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 recursos Recommendationer_system.customer_features serão armazenados no banco de dados do sistema_recomendador .
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'
Este erro ocorre quando o databricks-recurso-engenharia não está instalado no Databricks Runtime que você está usando.
databricks-recurso-engenharia está disponível no PyPI e pode ser instalado com:
%pip install databricks-feature-engineering
Mensagem de erro: ModuleNotFoundError: No module named 'databricks.feature_store'
Este erro ocorre quando o databricks-repositório de recursos não está instalado no Databricks Runtime que você está usando.
Observação
Para Databricks Runtime 14.3 e acima, instale databricks-recurso-engenharia via %pip install databricks-feature-engineering
databricks-repositório de recursos está disponível no 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 repositório de recursos-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.
Os clusters do Databricks Runtime ML não são suportados ao usar Delta Live Tables como tabelas de recurso. Em vez disso, use um cluster compartilhado e instale manualmente o cliente usando
pip install databricks-feature-engineering
. O senhor também deve instalar qualquer outro ML biblioteca necessário.%pip install databricks-feature-engineering
A visualização materializada e as tabelas de transmissão são gerenciadas pelo pipeline Delta Live Tables.
fe.write_table()
não os atualiza. Em vez disso, use o pipeline Delta Live Table para atualizar as tabelas.
O armazenamento de recursos workspace não suporta a exclusão de recursos individuais de uma tabela de recursos.
Um máximo de 100 recursos sob demanda podem ser usados em um modelo.
Não há suporte para a publicação do site Delta Live Tables em lojas on-line de terceiros. Use o Databricks Online Tables como um armazenamento on-line.