Databricks Feature Store とレガシー Workspace Feature Store のリリースノート

このページでは、Unity カタログクライアントの Databricks Feature Engineering と Databricks Workspace Feature Store クライアントのリリースの一覧を示します。どちらのクライアントも PyPI ( databricks-feature-engineering と databricks-feature-store) で利用できます。

ライブラリは次のような目的で使用されます。

特徴テーブルの作成、読み取り、書き込みを行う。
特徴量データでモデルをトレーニングします。
特徴テーブルをオンラインストアに公開してリアルタイムで提供する。

使用方法に関するドキュメントについては、 Databricks Feature Store を参照してください。 Python API のドキュメントについては、「Feature Engineering Python API」を参照してください。

Unity カタログのフィーチャーエンジニアリングクライアントは、Unity カタログの機能と機能テーブルに対して機能します。ワークスペース Feature Store クライアントは、ワークスペース Feature Store の特徴と特徴テーブルに対して機能します。いずれのクライアントも Databricks Runtime for Machine Learning にプレインストールされています。これらのクライアントは、PyPI (databricks-feature-engineering) から pip install databricks-feature-engineering をインストールした後、Databricks Runtime でも実行できます。単体テストの場合にのみ、両方のクライアントはローカルまたは CI/CD 環境で使用できます。

Databricks Runtime および Databricks Runtime ML バージョンとのクライアントバージョンの互換性を示す表については、フィーチャーエンジニアリングの互換性マトリックスを参照してください。以前のバージョンの Databricks Workspace Feature Store クライアントは、 Databricks-feature-store として PyPI で使用できます。

databricks-feature-engineering 0.18.1

このリリースには、フィーチャービューの以下の改善が含まれています:

Lakebase でのオンライン提供において、64 文字を超える機能名に対応するようになりました。
RollingWindow では、オンライン専用のテーブルトリガーに基づくマテリアライゼーションが適用されている差分ソースにおいて、ライフタイムが「Last」の集計に対して window_duration=None を指定できるようになりました。
FeatureViewSource ベースのフィーチャーは、複数のソーステーブルにまたがる依存関係を含め、compute_features() を使用してプレビューできるようになりました。
SawtoothWindow では、create_training_set() と compute_features() において、ライフタイム集計ウィンドウ (window_duration=None) がサポートされるようになりました。
バグの修正と機能強化。

databricks-feature-engineering 0.18.0

フィーチャービューソース:
- 新しい FeatureViewSource は、他の特徴から構成された特徴を定義し、それらの値に対して行ごとに CustomUDF を適用します。訓練およびサービスライフサイクル全体でサポートを受けていますが、 compute_features()を除きます。
CustomUDFの特徴:
- create_feature() Unity Catalog関数シグネチャに対して CustomUDFinput_bindings を検証し、バウンドされたカラムタイプを関数パラメータタイプと照らし合わせ、機能作成時に不一致を報告します。これはトレーニング時やサービス時ではありません。
ストリーミング機能:
- create_stream() デコード後に一致するレコードのみを保持するSQL述語 record_type_filterと、取り込みから列を落とす excluded_columnsを追加します。 update_stream() も excluded_columnsを受け入れます。
マテリアライゼーション:
- materialize_features() コストの追跡と帰属のために tags と budget_policy_id を受け付けています。
- CronSchedule フィーチャーの集約ウィンドウやタイミングから生成される派生スケジュールモード、さらに手動のCRON式をサポートしています。
ウィンドウ化された start_time フィーチャのゲーティング:
- ウィンドウ機能は常に start_timeを強制します。オフラインの学習セットがオンラインで提供される値と一致するように、ウィンドウの終了時点がフィーチャの start_time より前になるトレーニング行は除外されます。ウィンドウ機能でカットオフを制御するために start_time を設定してください。
その他の変更点:
- 集約機能は作成時に DATE 時系列列を拒否します。代わりに TIMESTAMP 列を使いましょう。
- ColumnSelection 機能では、まだ確定していないソース行を除外して、create_training_set() と compute_features() にソースの確定遅延を適用します。
- 機能のUDF入出力でDatabricks Runtime 18の文字列型のサポートが追加されました。
- start_time、集約遅延、ソース決済遅延などの機能タイミングフィールドは、クライアントの読み書きを超えて持続します。
- バグの修正と機能強化。

