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 des agents, 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 d'obsolescence : le modèle de feedback est obsolète depuis le 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’ APIlog_feedback et l’ API d’évaluation MLflow 3 à la place pour recueillir les commentaires.

Le modèle de feedback vous permet de collecter par programme des commentaires sur les réponses de l'agent. Lorsque vous déployez un agent à l'aide de agents.deploy(), Databricks crée automatiquement un endpoint de modèle de feedback aux côtés de votre agent.

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

Migrer vers MLflow 3​

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

  • Journalisation des évaluations de premier ordre avec validation robuste et gestion des erreurs
  • Intégration du traçage en temps réel pour une visibilité immédiate des retours d'information
  • Intégration d'application de révision avec des fonctionnalités de collaboration améliorées des parties prenantes
  • Prise en charge du monitoring en production avec évaluation automatisée de la qualité

Pour migrer des charges de travail existantes vers MLflow 3 :

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

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

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

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

  4. Déployez votre agent avec MLflow 3 :

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

  5. Configurez le monitoring de production (facultatif) :

Comment fonctionne l'API de feedback (obsolète)​

Le modèle de feedback a exposé un endpoint REST qui acceptait les commentaires structurés concernant les réponses des agents. Vous enverriez des commentaires via une requête POST à l'endpoint de feedback après que votre agent a 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 feedback. Dans l’exemple, la charge utile de feedback 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 extrait par un outil de récupération.

Limitations de l'API de commentaires​

L’API de rétroaction expérimentale présente plusieurs limitations :

  • Aucune validation de l'entrée ; l'API répond toujours avec succès, même avec une entrée non valide
  • ID de requête Databricks obligatoire : Vous devez transmettre le databricks_request_id depuis la requête d'agent d'origine
  • Dépendance des tables d'inférence : Le feedback est collecté en utilisant des tables d'inférence avec leurs limitesinhérentes.
  • Gestion des erreurs limitée : 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 requête initiale adressée à l’endpoint de service de l’agent.

Ressources supplémentaires​

Sur cette page