服務功能視圖

您可以透過兩種方式在線上提供特徵視圖：

• 模型服務：部署一個在特徵檢視上訓練過的模型。 端點會利用模型記錄時所追蹤的沿襲關係，自動查詢或計算特徵值。 利用此資料來提供模型預測。
• 功能服務：部署可直接參考功能視圖的 FeatureSpec，無需模型。 端點會回傳所請求的功能輸出。 當應用程式需要特徵值而非模型預測時，請使用此方法。

兩種方式都支援預先計算及隨選功能。 以表格和串流作為後端的葉特徵必須具有 受支援的線上實體化。 RequestSource 從請求中提供數值，並 CustomUDF 按需計算功能。 對於具有 FeatureViewSource 的 CustomUDF，在提供服務時，系統會自動解析上游相依性並評估特徵相依圖。

在 Unity 目錄中註冊所請求的功能及其所有可傳遞的上游功能。 只將由資料表和串流支援的葉節點實體化，不要將請求時或衍生的 CustomUDF 特徵實體化。

許可

要提供一個功能，建立模型服務端點的主體必須在 Unity 目錄表中擁有 SELECT 支持該具象化功能的資料表。 線上查詢會直接從實體化的資料表讀取，因此資料表層 SELECT 級才是賦予服務存取權限的。 關於特權描述，請參見 SELECT。

因為實體化資料表可包含多個特徵，對其授予 SELECT 就會取得該資料表中所有特徵的存取權，而不僅是你打算提供的那個特徵。 在授予服務存取權之前，請確認所有共享資料表的功能都能與主體共享。 為了限制暴露風險，請將敏感特徵分開實體化。

若要在不手動解析資料表的情況下授予此存取權限，請使用 FeatureEngineeringClient.grant_feature_serving_access。 給定模型或特徵規格後，它會將每個特徵解析為其對應的線上資料表，將這些資料表上的 SELECT（以及 USE CATALOG 和 USE SCHEMA）授予您指定的主體，並傳回一份報告，列出每個資料表以及該授權會開放的其他特徵。 傳入 dry_run=True 以在核准前預覽報告。

from databricks.feature_engineering import FeatureEngineeringClient

fe = FeatureEngineeringClient()

# Preview the tables and the features each grant would expose.
report = fe.grant_feature_serving_access(
    grant_to=["serving-principal@example.com"],
    model_uri="models:/main.ecommerce.fraud_model/1",
    dry_run=True,
)
print(report)

# Grant SELECT on the resolved online tables.
fe.grant_feature_serving_access(
    grant_to=["serving-principal@example.com"],
    model_uri="models:/main.ecommerce.fraud_model/1",
)

部署一個服務端點模型

使用現有的服務端點模型，或使用 Databricks SDK 建立新的端點。 該模型必須在 Unity 目錄中註冊。

如果 CustomUDF 使用會匯入 Python 套件的使用者自訂函式（UDF），則在呼叫 extra_pip_requirements 時，請透過 log_model 明確傳遞這些套件。 請參見 自訂 UDF 相依關係。

以下程式碼說明如何建立新的服務端點模型。 欲了解更多資訊，請參閱 建立自訂模型服務端點。

from databricks.sdk import WorkspaceClient
from databricks.sdk.service.serving import EndpointCoreConfigInput, ServedEntityInput

w = WorkspaceClient()

endpoint_name = "fraud-detection-endpoint"
model_name = "main.ecommerce.fraud_model"

w.serving_endpoints.create(
    name=endpoint_name,
    config=EndpointCoreConfigInput(
        name=endpoint_name,
        served_entities=[
            ServedEntityInput(
                entity_name=model_name,
                entity_version=1,
                max_provisioned_concurrency=4,
                min_provisioned_concurrency=0,
            )
        ],
    ),
)

查詢端點

from databricks.sdk import WorkspaceClient

w = WorkspaceClient()

response = w.serving_endpoints.query(
    name="fraud-detection-endpoint",
    dataframe_records=[
        {"user_id": "user_123", "transaction_time": "2026-03-01T12:00:00"},
    ],
)

查詢具備 RequestSource 功能的端點

若模型已使用 RequestSource 特徵進行訓練，則請求的 payload 必須包含所有 RequestSource 欄位。 這些欄位是在log_model的過程中加入到 MLflow 模型簽章中的，因此端點的 API 架構反映了所需的請求欄位。

response = w.serving_endpoints.query(
    name="fraud-detection-endpoint",
    dataframe_records=[
        {
            "user_id": "user_123",
            "transaction_time": "2026-03-01T12:00:00",
            "transaction_amount": 275.30,  # RequestSource column
            "vendor_id": "v_42",           # RequestSource column (also used as entity key)
        },
    ],
)