databricks-feature-engineering 0.17.1

バグの修正と機能強化。

databricks-feature-engineering 0.17.0

SawtoothWindowの集約(プレビュー):
- 新しい SawtoothWindow タイムウィンドウクラスは、長い集計ウィンドウ(例えば30日、60日、90日)を常に新鮮に保ちます。ウィンドウの後縁は固定された日のステップで進み、先端は最新のストリーミングイベントと常に更新され、すべてのイベントで完全な再計算を回避します。 Sum、Avg、Count、Min、Maxアグリゲーションに対応しています。 window_duration 2日以上でなければなりません。短いウィンドウには RollingWindow を使いましょう。
LastN 集約(プレビュー):
- 新しい LastN 集約は、特徴のタイムシリーズ列順に並べられた、ウィンドウ内の最新のN値を配列として返します。 SlidingWindowおよびRollingWindow時間帯に対応しています。
生涯集約ウィンドウ:
- SlidingWindow 現在は全履歴にわたるライフタイム(無限)ウィンドウを集約する機能をサポートしています。ライフタイムウィンドウはバッチ機能のみに利用可能で、 window_duration を None に設定して create_training_set() と compute_features()で定義してください。
CustomUDFの機能(プレビュー):
- create_feature()の新しいCustomUDF関数タイプは、ソースカラムごとに行ごとに登録されたUnity Catalog関数を適用します。 input_bindings 各UC関数パラメータを、それを埋めるソースカラムにマッピングします。 CustomUDF RequestSource(リクエスト時)機能のみに直接動作し、他の機能タイプには適用できません。
ストリーミングソース変換(プレビュー):
- StreamSource 現在は、ストリームのスキーマ変換後に適用される transformation_sql SQL SELECT 式を受け入れ、特徴計算前にレコードを変換します。設定したら、変換された出力スキーマを dataframe_schemaで提供します。
ストリーミングソースのスキーマレジストリ(プレビュー):
- create_stream() 外部スキーマレジストリ(例:Confluent)からストリーミングキーやペイロードスキーマをUnity Catalog Connection経由で解決でき、 SchemaRegistryConfig を用いてスキーマをインラインで提供するのではなく対応できるようになりました。 AvroおよびProtobufフォーマットもサポートしています。
カスタムサービング依存関係(プレビュー):
- 今ではフィーチャーサービング用の追加のPIP依存関係を宣言できます。 create_feature_spec() と log_model() は、特徴量UDFで必要だがデフォルトでは利用できないライブラリをモデルサービング環境にインストールするための、pip パッケージのリスト（または Unity Catalog Volume extra_pip_requirements パス）である .whl を受け取ります。機能仕様で宣言された依存関係は、モデルの提供時にもそのまま保持されます。
その他の機能強化:
- バグの修正と機能強化。

databricks-feature-engineering 0.16.1

create_training_set と score_batch オフラインマテリアライズド集計機能が使用可能な場合に再利用され、トレーニングセットの作成とバッチ推論が高速化されるようになりました。「フィーチャビューを具体化する」を参照してください。
RequestSource 機能では、エンティティ列と時系列列は不要になりました。
正しくない First と Last の結果が create_training_setで修正されました。これらの集計には、既定で null が含まれるようになりました。null 入力列を除外する filter_condition を追加します。
ソース行に null が含まれている場合にゼロまたは null を返す compute_features を修正しました。
バグの修正と機能強化。

databricks-feature-engineering 0.16.0

フィーチャービューパブリックプレビュー:
- 機能ビューがパブリックプレビューになりました。 is_beta_feature_view()のlist_beta_feature_views()ユーティリティとFeatureEngineeringClientユーティリティは、ベータ API で登録された機能を識別し、パブリックプレビュー表現への移行が必要です。
- Feature.clone() メソッドは、ベータ機能ビューをパブリックプレビューに移行するのに役立つ。
- create_pipeline はフィーチャービューでは非推奨です。代わりに具体化された機能 API を使用してください。
ストリーミング機能:
- StreamSource は、Kafka または Delta ソースによってサポートされるストリーミング機能を定義するための create_feature() でサポートされるようになりました。
- create_training_set では、 StreamSourceで定義された機能に関するトレーニングがサポートされるようになりました。
- ストリーミング機能ソースを管理するためのcreate_streamの新しいget_stream、update_stream、delete_stream、list_streams、およびFeatureEngineeringClientメソッド。
- StreamingMode materialize_features のトリガーは、マイクロバッチマテリアライズを選択します。
その他の機能強化:
- list_features()の新しいFeatureEngineeringClient API では、カタログまたはスキーマの機能が一覧表示されます。
- 新しい grant_feature_serving_access() ユーティリティは、マテリアライズド機能のオンラインサービスに必要なアクセス許可を付与し、適用前にアクセスをプレビューする dry_run モードを使用します。
- DeltaTableSource.from_sql() SparkSessionを直接受け入れるようになりました。
- DeltaTableSource.dataframe_schema は、非推奨の schema_json パラメーターを置き換えます。
- RollingWindow は、削除された ContinuousWindow エイリアスを置き換えます。
- offsetから非推奨のRollingWindow パラメーターを削除しました。代わりにdelayを使用してください。
- 既定のカタログを含む 2 部構成の Unity カタログ名のサポートが削除されました。
- バグの修正と機能強化。

