Aller au contenu principal
Dernière mise à jour le

Dépannage et limitations

Dépannage​

« La base de données recommender_system n'existe pas dans le Hive metastore. »​

Une table de fonctionnalités est stockée sous forme de table Delta. La base de données est spécifiée par le préfixe de nom de table, donc une table de caractéristiques recommender_system.customer_features seront stockées dans la base de données recommender_system .

Pour créer la base de données, exécutez :

%sql CREATE DATABASE IF NOT EXISTS recommender_system;

« ModuleNotFoundError: No module named 'databricks.feature_engineering' » ou « ModuleNotFoundError: No module named 'databricks.feature_store' »​

Cette erreur se produit lorsque databricks-feature-engineering n'est pas installé sur le Databricks Runtime que vous utilisez.

databricks-feature-engineering est disponible sur PyPI, et peut être installé avec :

%pip install databricks-feature-engineering

« ModuleNotFoundError: No module named 'databricks.feature_store' »​

Cette erreur se produit lorsque databricks-feature-store n'est pas installé sur le Databricks Runtime que vous utilisez.

remarque

Pour Databricks Runtime 14.3 et versions ultérieures, installez plutôt databricks-feature-engineering via %pip install databricks-feature-engineering

databricks-feature-store est disponible sur PyPI et peut être installé avec :

%pip install databricks-feature-store

"Entrée non valide. Les données ne sont pas compatibles avec la signature du modèle. Impossible de convertir les valeurs non finies...'​

Cette erreur peut se produire lors de l'utilisation d'un modèle packagé par un Magasin de fonctionnalités dans Model Serving. Lorsque vous fournissez des valeurs de fonctionnalité personnalisées dans une entrée vers l'Endpoint, vous devez fournir une valeur pour la fonctionnalité pour chaque ligne de l'entrée, ou pour aucune ligne. Vous ne pouvez pas fournir de valeurs personnalisées pour une fonctionnalité pour seulement certaines lignes.

Limitations​

  • Un FeatureSpec peut contenir un maximum de 1 000 fonctionnalités. L'utilisation d'un grand nombre de fonctionnalités dans un seul FeatureSpec peut augmenter la latence du Feature Serving.

  • Un maximum de 50 tables peut être utilisé pour entraîner un modèle.

  • Un maximum de 100 fonctionnalités à la demande peut être utilisé dans un modèle.

  • Les clusters Databricks Runtime ML ne sont pas pris en charge lors de l'utilisation des LakeFlow Pipelines comme tables de fonctionnalités. Utilisez plutôt une ressource compute en mode d'accès standard et installez manuellement le client à l'aide de pip install databricks-feature-engineering. Vous devez également installer toutes les autres bibliothèques ML requises.

    Python
    %pip install databricks-feature-engineering

  • Le Magasin de fonctionnalités du Workspace Databricks hérité ne prend pas en charge la suppression de fonctionnalités individuelles d'une table de fonctionnalités.

  • Les APIs du Magasin de fonctionnalités prennent en charge le batch scoring des modèles packagés avec le Magasin de fonctionnalités. L'inférence en ligne n'est pas prise en charge.

  • Aucune boutique en ligne tierce n'est prise en charge.

Sur cette page