Magasin de fonctionnalités Workspace (obsolète)
Cette documentation couvre le magasin de fonctionnalités du Workspace. Le Magasin de fonctionnalités du Workspace est disponible uniquement pour les Workspace créés avant le 19 août 2024, 16 h 00 min 00 s (UTC).
Le Magasin de fonctionnalités du workspace est obsolète. Databricks recommande d'utiliser Feature Engineering dans Unity Catalog.
Le Magasin de fonctionnalités du Workspace est entièrement intégré aux autres composants de Databricks et offre les avantages suivants :
- Découvrabilité. L'interface du magasin de fonctionnalités, accessible depuis l'espace de travail Databricks, vous permet de parcourir et de rechercher des fonctionnalités.
- Traçabilité. Lorsque vous créez une table de fonctionnalités dans Databricks, les sources de données utilisées pour créer la table de fonctionnalités sont enregistrées et accessibles. Pour chaque fonctionnalité d'une table de fonctionnalités, vous pouvez également accéder aux modèles, Notebooks, jobs et endpoints qui utilisent cette fonctionnalité.
- Intégration avec l'évaluation et la mise à disposition des modèles. Lorsque vous utilisez des fonctionnalités provenant du Magasin de fonctionnalités pour entraîner un modèle, celui-ci embarque les métadonnées des fonctionnalités. Lorsque vous utilisez le modèle pour le scoring batch ou l'inférence en ligne, il récupère automatiquement les fonctionnalités du Magasin de fonctionnalités. L'appelant n'a pas besoin de savoir de quoi il s'agit, ni d'inclure une logique pour rechercher et joindre les fonctionnalités afin d'évaluer les nouvelles données. Ceci facilite grandement le déploiement et les mises à jour des modèles.
- Recherches à des points spécifiques du temps. Magasin de fonctionnalités prend en charge les séries chronologiques et les cas d'usage basés sur des événements qui nécessitent une correction ponctuelle.
Le workflow de Machine Learning typique utilisant le Magasin de fonctionnalités suit ce chemin :
- Écrivez du code pour convertir les données brutes en fonctionnalités et créer un DataFrame Spark contenant les fonctionnalités souhaitées.
- Écrivez le DataFrame en tant que table de fonctionnalités dans le Magasin de fonctionnalités du Workspace.
- Entraînez un modèle à l'aide de fonctionnalités du Magasin de fonctionnalités. Lorsque vous effectuez cette opération, le modèle stocke les spécifications des fonctionnalités utilisées pour l'entraînement. Lorsque le modèle est utilisé pour l'inférence, il joint automatiquement les fonctionnalités des tables de fonctionnalités appropriées.
- Enregistrez le modèle dans le Model Registry.
Vous pouvez maintenant utiliser le modèle pour faire des prédictions sur de nouvelles données. Pour les cas d'utilisation par batch, le modèle récupère automatiquement les fonctionnalités dont il a besoin du Magasin de fonctionnalités.
Pour les cas d'utilisation de service en temps réel, publiez les fonctionnalités dans un magasin en ligne. Consultez les Magasins de fonctionnalités en ligne Databricks.
Au moment de l'inférence, le modèle lit les fonctionnalités pré-calculées du magasin en ligne et les joint aux données fournies dans la requête du client à l'endpoint de diffusion de modèles.
Start using Workspace Magasin de fonctionnalités
Pour start, essayez ces exemples de Notebooks. Le Notebook de base vous guide sur la manière de créer une table de fonctionnalités, de l'utiliser pour entraîner un modèle, puis d'effectuer un scoring par batch à l'aide de la recherche automatique de fonctionnalités. Il vous présente également l'interface utilisateur d'ingénierie de fonctionnalités et vous montre comment l'utiliser pour rechercher des fonctionnalités et comprendre comment les fonctionnalités sont créées et utilisées.
Exemple de notebook de base du Magasin de fonctionnalités Workspace
Le notebook d'exemple de taxi illustre le processus de création et de mise à jour de fonctionnalités, et de leur utilisation pour l'entraînement de modèles et l'inférence par batch.
Notebook d'exemple de taxi du Magasin de fonctionnalités du Workspace
Types de données pris en charge
Pour les types de données pris en charge, voir Types de données pris en charge.