オンラインワークフローで機能を使用する
Databricks Feature Store使用すると、モデル開発プロセスのあらゆる段階がDatabricksデータインテリジェンスプラットフォームに統合されます。 これは、 Databricksインフラストラクチャを処理している間に、自動化されたデータ パイプラインを構築してコンピュートし、機能値を提供できることを意味します。 Databricksプラットフォームは、フィーチャとモデルの両方に対してリアルタイム配信を提供し、フィーチャ値のオンデマンド計算も可能にします。
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。
Databricks オンライン テーブルはサポートされなくなりました。既存のオンライン テーブルがある場合、Databricks ではそれらをDatabricks Online Feature Storeに移行することをお勧めします。「レガシーおよびサードパーティのオンライン テーブルからの移行」を参照してください。
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。
オンデマンド機能
リアルタイム アプリケーションの機械学習モデルでは、多くの場合、最新の特徴値が必要です。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 つの特徴は、ユーザーのレストランからの現在の距離です。この機能は、「オンデマンド」、つまりスコアリング要求時に計算する必要があります。スコアリング要求を受け取ると、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の間の距離を計算します。その距離は、フィーチャ ストアから事前に計算された他のフィーチャとともに、モデルへの入力として渡されます。詳細については、「 コンピュート オンデマンド機能」を参照してください。
