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.

Limitações

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

• Databricks Runtime ML não são compatíveis com o uso de DLT como tabelas de recurso. Em vez disso, use um modo de acesso padrão compute recurso e instale manualmente o cliente usando pip install databricks-feature-engineering. O senhor também deve instalar qualquer outra ML biblioteca necessária.

  Python

  %pip install databricks-feature-engineering

• A visualização materializada e as tabelas de transmissão são gerenciadas pelo pipeline DLT. fe.write_table() não os atualiza. Em vez disso, use o pipeline DLT para atualizar as tabelas.

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

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

• A partir desta versão, não há suporte para lojas on-line no Databricks on Google Cloud.