Migrar para Model Serving

Este artigo demonstra como habilitar Model Serving em seu workspace e alternar seus modelos para a nova experiência Model Serving criada em compute serverless.

Requisitos

Modelo registrado no MLflow Model Registry.
Permissões nos modelos registrados, conforme descrito no guia de controle de acesso.
Habilite compute sem servidor em seu workspace.

Mudanças significativas

No Model Serving, o formato da solicitação para o endpoint e a resposta do endpoint são ligeiramente diferentes do Legacy MLflow Model Serving. Consulte Pontuação de um terminal de modelo para obter detalhes sobre o novo protocolo de formato.
No Model Serving, o URL endpoint inclui serving-endpoints em vez de model.
Model Serving inclui suporte completo para gerenciamento de recursos com API fluxo de trabalho.
Model Serving está pronto para produção e é apoiado pelo Databricks SLA.

Migrar modelos veiculados de Model Serving MLflow legado para Model Serving

Você pode criar um endpoint Model Serving e fazer a transição flexível do modelo que atende ao fluxo de trabalho sem desabilitar o Legacy MLflow Model Serving.

As passos a seguir mostram como fazer isso com a IU. Para cada modelo no qual você tem Legacy MLflow Model Serving ativado:

Navegue até Servindo endpoints na barra lateral do seu workspace machine learning.
Siga o fluxo de trabalho descrito em Criar endpoint de modelo de serviço personalizado sobre como criar um serviço endpoint com seu modelo.
Faça a transição de seu aplicativo para usar a nova URL fornecida pelo endpoint de serviço para query o modelo, juntamente com o novo formato de pontuação.
Quando seus modelos forem transferidos, você poderá navegar para Modelos na barra lateral de seu workspace machine learning.
Selecione o modelo para o qual você deseja desabilitar o Legacy MLflow Model Serving.
Na tab Exibição , selecione Parar.
Uma mensagem aparece para confirmar. Selecione Parar de servir.

Migrar versões de modelo aprimoradas para o Model Serving

Nas versões anteriores da funcionalidade Model Serving , o endpoint de serviço era criado com base no estágio da versão do modelo registrado: Staging ou Production. Para migrar seus modelos atendidos dessa experiência, você pode replicar esse comportamento na nova experiência Model Serving .

Esta seção demonstra como criar endpoints de serviço de modelo separados para Staging versões de modelo e Production versões de modelo. As passos a seguir mostram como fazer isso com a API de endpoints de serviço para cada um de seus modelos atendidos.

No exemplo, o nome do modelo registrado modelA tem versão 1 no estágio de modelo Production e versão 2 no estágio de modelo Staging.

Crie dois endpoints para seu modelo registrado, um para Staging versões de modelo e outro para Production versões de modelo.

Para Staging versões do modelo:

POST /api/2.0/serving-endpoints
  {
     "name":"modelA-Staging"
     "config":{
        "served_entities":[
           {
              "entity_name":"model-A",
              "entity_version":"2",  // Staging Model Version
              "workload_size":"Small",
              "scale_to_zero_enabled":true
           },
        ],
     },
  }

Para Production versões do modelo:

POST /api/2.0/serving-endpoints
  {
     "name":"modelA-Production"
     "config":{
        "served_entities":[
           {
              "entity_name":"model-A",
              "entity_version":"1",   // Production Model Version
              "workload_size":"Small",
              "scale_to_zero_enabled":true
           },
        ],
     },
  }

Verifique o status do endpoint.

Para endpoint de preparo: GET /api/2.0/serving-endpoints/modelA-Staging

Para endpoint de produção: GET /api/2.0/serving-endpoints/modelA-Production
Quando os endpoints estiverem prontos, query o endpoint usando:

Para endpoint de preparo: POST /serving-endpoints/modelA-Staging/invocations

Para endpoint de produção: POST /serving-endpoints/modelA-Production/invocations

Atualize o endpoint com base nas transições de versão do modelo.

No cenário em que um novo modelo versão 3 é criado, você pode fazer a transição do modelo versão 2 para Production, enquanto o modelo versão 3 pode fazer a transição para Staging e a versão 1 do modelo é Archived. Essas alterações podem ser refletidas em endpoints de veiculação de modelos separados da seguinte forma:

Para o endpoint Staging , atualize o endpoint para usar a nova versão do modelo em Staging.

PUT /api/2.0/serving-endpoints/modelA-Staging/config
{
   "served_entities":[
      {
         "entity_name":"model-A",
         "entity_version":"3",  // New Staging model version
         "workload_size":"Small",
         "scale_to_zero_enabled":true
      },
   ],
}

Para o endpoint Production , atualize o endpoint para usar a nova versão do modelo em Production.

PUT /api/2.0/serving-endpoints/modelA-Production/config
{
   "served_entities":[
      {
         "entity_name":"model-A",
         "entity_version":"2",  // New Production model version
         "workload_size":"Small",
         "scale_to_zero_enabled":true
      },
   ],
}

Migrar o fluxo de trabalho de inferência do MosaicML para o modelo interativo

Esta seção fornece orientações sobre como migrar suas implantações de inferência do MosaicML para o modelo instalado do Databricks e inclui um exemplo Notebook .

A tabela a seguir resume a paridade entre a inferência do MosaicML e o modelo instalado no Databricks.

Inferência MosaicML	Modelo de databricks em operação
create_inference_deployment	Crie um endpoint de modelo de atividade
update_inference_deployment	Atualizar um endpoint de modelo de atividade
delete_inference_deployment	Excluir um endpoint de modelo de atividade
get_inference_deployment	Obter status de um endpoint de modelo de atividade

O Notebook a seguir fornece um exemplo guiado de migração de um modelo llama-13b do modelo MosaicML para o modelo instalado do Databricks.

Migrar da inferência do MosaicML para o Databricks instalado modelo Notebook

Abra o bloco de anotações em outra guia