyPI (pip install databricks-feature-engineering). Alleen voor het testen van eenheden kunnen beide clients lokaal of in CI/CD-omgevingen worden gebruikt.

Zie voor een tabel met compatibiliteit van clientversies met Databricks Runtime- en Databricks Runtime ML-versiesFeature Engineering-compatibiliteitsmatrix. Oudere versies van de Databricks Workspace Feature Store-client zijn beschikbaar op PyPI als databricks-feature-store.

databricks-feature-engineering 0.8.0

• Ondersteuning voor het gebruik van params in score_batch oproepen, waardoor extra parameters kunnen worden doorgegeven aan het model voor inferentie.
• Opgeloste fouten en verbeteringen

databricks-feature-engineering 0.7.0

• Bepaalde weergaven in Unity Catalog kunnen nu worden gebruikt als functietabellen voor offline modeltraining en -evaluatie. Zie Lezen uit een functietabel in Unity Catalog.
• Trainingssets kunnen nu worden gemaakt met functiezoekacties of een functiespecificatie. Zie de Naslaginformatie over de Python SDK.

databricks-feature-engineering 0.6.0

• Het uitvoeren van point-in-time-joins met systeemeigen Spark wordt nu ondersteund, naast bestaande ondersteuning met Tempo. Enorm dankzij Semyon Sinchenko voor het voorstellen van het idee!
• StructType wordt nu ondersteund als een PySpark-gegevenstype. StructType wordt niet ondersteund voor online serveren.
• write_table ondersteunt nu het schrijven naar tabellen waarvoor vloeibare clustering is ingeschakeld ingeschakeld.
• De naam van de timeseries_columns parameter is create_table gewijzigd in timeseries_column. Bestaande werkstromen kunnen de timeseries_columns parameter blijven gebruiken.
• score_batch ondersteunt nu de env_manager parameter. Zie de MLflow-documentatie voor meer informatie.

databricks-feature-engineering 0.5.0

• Nieuwe API-update_feature_spec in databricks-feature-engineering waarmee gebruikers de eigenaar van een FeatureSpec in Unity Catalog kunnen bijwerken.

databricks-feature-engineering 0.4.0

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.3.0

• log_model maakt nu gebruik van het nieuwe PyPI-pakket voor databricks-feature lookup , dat prestatieverbeteringen bevat voor online modelbediening.

databricks-feature-store 0.17.0

• databricks-feature-store is afgeschaft. Alle bestaande modules in dit pakket zijn beschikbaar in databricks-feature-engineering versie 0.2.0 en hoger. Zie Python-API voor meer informatie.

databricks-feature-engineering 0.2.0

• databricks-feature-engineering bevat nu alle modules van databricks-feature-store. Zie Python-API voor meer informatie.

databricks-feature-store 0.16.3

• Er is een time-outfout opgelost bij het gebruik van AutoML met functietabellen.

databricks-feature-engineering 0.1.3

• Kleine verbeteringen in de UpgradeClient.

databricks-feature-store 0.16.2

• U kunt nu functie- en functie-eindpunten maken. Zie Functie- en functiebediening voor meer informatie.

databricks-feature-store 0.16.1

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.1.2 & databricks-feature-store 0.16.0

• Kleine opgeloste fouten en verbeteringen.
  • Er is een probleem opgelost met onjuiste gegevensherkomst-URL's voor taken die zijn vastgelegd met bepaalde werkruimte-instellingen.

databricks-feature-engineering 0.1.1

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.1.0

• GA-release van Feature Engineering in Unity Catalog Python-client voor PyPI

databricks-feature-store 0.15.1

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.15.0

• U kunt nu automatisch een invoervoorbeeld afleiden en vastleggen wanneer u een model aanmeldt. Hiervoor stelt u infer_model_example in op True wanneer u log_modelbelt. Het voorbeeld is gebaseerd op de trainingsgegevens die zijn opgegeven in de training_set parameter.

databricks-feature-store 0.14.2

• Er is een fout opgelost bij het publiceren naar Aurora MySQL vanuit MariaDB Connector/J >=2.7.5.

databricks-feature-store 0.14.1

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.14.0

Vanaf 0.14.0 moet u tijdstempelsleutelkolommen opgeven in het argument primary_keys. Tijdstempelsleutels maken deel uit van de 'primaire sleutels' die elke rij in de functietabel uniek identificeren. Net als andere primaire-sleutelkolommen kunnen tijdstempelsleutelkolommen geen NULL-waarden bevatten.

In het volgende voorbeeld bevat het DataFrame-user_features_df de volgende kolommen: user_id, ts, purchases_30den is_free_trial_active.

0.14.0 en hoger

fs = FeatureStoreClient()

fs.create_table(
name="ads_team.user_features",
primary_keys=["user_id", "ts"],
timestamp_keys="ts",
features_df=user_features_df,
)

0.13.1 en lager

fs = FeatureStoreClient()

fs.create_table(
name="ads_team.user_features",
primary_keys="user_id",
timestamp_keys="ts",
features_df=user_features_df,
)

databricks-feature-store 0.13.1

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.13.0

• De minimaal vereiste mlflow-skinny versie is nu 2.4.0.
• Het maken van een trainingsset mislukt als het opgegeven DataFrame niet alle vereiste opzoeksleutels bevat.
• Wanneer u een model aanmeldt dat gebruikmaakt van functietabellen in Unity Catalog, wordt automatisch een MLflow-handtekening geregistreerd bij het model.

databricks-feature-store 0.12.0

• U kunt nu een onlinewinkel verwijderen met behulp van de drop_online_table API.

databricks-feature-store 0.11.0

• In werkruimten met Unity Catalog kunt u nu zowel werkruimte- als Unity Catalog-functietabellen publiceren naar online winkels van Cosmos DB. Hiervoor is Databricks Runtime 13.0 ML of hoger vereist.

databricks-feature-store 0.10.0

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.9.0

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.8.0

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.7.1

• Als een afhankelijkheid toevoegen flask om een probleem met ontbrekende afhankelijkheid op te lossen bij het scoren van modellen met score_batch.

databricks-feature-store 0.7.0

• Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.6.1

• Initiële openbare release van de Databricks Feature Store-client naar PyPI.