Serviço de Modelo com consulta automática de características

O Serviço de Modelo pode pesquisar automaticamente valores de recursos de um Repositório de Recursos do Databricks Online ou de um repositório online de terceiros. Para serviço em tempo real de valores de recursos, o Databricks recomenda o uso de Repositórios de Recursos do Databricks Online.

Requisitos

  • O modelo deve ter sido registrado com FeatureEngineeringClient.log_model (no caso da Engenharia de Recursos no Catálogo do Unity) ou FeatureStoreClient.log_model (no caso do Repositório de Recursos do Workspace herdado), requer v0.3.5 e superior).

Observação

Você pode publicar a tabela de recursos a qualquer momento antes da implantação do modelo, incluindo após o treinamento do modelo.

Pesquisa automática de funcionalidades

O Serviço de Modelo do Azure Databricks oferece suporte para pesquisa automática dos recursos desses armazenamentos online:

Há suporte para consulta automática de atributos nos seguintes tipos de dados:

  • IntegerType
  • FloatType
  • BooleanType
  • StringType
  • DoubleType
  • LongType
  • TimestampType
  • DateType
  • ShortType
  • ArrayType
  • MapType

Sobrescrever valores de atributos na pontuação online do modelo

Todos os recursos exigidos pelo modelo (registrados com FeatureEngineeringClient.log_model ou FeatureStoreClient.log_model) são analisados automaticamente em repositórios online quanto à pontuação de modelo. Para sobrescrever os valores das variáveis ao avaliar um modelo usando uma API REST com Model Serving, inclua os valores das variáveis como parte do payload da API.

Observação

Os novos valores de recurso devem estar em conformidade com o tipo de dados do recurso, conforme o esperado pelo modelo subjacente.

Salvar o DataFrame aumentado na tabela de inferência

Quanto aos pontos de extremidade criados a partir de fevereiro de 2025, você pode configurar um ponto de extremidade de serviço de modelo para registrar o DataFrame aumentado que contém os valores de recurso pesquisados e os valores de retorno de função. O DataFrame é salvo na tabela de inferência do modelo servido.

Para obter instruções sobre como definir essa configuração, confira Registrar DataFrames de pesquisa de recursos em tabelas de inferência.

Para informações sobre tabelas de inferência, veja Solicitações de log e respostas para endpoints de serviço (legado).

Exemplos de notebook

Com o Databricks Runtime 13.3 LTS e superior, qualquer tabela Delta no Catálogo Unity com uma chave primária pode ser usada como uma tabela de recursos. Quando você usa uma tabela registrada no Catálogo do Unity como uma tabela de recursos, todos os recursos do Catálogo do Unity ficam automaticamente disponíveis para a tabela de recursos.

Repositório de Recursos do Databricks Online

O notebook a seguir ilustra como publicar recursos em um Repositório de Recursos do Databricks Online para atendimento em tempo real e pesquisa automatizada de recursos.

Notebook de demonstração do repositório online do Databricks

Obter notebook

Lojas online de terceiros

Este notebook de exemplo ilustra como publicar recursos em uma loja online de terceiros e, em seguida, fornecer um modelo treinado que pesquisa automaticamente os recursos da loja online.

Exemplo de notebook da loja online de terceiros (Catálogo do Unity)

Obter notebook

Repositório de Recursos do Workspace (herdado)

Este notebook de exemplo ilustra como publicar recursos em um repositório online e fornecer um modelo treinado que pesquisa automaticamente os recursos do repositório online.

Exemplo de notebook do repositório online de terceiros (Repositório de Recursos do Workspace)

Obter notebook

  • Last updated on