Aller au contenu principal
Dernière mise à jour le

Modèle de commentaires (obsolète)

info

Pour les nouveaux cas d’utilisation, Databricks recommande de déployer des agents sur Databricks Apps pour un contrôle total sur le code d’agent, la configuration du serveur et le workflow de déploiement. Consultez Créer un agent IA et le déployer sur Databricks Apps. Pour migrer un agent existant, consultez Migrer un agent de Model Serving vers Databricks Apps.

important

Avis de dépréciation : le modèle de feedback a été déprécié à compter du 4 décembre 2025 et n'est plus pris en charge dans la dernière version de databricks-agents.

Action requise : Utilisez MLflow 3 pour journaliser votre modèle 3 à la place. Utilisez ensuite l'log_feedback API et l'API d'évaluations MLflow 3 à la place pour recueillir des commentaires.

Le modèle de feedback vous permet de recueillir des commentaires sur les réponses de l'agent par programmation. Lorsque vous déployez un agent à l'aide de agents.deploy(), Databricks crée automatiquement un Endpoint de modèle de feedback à côté de votre agent.

Cet Endpoint accepte les commentaires structurés (évaluations, commentaires, appréciations) et les Logs dans les tables d’inférence. Cependant, cette approche a été remplacée par les fonctionnalités de feedback plus robustes de MLflow 3.

Migrer vers MLflow 3​

Au lieu d'utiliser le modèle de feedback obsolète, migrez vers MLflow 3 pour des capacités complètes de feedback et d'évaluation :

  • Journalisation d'évaluation de première classe avec validation et gestion des erreurs robustes
  • **Intégration de traçage en temps réel** pour une visibilité immédiate des retours
  • Intégration de l'application Review avec des fonctionnalités de collaboration des parties prenantes améliorées
  • **Prise en charge du monitoring de production** avec évaluation automatisée de la qualité

Pour migrer les charges de travail existantes vers MLflow 3 :

  1. Passez à MLflow 3.1.3. ou version ultérieure dans votre environnement de développement :

    Python
    %pip install mlflow>=3.1.3
    dbutils.library.restartPython()

  2. Activer l'application d'évaluation pour la collecte des commentaires des parties prenantes.

  3. Remplacez les appels d'API de feedback par la journalisation d'évaluation MLflow 3.

  4. Déployez votre agent avec MLflow 3 :

    • Le traçage en temps réel capture automatiquement toutes les interactions.
    • Les évaluations se joignent directement aux traces pour une visibilité unifiée

  5. Configurez le monitoring de production (facultatif) :

Fonctionnement de l'API de feedback (obsolète)​

Le modèle de commentaires a exposé un Endpoint REST qui acceptait les commentaires structurés concernant les réponses de l'agent. Vous enverriez des commentaires via une requête POST à l'endpoint de commentaires après que votre agent ait traité une requête.

Exemple de demande de commentaires :

Bash
curl \
  -u token:$DATABRICKS_TOKEN \
  -X POST \
  -H "Content-Type: application/json" \
  -d '
      {
          "dataframe_records": [
              {
                  "source": {
                      "id": "user@company.com",
                      "type": "human"
                  },
                  "request_id": "573d4a61-4adb-41bd-96db-0ec8cebc3744",
                  "text_assessments": [
                      {
                          "ratings": {
                              "answer_correct": {
                                  "value": "positive"
                              },
                              "accurate": {
                                  "value": "positive"
                              }
                          },
                          "free_text_comment": "The answer used the provided context to talk about pipelines"
                      }
                  ],
                  "retrieval_assessments": [
                      {
                          "ratings": {
                              "groundedness": {
                                  "value": "positive"
                              }
                          }
                      }
                  ]
              }
          ]
      }' \
https://<workspace-host>.databricks.com/serving-endpoints/<your-agent-endpoint-name>/served-models/feedback/invocations

Vous pouvez transmettre des paires clé-valeur supplémentaires ou différentes dans les champs text_assessments.ratings et retrieval_assessments.ratings pour fournir différents types de commentaires. Dans l'exemple, la charge utile de commentaires indique que la réponse de l'agent à la requête avec l'ID 573d4a61-4adb-41bd-96db-0ec8cebc3744 est correcte, précise et ancrée dans le contexte récupéré par un outil de récupération.

Limites de l'API de commentaires​

L'API de retour d'information expérimental présente plusieurs limitations :

  • Pas de validation des entrées ; l'API répond toujours avec succès, même avec des entrées non valides
  • ID de requête Databricks requis : Vous devez transmettre le databricks_request_id de la demande de l'agent d'origine
  • **Dépendance des tables d'inférences** : Les retours sont collectés à l'aide de tables d'inférences avec leurs limitations inhérentes.
  • Gestion limitée des erreurs : Aucun message d'erreur significatif pour le dépannage

Pour obtenir le databricks_request_id requis, vous devez inclure {"databricks_options": {"return_trace": True}} dans votre demande d'origine à l'endpoint de mise en service de l'agent.

Ressources supplémentaires​

Sur cette page