Servir recurso declarativo

importante

O recurso Feature Serving não é suportado para Engenharia de Recursos Declarativa. Para atender o recurso online, implementei um modelo endpoint específico usando um modelo de logs por meio Unity Catalog.

Os modelos treinados usando recursos do Databricks rastreiam automaticamente a linhagem até o recurso em que foram treinados. Quando implantados como endpoints de modelos de serviço, esses modelos usam Unity Catalog para buscar recursos em lojas online.

implantou um modelo endpoint

Utilize um endpoint de modelo de serviço existente ou use o SDK de Implantações MLflow para criar um novo. O modelo deve ser registrado no Unity Catalog.

O código a seguir mostra como criar um novo endpoint servindo modelo. Para obter mais informações, consulte Criar endpoint de modelo de navegação personalizado.

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,
            }
        ]
    },
)

Consultar o endpoint

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"},
        ]
    },
)