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.

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.

  • Recurso Store APIs suporta lotes de pontuação de modelos pacote com recurso Store. A inferência on-line não é suportada.

  • Não há suporte para lojas online de terceiros.

Nesta página