Usar recurso no fluxo de trabalho on-line

O Databricks Feature Serving disponibiliza dados da plataforma Databricks para modelos ou aplicações implantados fora do Databricks. Você pode sincronizar dados com um Online Feature Store usando views de recursos ou tabelas de recursos e, em seguida, agrupar recursos em um recursoSpec que você pode disponibilizar por meio de um Feature Serving Endpoint.

The same infrastructure powers both Feature Serving and servindo modelo endpoints, so they share capabilities such as autoscale, high availability, observability, and route optimization.

Databricks provides three options for serving recursos:

1. Endpoints de servindo modelo vêm com pesquisa automática de recursos integrada para modelos registrados por meio do cliente de Feature Engenharia. Quando você ensina e registra o modelo, o Databricks captura a linhagem do recurso e realiza a pesquisa automaticamente como parte da solicitação de servindo modelo.
2. Endpoint de Feature Serving são mais adequados quando você consome recursos fora do Databricks, como em um modelo hospedado externamente ou em um mecanismo de regras. O Endpoint retorna recursos diretamente e pode combinar pesquisas de recursos com computação de recursos sob demanda em uma única solicitação.
3. Consultas diretas do Lakebase podem ser a escolha certa para pesquisas de recurso sensíveis à latência, onde cada milissegundo importa e você consome recursos fora do Databricks servindo modelo. Create your armazenamento online and set up the correct sync (materialization for recurso views, publishing for recurso tables), then query Lakebase like any other database. This pattern does not support Sawtooth Feature Views, On Demand Features, or recurso names beyond 64 characters.

Pesquisa automática de recursos

Ao ensinar um modelo usando Databricks Feature Store e disponibilizá-lo com Databricks servindo modelo, o modelo busca automaticamente os valores dos recursos em um Databricks Online Feature Store ou em um armazenamento online de terceiros. Isso acontece automaticamente, sem necessidade de configuração.

Quando uma solicitação de pontuação chega ao modelo, o servindo modelo recupera automaticamente os valores de recurso publicados necessários ao modelo. Dessa forma, os valores de recurso mais recentes são sempre usados para as previsões. Para obter detalhes e exemplos de Notebook, consulte servindo modelo com pesquisa automática de recurso.

O diagrama a seguir ilustra a relação entre os componentes da plataforma para atendimento em tempo real.

Endpoint de Feature Serving

Para clientes que fazem execução de modelos fora do Databricks, fornecer dados de recursos oferece uma única interface que fornece dados de recursos pré-materializados do seu Lakehouse juntamente com recursos sob demanda. Ele também inclui os seguintes benefícios:

• Simplicidade. O Databricks cuida da infraestrutura. Com uma única chamada de API, o Databricks cria um ambiente de atendimento pronto para produção.
• Alta disponibilidade e escalabilidade. Os endpoints do Feature Serving escala automaticamente para cima e para baixo para se ajustarem ao volume de solicitações de atendimento.
• Segurança. Os Endpoint são implantados em um limite de rede seguro e usam compute dedicado que é encerrado quando o Endpoint é excluído ou dimensionado para zero.

Recurso sob demanda

Modelos do machine learning para aplicações em tempo real frequentemente exigem os valores de recurso mais recentes. No exemplo mostrado no diagrama, um recurso para um modelo de recomendação de restaurantes é a distância atual do usuário em relação a um restaurante. Este recurso deve ser calculado “sob demanda”, ou seja, no momento da solicitação de pontuação. Ao receber uma solicitação de pontuação, o modelo verifica a localização do restaurante e então aplica uma função pré-definida para calcular a distância entre a localização atual do usuário e o restaurante. Essa distância é passada como uma entrada para o modelo, junto com outros recursos pré-computados do repositório de recursos.

Para obter mais informações, consulte Recursos de compute sob demanda.