Utilizar funcionalidades em fluxos de trabalho online

O Databricks Feature Serving disponibiliza dados na plataforma Databricks para modelos ou aplicativos implantados fora do Azure Databricks. Pode sincronizar os dados para uma Feature Store Online usando Feature Views ou feature tables, e depois agrupar as features numa FeatureSpec que pode servir através de um endpoint de serving de features.

A mesma infraestrutura alimenta tanto os endpoints de serving de funcionalidades como os endpoints de serving de modelos, partilhando assim capacidades como autoescalabilidade, alta disponibilidade, observabilidade e otimização de rotas.

O Databricks oferece três opções para servir features:

1. Os endpoints de serviço de modelos vêm com pesquisa automática de funcionalidades incorporada para modelos registados através do cliente de Engenharia de Características. Quando treina e regista o modelo, o Databricks capta a linhagem de atributos e realiza a pesquisa automaticamente como parte do pedido de disponibilização do modelo.
2. Os Feature Serving Endpoints são melhores quando se consomem funcionalidades fora do Databricks, como num modelo alojado externamente ou num motor de regras. O endpoint retorna as features diretamente e pode combinar consultas de features com computação de features a pedido num único pedido.
3. Consultas diretas no Lakebase podem ser a escolha certa para consultas de funcionalidades sensíveis à latência, onde cada milissegundo importa e utiliza funcionalidades fora do serviço de modelos do Databricks. Crie a sua feature store online e configure a sincronização correta (materialização para Feature Views, publicação para tabelas de features) e depois consulte o Lakebase como qualquer outra base de dados. Este padrão não suporta Sawtooth Feature Views, On Demand Features, nem nomes de funcionalidades para além de 64 caracteres.

Pesquisa automática de funcionalidades

Quando treina um modelo usando o Armazém de Funcionalidades do Databricks e o serve com o Databricks Model Serving, o modelo procura automaticamente os valores das funcionalidades de um Armazém de Funcionalidades Online do Databricks ou de uma loja online de terceiros. Isso acontece automaticamente, sem necessidade de configuração.

Quando uma solicitação de pontuação chega ao modelo, o Model Serving recupera automaticamente os valores de recurso publicados necessários para o modelo. Desta forma, os valores das funcionalidades mais recentes são sempre usados para previsões. Para obter detalhes e exemplos de blocos de anotações, consulte Serviço de modelo com pesquisa automática de recursos.

O diagrama a seguir ilustra a relação entre os componentes da plataforma para servir em tempo real.

Endpoints de serviço de funcionalidades

Para os clientes que executam modelos fora do Databricks, servir dados de atributos fornece uma interface única que disponibiliza dados de atributos pré-materializados do seu Lakehouse, juntamente com atributos a pedido. Inclui também os seguintes benefícios:

• Simplicidade. Databricks trata da infraestrutura. Com uma única chamada de API, o Databricks cria um ambiente de serviço pronto para produção.
• Alta disponibilidade e escalabilidade. Os endpoints de distribuição de funcionalidades aumentam e diminuem automaticamente para se adaptar ao volume de pedidos de serviço.
• Segurança. Os pontos de extremidade são implantados numa fronteira de rede segura e usam computação dedicada que termina quando o ponto de extremidade é excluído ou reduzido a zero.

Recursos sob demanda

Os modelos de aprendizado de máquina para aplicativos em tempo real geralmente exigem os valores de recurso mais recentes. No exemplo mostrado no diagrama, um recurso para um modelo de recomendação de restaurante é a distância atual do usuário de um restaurante. Esta característica deve ser calculada "a pedido", ou seja, no momento do pedido de pontuação. Ao receber um pedido de pontuação, o modelo procura a localização do restaurante e, em seguida, aplica uma função predefinida para calcular a distância entre a localização atual do usuário e o restaurante. Essa distância é passada como uma entrada para o modelo, juntamente com outros recursos pré-computados do repositório de recursos.

Para obter mais informações, consulte Recursos de computação sob demanda.