databricks-feature-engineering 0.15.0

RequestSource (ベータ):
- 新しい RequestSource クラスを使用すると、モデルに直接渡されたデータから要求時に計算される特徴を、特徴テーブルの参照を必要とせずに使用できます。
- create_feature()、create_training_set()、score_batch()、および compute_features() は、いずれも RequestSource を基盤とする機能をサポートしています。
- log_model では RequestSource 機能をモデルシグネチャーへ自動的にワイヤします。
ColumnSelection (ベータ):
- 新しい ColumnSelection クラスを使用すると、フィーチャソースから特定の出力列を選択し、より詳細な機能定義を有効にできます。
- create_feature()、create_training_set()、compute_features()、およびlog_modelでサポートされます。
その他の機能強化:
- materialize_features の新しい TableTrigger トリガータイプでは、Delta テーブルの更新でのマテリアライゼーションをトリガーします。
- score_batch は Databricks Runtime Serverless ランタイムで実行できるようになりました。
- DeltaTableSource.from_sql() では、 GROUP BY や ORDER BYなどのサポートされていない SQL 句が拒否されるようになりました。
- RequestSource.from_dataframe() は、既存の DataFrame から要求スキーマを推論します。
- databricks-feature-engineeringから Flask の依存関係を削除しました。
- バグの修正と機能強化。

databricks-feature-engineering 0.14.0

バッチ宣言型機能 (ベータ):
- 集約と時間枠を含む Unity カタログ関数として宣言型機能定義を格納する宣言型機能 API。
- 具体化された機能 API は、構成可能な cron スケジュールを使用して、オンラインストアへの機能の自動バッチマテリアライズをスケジュールします。
- 具体化された機能は、Unity カタログの登録済みモデルのオンラインサービスで使用できます。
- SlidingWindowクラスとTumblingWindowクラスを使用したスライディングウィンドウおよびタンブリングウィンドウのサポートにより、create_training_set()でポイントインタイムの特性を正確に計算できます。
- filter_condition パラメーターを使用すると、特徴を計算するときにソースデータをフィルター処理できます。
その他の機能強化:
- 新しい list_online_stores() API には、カタログまたはスキーマ内のすべてのオンラインストアが一覧表示されます。
- オンラインストアの作成時または更新時の課金追跡の usage_policy_id のサポート。
- オンラインストアが削除または使用できない場合のエラーメッセージが改善されました。
- バグの修正とパフォーマンスの向上。

databricks-feature-engineering 0.13.0

Databricks で管理されるオンライン機能ストアを管理するための API。
publish_table() では、 source_table_name、 online_table_name、および publish_mode パラメーターを受け取って、より明確なテーブルを指定できるようになりました。
読み取りスケーラビリティを向上させるために、オンラインストアを作成または更新するときの read_replica_count のサポート。
バグの修正と機能強化。

databricks-feature-engineering 0.12.1

機能参照の既定値をサポートします。
バグの修正と機能強化。

データブリックス-フィーチャーエンジニアリング 0.11.0

mlflow バージョン 3.0 のサポートを追加します。
バグの修正と機能強化。

databricks-feature-engineering 0.10.2

mlflow バージョン 2.20.0 以降のサポートを追加します。
numpy バージョン 2.x のサポートを追加します。
バグの修正と機能強化。

databricks-feature-engineering 0.9.0

prebuilt_env呼び出しでのscore_batchの使用をサポートします。
ポイントインタイム機能を Photon と結合するパフォーマンスの向上。
バグの修正と機能強化。

databricks-feature-engineering 0.8.0

params呼び出しでのscore_batchの使用をサポートします。これにより、推論のために追加のパラメーターをモデルに渡すことができます。
バグの修正と機能強化。

databricks-feature-engineering 0.7.0

Unity カタログの特定のビューを、オフラインモデルのトレーニングと評価の機能テーブルとして使用できるようになりました。 Unity カタログのフィーチャーテーブルからの読み取りを参照してください。
トレーニングセットは、機能参照または機能スペックを使用して作成できるようになりました。 Python SDK リファレンスを参照してください。

databricks-feature-engineering 0.6.0

Tempo での既存のサポートに加えて、ネイティブ Spark でのポイントインタイム結合の実行がサポートされるようになりました。アイデアを提案してくれた Semyon Sinchenko に感謝します。
StructType が PySpark データ型としてサポートされるようになりました。 StructType はオンライン提供ではサポートされていません。
write_table では、液体クラスタリングが有効になっているテーブルへの書き込みがサポートされるようになりました。
timeseries_columns の create_table パラメーターの名前が timeseries_column に変更されました。既存のワークフローでは、引き続き timeseries_columns パラメーターを使用できます。
score_batch では env_manager パラメーターがサポートされるようになりました。詳細については、 MLflow のドキュメントを参照してください。

