servindo modelo com pesquisa automática de recurso
O modelo de abastecimento pode pesquisar automaticamente valores de recurso em uma Databricks Online Feature Store ou em um armazenamento online de terceiros. Para servir valores de recursos em tempo real, Databricks recomenda o uso do repositório de recursosDatabricks Online.
As tabelas on-line do Databricks (legadas) estão obsoletas e não estarão acessíveis após 15 de janeiro de 2026. Se você tiver tabelas on-line existentes, a Databricks recomenda que você as migre para o Databricks Online Feature Store. Consulte Migrar de tabelas on-line legadas e de terceiros.
Requisitos
- O modelo deve ter sido registrado com
FeatureEngineeringClient.log_model(para o recurso engenharia em Unity Catalog) ouFeatureStoreClient.log_model(para o recurso de espaço de trabalho legado Store), requer v0.3.5 e acima). - Para lojas on-line de terceiros, o armazenamento on-line deve ser publicado com credenciais somente de leitura.
O senhor pode publicar a tabela de recursos a qualquer momento antes da implementação do modelo, inclusive após o treinamento do modelo.
Pesquisa automática de recursos
Databricks A servindo modelo suporta a pesquisa automática de recursos nestas lojas on-line:
- Databricks Loja de recursos on-line
- Amazon DynamoDB (v0.3.8e acima)
A pesquisa automática de recurso é compatível com os seguintes tipos de dados:
IntegerTypeFloatTypeBooleanTypeStringTypeDoubleTypeLongTypeTimestampTypeDateTypeShortTypeDecimalTypeArrayTypeMapType
Substituir valores de recurso na pontuação do modelo on-line
Todos os recursos exigidos pelo modelo (registros com FeatureEngineeringClient.log_model ou FeatureStoreClient.log_model) são automaticamente pesquisados em lojas on-line para pontuação do modelo. Para substituir os valores de recurso ao pontuar um modelo usando um REST API com servindo modelo, inclua os valores de recurso como parte do payload API.
Os novos valores do recurso devem estar em conformidade com o tipo de dados do recurso, conforme esperado pelo modelo subjacente.
Salvar o DataFrame ampliado na tabela de inferência
Para endpoints criados a partir de fevereiro de 2025, o senhor pode configurar um modelo de serviço endpoint para log o DataFrame aumentado que contém os valores de recurso pesquisados e os valores de retorno de função. O DataFrame é salvo na tabela de inferência do modelo atendido.
Para obter instruções sobre como definir essa configuração, consulte log recurso lookup DataFrames to inference tables.
Para obter informações sobre tabelas de inferência, consulte Tabelas de inferência para modelos de monitoramento e depuração.
Notebook exemplos: Unity Catalog
Com Databricks Runtime 13.3 LTS e acima, qualquer tabela Delta em Unity Catalog com um key primário pode ser usada como uma tabela de recurso. Quando o senhor usa uma tabela registrada em Unity Catalog como uma tabela de recurso, todos os recursos de Unity Catalog ficam automaticamente disponíveis para a tabela de recurso.
O Notebook a seguir ilustra como publicar o recurso em tabelas on-line para o tempo real de atendimento e pesquisa automática de recurso.
Demonstração de tabelas on-line Notebook
Este exemplo de Notebook ilustra como publicar um recurso em um armazenamento on-line e, em seguida, servir um modelo treinado que procura automaticamente o recurso no armazenamento on-line.
Exemplo de armazenamento on-line de terceiros Notebook (Unity Catalog)
Notebook exemplos: workspace recurso Store (legado)
Este exemplo de Notebook ilustra como publicar um recurso em um armazenamento on-line e, em seguida, servir um modelo treinado que procura automaticamente o recurso no armazenamento on-line.