宣言型機能を提供する

重要

Feature Servingエンドポイントは、宣言型機能エンジニアリングではサポートされていません。 機能をオンラインで提供するには、 Unity Catalogを通じて記録されたモデルを使用してモデルサービング エンドポイントをデプロイします。

Databricksの特徴量を使用してトレーニングされたモデルは、トレーニングに使用された特徴量に自動的にリネージを追跡します。 モデルビングサー エンドポイントとしてデプロイされる場合、これらのモデルはUnity Catalog使用してオンライン ストアから機能を検索します。

モデルサービングエンドポイントをデプロイする

既存のモデルビングサー エンドポイントを使用するか、 MLflow Deployments SDKを使用して新しいエンドポイントを作成します。 モデルはUnity Catalogに登録する必要があります。

次のコードは、新しいモデルサービング エンドポイントを作成する方法を示しています。 詳細については、 「カスタム モデルサービング エンドポイントの作成」を参照してください。

Python

import mlflow.deployments

client = mlflow.deployments.get_deploy_client("databricks")

# Create a serving endpoint for a UC model
endpoint = client.create_endpoint(
    name="fraud-detection-endpoint",
    config={
        "served_entities": [
            {
                "entity_name": "main.ecommerce.fraud_model",
                "entity_version": "1",
                "workload_size": "Small",
                "scale_to_zero_enabled": True,
            }
        ]
    },
)

エンドポイントにクエリを実行する

Python

import mlflow.deployments

client = mlflow.deployments.get_deploy_client("databricks")

response = client.predict(
    endpoint="fraud-detection-endpoint",
    inputs={
        "dataframe_records": [
            {"user_id": "user_123", "transaction_time": "2026-03-01T12:00:00"},
        ]
    },
)