Maart 2018
Releases worden gefaseerd. Uw Azure Databricks-account wordt mogelijk pas een week na de eerste releasedatum bijgewerkt.
Details van opdrachtuitvoering
27 maart - 3 april 2018: versie 2.68
Wanneer u een opdracht uitvoert in een notebook, ziet u nu gedetailleerde voortgangsgegevens.
Databricks CLI ondersteunt --profile
27 maart - 3 april 2018: versie 2.68
Databricks CLI 0.6.1 ondersteunt --profile
in alle posities.
Zie Databricks CLI (verouderd).
ACL’s standaard ingeschakeld voor nieuwe Premium SKU-klanten
27 maart - 3 april 2018: versie 2.68
Toegangsbeheerlijsten (ACL's) zijn nu standaard ingeschakeld voor alle nieuwe klanten in de Premium-SKU. Bestaande klanten moeten ACL's handmatig blijven inschakelen.
Zie Toegangsbeheerlijsten kunnen niet meer worden uitgeschakeld.
Azure Databricks is nu algemeen beschikbaar
22 maart 2018
We zijn verheugd om aan te kondigen dat Azure Databricks nu algemeen beschikbaar is. In de afgelopen weken hebben we functionaliteit toegevoegd om de Azure Databricks-ervaring nog beter te maken, waaronder:
- VNet-peering (virtual network), waarmee u Apache Kafka in HDInsight kunt gebruiken met Azure Databricks
- Microsoft Power BI bevat nu een ingebouwde Spark-connector
- Azure Synapse Analytics-connector
- Ondersteuning voor Azure Data Factory v2 (preview)
- Geheimenbeheer (preview)
- Meer Azure-regio's
- Verbeterde prestaties en documentatie
En natuurlijk blijft Azure Databricks eenvoudige integraties bieden met Azure Blob Storage, Azure Data Lake Store en Azure Cosmos DB.
Als aanvulling op de documentatie die op deze site wordt verstrekt, biedt learn.microsoft.com introductiemateriaal, informatie over Azure-accountbeheer en end-to-end zelfstudies.
Nieuw thema voor doc-websites
21 maart 2018
We hebben het uiterlijk van onze documentatiesite bijgewerkt. We hopen dat je het leuk vindt!
Lokale opslag automatische schaalaanpassing
13-20 maart 2018: versie 2.67
Alle clusters in Azure Databricks worden gestart met automatische schaalaanpassing van lokale opslag ingeschakeld. Dit betekent dat Azure Databricks automatisch extra beheerde schijven koppelt aan cluster worker-VM's wanneer ze laag op schijf worden uitgevoerd.
Zie Lokale opslag automatisch schalen inschakelen voor meer informatie.
VNet-peering (virtueel netwerk)
13-20 maart 2018: versie 2.67
Voegt ondersteuning toe voor VNet-peering (virtueel netwerk), waardoor het virtuele netwerk waarin uw Azure Databricks-resource wordt uitgevoerd, kan worden gekoppeld aan een ander virtueel Azure-netwerk.
Zie Virtuele peernetwerken voor meer informatie.
Clustergebeurtenislogboek
13-20 maart 2018: versie 2.67
De pagina met clusterdetails bevat een nieuw tabblad Gebeurtenislogboek waarin belangrijke gebeurtenissen voor de levenscyclus van het cluster worden weergegeven. Historische gebeurtenissen kunnen 60 dagen worden bekeken, wat vergelijkbaar is met andere gegevensretentietijden in Azure Databricks.
Zie De gebeurtenislogboeken compute voor meer informatie.
Databricks CLI: release 0.6.0
13 maart 2018: databricks-cli 0.6.0
Databricks CLI ondersteunt nu Python 3.
Zie Databricks CLI (verouderd) voor meer informatie.
Beheer van taakuitvoering
13-20 maart 2018: versie 2.67
U kunt nu een taakuitvoering verwijderen op de pagina met taakgegevens en de pagina voor het uitvoeren van taken.
De taakuitvoering Uitvoer ophalen eindpunt is GA en de maximale geretourneerde uitvoer is verhoogd tot 5 MB.
Clustermachtigingen bewerken vereist nu bewerkingsmodus
13-20 maart 2018: versie 2.67
Eerder was het mogelijk om de machtigingen van een cluster te bewerken zonder op Bewerken te klikken. Dit was inconsistent met andere clusterkenmerken.
Een neveneffect van deze wijziging is dat u clustermachtigingen niet meer kunt bewerken terwijl een cluster in behandeling is.
Databricks ML Model Export
1 maart 2018
In de documentatie wordt nu beschreven hoe u Databricks ML-modelexport gebruikt, waarmee u modellen en volledige ML-pijplijnen kunt exporteren vanuit Apache Spark. Deze geëxporteerde modellen en pijplijnen kunnen worden geïmporteerd in andere platformen (Spark of niet) voor scoring en om voorspellingen te doen. Modelexport is gericht op toepassingen met een lage latentie, lichtgewicht met ML.
Notitie
Voor deze functie is Databricks Runtime 4.0+ vereist.
Zie MLeap ML-modelexport voor meer informatie.