オンラインワークフローで機能を使用する
Databricks Feature Serving により、Databricks プラットフォーム内のデータが Databricks の外部にデプロイされたモデルまたはアプリケーションで利用できるようになります。データを Online Feature Store に Feature Views または 特徴量テーブルを使用して同期し、特徴量を FeatureSpec にまとめて、Feature Serving Endpoint経由で提供できます。
同じインフラストラクチャが Feature Serving およびモデルサービング Endpoint の両方を駆動するため、オートスケール、高可用性、オブザーバビリティ、ルート最適化などの機能を共有します。
Databricksでは、特徴量サービング用に次の3つのオプションを提供しています。
- モデルサービング エンドポイントには、Feature エンジニアリング クライアントを介してログに記録されたモデルに対する 自動特徴量検索 が組み込まれています。モデルをトレーニングしてログに記録すると、Databricks では特徴量リネージをキャプチャし、モデルサービング リクエストの一部として自動的に検索を実行します。
- Feature Serving Endpointは、外部でホストされているモデルやルールエンジンなど、Databricksの外部で特徴量を利用する場合に最適です。Endpointは特徴量を直接返し、1回のリクエストで特徴量検索とオンデマンド特徴量計算を組み合わせることができます。
- Direct Lakebase クエリーは、ミリ秒単位の処理速度が求められ、Databricks モデルサービングの外側で特徴量を消費するような、レイテンシに敏感な特徴量検索に適した選択肢となる場合があります。オンラインストアを作成し、適切な同期（Feature Views の場合はマテリアライゼーション、特徴量テーブルの場合はパブリッシング）を設定してから、他のデータベースと同様に Lakebase に対しクエリーを実行します。このパターンは、Sawtooth Feature Views、On Demand Features、または 64 文字を超える特徴量名をサポートしていません。
自動フィーチャ検索
Databricks Feature Storeを使用してモデルをトレーニングし、 Databricksモデルサービングで提供すると、モデルはDatabricks Online Feature Storeまたはサードパーティのオンライン ストアから特徴値を自動的に検索します。 これは自動的に行われ、設定は一切不要です。
スコアリング要求がモデルに届くと、モデルサービングはモデルに必要な公開された特徴値を自動的に取得します。 このように、最新の特徴値が常に予測に使用されます。詳細とノートブックの例については、「 モデルサービングと自動機能検索」を参照してください。
次の図は、リアルタイム サービングのプラットフォーム コンポーネント間の関係を示しています。
Feature Serving Endpoint
Databricks の外部でモデルを実行する顧客向けに、特徴量データをサービングすることで、Lakehouse からの事前にマテリアライズされた特徴量データとオンデマンドの特徴量を同時に提供する単一のインターフェイスが実現します。また、次のような利点もあります。
- シンプル。 Databricks がインフラストラクチャを処理します。 Databricks は、1 回の API 呼び出しで、本番運用に対応したサービス環境を作成します。
- 高可用性とスケーラビリティ。 特徴量サービングエンドポイントは、処理要求の量に合わせて自動的にスケールアップおよびスケールダウンします。
- Security.Endpointは、セキュアなネットワーク境界にデプロイされ、Endpointが削除されるかゼロにスケールダウンされたときに終了する専用のコンピュートを使用します。
オンデマンド機能
リアルタイムアプリケーション用の機械学習モデルは、多くの場合、最新の特徴量値を必要とします。図に示されている例では、レストランのレコメンデーション モデルの1つの特徴量は、ユーザーからレストランまでの現在の距離です。この特徴量は、「オンデマンド」、つまりスコアリング要求時に計算される必要があります。スコアリング要求を受信すると、モデルはレストランの場所を検索し、事前定義された関数を適用して、ユーザーの現在地とレストラン間の距離を計算します。その距離は、Feature Storeからの他の事前計算された特徴量とともに、モデルへの入力として渡されます。
詳細については、「 オンデマンドの特徴量コンピュート」を参照してください。
