Pular para o conteúdo principal
Última atualização em

Solução de problemas e limitações

Solução de problemas​

"O banco de dados recommender_system não existe no 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;

"ModuleNotFoundError: Nenhum módulo chamado 'databricks.feature_engineering'" ou "ModuleNotFoundError: Nenhum módulo chamado '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

"ModuleNotFoundError: Nenhum módulo chamado '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

Entrada inválida. Os dados não são compatíveis com a assinatura do modelo. Não é possível converter valores não finitos...'"​

Este erro pode ocorrer ao utilizar um modelo de repositório de recursos-pacote no modelo instalado. Ao fornecer valores de recurso personalizados em uma entrada para o endpoint, você deve fornecer um valor para o recurso para cada linha na entrada ou para nenhuma linha. Não é possível fornecer valores personalizados para um recurso apenas para algumas linhas.

"Nenhum armazenamento online adequado encontrado para tabelas de recursos"​

Esse erro ocorre ao criar ou recriar um endpoint de serviço 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)​

Neste caso, uma tabela de recursos offline foi publicada em um armazenamento online e, posteriormente, a tabela de recursos offline foi excluída e recriada. A tabela online rastreia sua origem por meio de source_table_id, que aponta para table_id da tabela offline. Mesmo que a tabela de recurso offline recriada tenha o mesmo nome, ela tem um novo table_id, então o source_table_id da tabela online ainda aponta para a tabela offline antiga (excluída).

Diagnóstico : Você pode verificar se esse é o problema seguindo os passos abaixo:

  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.

Se os IDs não coincidirem, o link está quebrado. Isso significa que a tabela de origem offline foi recriada. Existem duas opções para resolver esse problema.

Opção de resolução 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 de resolução 2: Manter a tabela offline atual e publicá-la em um novo 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 FeatureSpec pode conter no máximo 1000 recursos. Utilizar um grande número de recursos em um único FeatureSpec pode aumentar a latência Feature Serving .

  • É possível utilizar no máximo 50 tabelas para ensinar um modelo.

  • É possível utilizar no máximo 100 recursos sob demanda em um modelo.

  • 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.

Nesta página