databricks-feature-engineering 0.5.0 (データブリックス・フィーチャー・エンジニアリングバージョン0.5.0)

update_feature_specの新しい API databricks-feature-engineering。これにより、ユーザーは Unity カタログの FeatureSpec の所有者を更新できます。

databricks-feature-engineering 0.4.0

小さなバグ修正と機能強化。

databricks-feature-engineering 0.3.0

log_model では、新しい databricks-feature-lookup PyPI パッケージが使用されるようになりました。これには、オンラインモデルサービスのパフォーマンス向上が含まれています。

databricks-feature-store 0.17.0

databricks-feature-store は非推奨とされます。このパッケージ内のすべての既存モジュールは、databricks-feature-engineering のバージョン 0.2.0 以上で使用できます。詳細については、 Python API を参照してください。

databricks-feature-engineering 0.2.0

databricks-feature-engineering には databricks-feature-store からのすべてのモジュールが含まれるようになりました。詳細については、 Python API を参照してください。

databricks-feature-store 0.16.3

機能テーブルで AutoML を使用するときのタイムアウトバグを修正しました。

databricks-feature-engineering 0.1.3

UpgradeClient の小さな機能強化。

databricks-feature-store 0.16.2

これで Feature Serving および Function Serving エンドポイントを作成できるようになりました。詳細については、「機能と関数の提供」を参照してください。

databricks-feature-store 0.16.1

小さなバグ修正と機能強化。

databricks-feature-engineering 0.1.2 および databricks-feature-store 0.16.0

小さなバグ修正と機能強化。
- 特定のワークスペースのセットアップと共にログに記録される不適切なジョブ系列 URL を修正しました。

databricks-feature-engineering 0.1.1

小さなバグ修正と機能強化。

databricks-feature-engineering 0.1.0

Unity Catalog Python クライアントから PyPI への特徴エンジニアリングの一般提供リリース

databricks-feature-store 0.15.1

小さなバグ修正と機能強化。

databricks-feature-store 0.15.0

モデルをログに記録する際に、入力例を自動的に推論してログに記録することができるようになりました。これを行うには、infer_model_exampleを呼び出すときにTrueをlog_modelに設定します。その例は、training_set パラメータ内で指定されたトレーニングデータに基づきます。

databricks-feature-store 0.14.2

MariaDB Connector/J >=2.7.5 から Aurora MySQL に発行する際のバグを修正しました。

databricks-feature-store 0.14.1

小さなバグ修正と機能強化。

databricks-feature-store 0.14.0

0.14.0 以降では、 primary_keys 引数にタイムスタンプキー列を指定する必要があります。タイムスタンプキーは、特徴テーブルの各行を一意に識別する "主キー" の一部です。他の主キー列と同様に、タイムスタンプキー列に NULL 値を含めることはできません。

次の例では、DataFrame user_features_df には、 user_id、 ts、 purchases_30d、 is_free_trial_activeの各列が含まれています。

0.14.0 以降

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 以前

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

小さなバグ修正と機能強化。

databricks-feature-store 0.13.0

最低限必要なmlflow-skinnyバージョンは、現在 2.4.0 です。
指定された DataFrame に必要なすべての参照キーが含まれていない場合、トレーニングセットの作成は失敗します。
Unity カタログで機能テーブルを使用するモデルをログに記録すると、MLflow 署名がモデルと共に自動的にログに記録されます。

databricks-feature-store 0.12.0

drop_online_table API を使用してオンラインストアを削除できるようになりました。

databricks-feature-store 0.11.0

Unity カタログ対応ワークスペースでは、ワークスペースと Unity カタログ機能テーブルの両方を Cosmos DB オンラインストアに発行できるようになりました。これには、Databricks Runtime 13.0 ML 以上が必要です。

databricks-feature-store 0.10.0

小さなバグ修正と機能強化。

databricks-feature-store 0.9.0

小さなバグ修正と機能強化。

databricks-feature-store 0.8.0

小さなバグ修正と機能強化。

databricks-feature-store 0.7.1

flask でモデルをスコアリングする際に不足している依存関係の問題を修正するために、score_batch を依存関係として追加します。

databricks-feature-store 0.7.0

小さなバグ修正と機能強化。

databricks-feature-store 0.6.1

Databricks Feature Store クライアントの PyPI への初期公開リリース。

フィードバック

このページはお役に立ちましたか?

最終更新: 2026-10-08