Pular para o conteúdo principal
Última atualização em

Solução de problemas e limitações

Solução de problemas​

Mensagem de erro: Database recommender_system does not exist in the Hive metastore.

Uma tabela de recursos é armazenada como uma tabela Delta. O banco de dados é especificado pelo prefixo do nome da tabela, portanto, uma tabela de recurso recommender_system.customer_features será armazenado no banco de dados recommender_system .

Para criar o banco de dados, execute:

%sql CREATE DATABASE IF NOT EXISTS recommender_system;

Mensagem de erro: ModuleNotFoundError: No module named 'databricks.feature_engineering' ou ModuleNotFoundError: No module named 'databricks.feature_store'

Esse erro ocorre quando o databricks-recurso-engenharia não está instalado no site Databricks Runtime que o senhor está usando.

O databricks-recurso-engenharia está disponível em PyPI, e pode ser instalado com:

%pip install databricks-feature-engineering

Mensagem de erro: ModuleNotFoundError: No module named 'databricks.feature_store'

Esse erro ocorre quando o databricks-recurso-store não está instalado no site Databricks Runtime que o senhor está usando.

nota

Para Databricks Runtime 14.3 e acima, instale o databricks-recurso-engenharia via %pip install databricks-feature-engineering

O databricks-recurso-store está disponível em PyPI e pode ser instalado com:

%pip install databricks-feature-store

Mensagem de erro: Invalid input. Data is not compatible with model signature. Cannot convert non-finite values...'

Esse erro pode ocorrer ao usar um modelo de recurso Store-pacote em Mosaic AI Model Serving. Ao fornecer valores de recurso personalizados em uma entrada para o site endpoint, o senhor deve fornecer um valor para o recurso para cada linha da entrada ou para nenhuma linha. O senhor não pode fornecer valores personalizados para um recurso apenas para algumas linhas.

Mensagem de erro: No suitable online store found for feature tables

Esse erro ocorre ao configurar um endpoint Mosaic AI Model Serving para um modelo com pesquisa automática de recursos ou Feature Serving. A mensagem de erro aparece no log de eventos do endpoint de serviço com falha. Isso indica uma desconexão entre sua tabela de recursos offline e o Feature Store Online.

Causa 1: Tabela não publicada​

As tabelas de recursos offline precisam estar disponíveis em um armazenamento online para consulta. A causa mais comum do erro é que a tabela de recursos necessária (listada na mensagem de erro) ainda não foi publicada no Feature Store Online.

Resolução : Siga as instruções Feature Store Online para publicar a(s) tabela(s) mencionada(s) no erro.

Causa 2: Tabela de origem recriada (ID incompatível)​

Solução : Você pode verificar se os IDs das tabelas correspondem e corrigir o problema.

  1. Obtenha o ID da tabela de recursos offline:

  2. Obtenha o ID da fonte da tabela online:

    • Localize a tabela online correspondente no Explorador de Catálogo.
    • Abra a tab Detalhes .
    • Procure em Propriedades para encontrar o source_table_id.

  3. Comparar e corrigir:

    • Se os IDs não coincidirem, o link está quebrado. Isso significa que a tabela de origem offline foi recriada.
    • Escolha uma das opções abaixo para corrigir o problema, dependendo se a tabela offline original pode ser restaurada.

Opção 1: Restaurar a tabela offline anterior

  • Use o comando ALTER TABLE RENAME TO para alterar o nome da tabela atual.
  • Use o comando UNDROP TABLE WITH ID para restaurar a tabela anterior usando o source_table_id registrado na propriedade Tabela Online.
  • Atualize ou recrie o endpoint de serviço para conectar-se às novas tabelas online.

Opção 2: Mantenha a tabela offline atual e publique-a no armazenamento online.

  • Siga as instruções para publicar a tabela de recursos.
  • Atualize ou recrie o endpoint de serviço para conectar-se às novas tabelas online.
  • Opcional : Limpe a tabela online antiga para evitar confusão.

Limitações​

  • Um modelo pode usar no máximo 50 tabelas e 100 funções para treinamento.

  • clusters Databricks Runtime ML não são suportados ao usar o pipeline LakeFlow Spark Declarative como tabelas de recursos. Em vez disso, use um recurso compute de modo de acesso padrão e instale manualmente o cliente usando pip install databricks-feature-engineering. Você também deve instalar qualquer outra biblioteca ML necessária.

    Python
    %pip install databricks-feature-engineering

  • Databricks O recurso Store do espaço de trabalho herdado não suporta a exclusão de recursos individuais de uma tabela de recursos.

  • Um máximo de 100 recursos on-demand pode ser usado em um modelo.