Uso de características en flujos de trabajo en línea

Databricks Feature Serving hace que los datos de la plataforma de Databricks estén disponibles para los modelos o aplicaciones implementados fuera de Azure Databricks. Puedes sincronizar datos en una Online Feature Store usando Feature Views o tablas de características, y luego agrupar características en una FeatureSpec que puedes servir a través de un endpoint de serving de features.

La misma infraestructura impulsa tanto los endpoints de servicio de características como los de servicio de modelos, por lo que comparten capacidades como autoescalado, alta disponibilidad, observabilidad y optimización de rutas.

Databricks ofrece tres opciones para servir características:

1. Los modelos de puntos de conexión de servicio incluyen la búsqueda automática de atributos incorporada para modelos registrados a través del cliente de ingeniería de características. Cuando entrenas y registras el modelo, Databricks captura el linaje de características y realiza la consulta automáticamente como parte de la solicitud de serving del modelo.
2. Los puntos de conexión de servicio de funcionalidades son mejores cuando consume funcionalidades fuera de Databricks, como en un modelo alojado externamente o en un motor de reglas. El endpoint devuelve características directamente y puede combinar consultas de características con cálculo de características bajo demanda en una sola solicitud.
3. Las consultas directas en Lakebase pueden ser la opción adecuada para búsquedas de características sensibles a la latencia, donde cada milisegundo importa y se consumen características fuera del servicio de modelos de Databricks. Cree la Store online y configure la sincronización correcta (materialización para vistas de funciones, publicación para tablas de funciones), luego consulte Lakebase como cualquier otra base de datos. Este patrón no admite Sawtooth Feature Views, On Demand Features ni nombres de características superiores a 64 caracteres.

Búsqueda automática de características

Al entrenar un modelo mediante Databricks Feature Store y servirlo con Databricks Model Serving, el modelo busca automáticamente los valores de características de un almacén de características en línea de Databricks o un almacén en línea de terceros. Esto sucede automáticamente sin que se requiera ninguna configuración.

Cuando una solicitud de puntuación llega al modelo, Model Serving recupera automáticamente los valores de características publicados necesarios para el modelo. De esta manera, los valores de características más recientes siempre se usan para realizar predicciones. Para más información y cuadernos de ejemplo, consulte Model Serving with automatic feature lookup (Servicio de modelos con búsqueda automática de características).

En el diagrama siguiente se muestra la relación entre los componentes de la plataforma para el servicio en tiempo real.

Puntos de conexión de servicio de características

Para los clientes que ejecutan modelos fuera de Databricks, servir datos de funciones proporciona una única interfaz que proporciona datos de variables prematerializados del Lakehouse junto con variables bajo demanda. También incluye las siguientes ventajas:

• Simplicidad. Databricks controla la infraestructura. Con una sola llamada API, Databricks crea un entorno de servicio listo para la producción.
• Alta disponibilidad y escalabilidad. Los puntos de conexión del servicio de características de Databricks se escalan y reducen verticalmente automáticamente para ajustarse al volumen de solicitudes de servicio.
• Seguridad. Los puntos de conexión se implementan en un límite de red seguro y usan un proceso dedicado que finaliza cuando el punto de conexión se elimina o se escala a cero.

Características a petición

Los modelos de Machine Learning para aplicaciones en tiempo real suelen requerir los valores de características más recientes. En el ejemplo que se muestra en el diagrama, una característica para un modelo de recomendación de restaurante es la distancia actual del usuario desde un restaurante. Esta característica debe calcularse "a petición", es decir, en el momento de la solicitud de puntuación. Tras recibir una solicitud de puntuación, el modelo busca la ubicación del restaurante y, a continuación, aplica una función predefinida para calcular la distancia entre la ubicación actual del usuario y el restaurante. Esa distancia se pasa como entrada al modelo, junto con otras características precalculadas del almacén de características.

Para obtener más información, consulte Características de proceso a petición.