實體鍵用於從線上商店查詢由表格支持的功能。 ColumnSelection功能可以將 RequestSource值傳遞給模型。 CustomUDF特徵會在模型使用結果前轉換其請求輸入。

您也可以使用 curl：

curl -X POST "https://<workspace>.cloud.databricks.com/serving-endpoints/<endpoint>/invocations" \
  -H "Authorization: Bearer $DATABRICKS_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "dataframe_records": [
      {
        "user_id": "user_123",
        "transaction_time": "2026-03-01T12:00:00",
        "transaction_amount": 275.30,
        "vendor_id": "v_42"
      }
    ]
  }'

提供功能 FeatureSpec

若要在沒有模型的情況下提供 Feature Views，請建立一個 FeatureSpec 來參照這些特徵，並將其部署至 Feature Serving 端點。 端點只會回傳規格中要求的功能輸出。它會自動計算中間值，除非你同時請求那些功能，否則不會回傳。

在建立端點之前，先在 Unity Catalog 註冊所有功能，並為表格和串流背景的葉節點建立支援的線上實體化。

from databricks.feature_engineering import FeatureEngineeringClient
from databricks.feature_engineering.entities.feature_serving_endpoint import (
    EndpointCoreConfig,
    ServedEntity,
)

fe = FeatureEngineeringClient()

# 1. Retrieve a registered Feature View
agg_feature = fe.get_feature(full_name="main.ecommerce.amount_sum_sliding_7d_1d")

# 2. Create a FeatureSpec that includes the Feature View
feature_spec_name = "main.ecommerce.transaction_feature_spec"
fe.create_feature_spec(name=feature_spec_name, features=[agg_feature])

# 3. Deploy a Feature Serving endpoint backed by the FeatureSpec
fe.create_feature_serving_endpoint(
    name="transaction-features",
    config=EndpointCoreConfig(
        served_entities=ServedEntity(
            feature_spec_name=feature_spec_name,
            workload_size="Small",
            scale_to_zero_enabled=True,
        )
    ),
)

使用用於查找具體化特徵的實體鍵來查詢端點：

from databricks.sdk import WorkspaceClient

w = WorkspaceClient()

response = w.serving_endpoints.query(
    name="transaction-features",
    dataframe_records=[{"user_id": "user_123"}],
)

欲了解更多關於特徵服務端點的資訊，請參見特徵服務端點。

提供 CustomUDF 功能及其相依性

此範例適用於 CustomUDF 和 FeatureViewSource 範例中定義的交易與保證金功能。 使用 databricks-feature-engineering 版本 0.18.0 或以上來使用這些功能檢視 API。

• log_transaction_amount 使用 NumPy 將 main.ecommerce.log_amount_udf 套用至請求的 transaction_amount 值。
• margin 使用 FeatureViewSource 根據 revenue_sum_7d 和 cost_sum_7d 計算邊際。 這些上游特徵使用 customer_id 作為其實體鍵，並使用 event_time 作為其時間序列欄位。

在建立規格前，請先註冊這兩個輸出特徵以及每個上游特徵。在這個例子中，線上實體化只會處理 revenue_sum_7d 和 cost_sum_7d 這兩個葉節點。 Serving 會查詢它們的值，並對每個請求進行 margin 計算。

擷取註冊 Feature 物件並傳遞給 create_feature_spec。 即使 NumPy 已列在 UDF 的 ENVIRONMENT 子句中，仍應宣告為線上執行：

from databricks.feature_engineering import FeatureEngineeringClient

fe = FeatureEngineeringClient()
log_transaction_amount = fe.get_feature(
    full_name="main.ecommerce.log_transaction_amount"
)
margin = fe.get_feature(full_name="main.ecommerce.margin")

fe.create_feature_spec(
    name="main.ecommerce.derived_transaction_features",
    features=[log_transaction_amount, margin],
    extra_pip_requirements=["numpy==1.26.4"],
)

依照上述端點建立步驟，使用 feature_spec_name="main.ecommerce.derived_transaction_features" 和端點名稱（例如 derived-transaction-features）。 端點準備好後，提供查詢鍵與請求時間值：

from databricks.sdk import WorkspaceClient

w = WorkspaceClient()
response = w.serving_endpoints.query(
    name="derived-transaction-features",
    dataframe_records=[
        {"customer_id": "customer_123", "transaction_amount": 99.0},
    ],
)

回應僅包含所要求的 log_transaction_amount 和 margin 輸出，不包含中間的營收與成本數值。 如需了解相依性格式、Wheel 權限及安裝疑難排解，請參閱 新增 Python 相依性。